Beyond the Mean Gap: What Transferred-Angle QAOA Retains on a Superconducting Processor
Questo studio dimostra che su un processore superconduttore, i circuiti QAOA spesso mantengono una frazione significativa del loro miglioramento del gap medio rispetto al campionamento uniforme pur perdendo la maggior parte della loro probabilità di trovare l'ottimo, evidenziando la necessità di validare l'ottimizzazione quantistica riportando la ritenzione di bitstring ottimali e quasi ottimali piuttosto che solo il costo medio.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dall'autore. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel ronzio silenzioso di un laboratorio, gli scienziati stanno costruendo macchine che operano secondo le strane regole del mondo quantistico. Questi dispositivi, noti come processori quantistici, promettono di risolvere certi problemi molto più velocemente dei supercomputer che utilizziamo oggi. Uno dei modi più popolari per testare queste macchine è un algoritmo chiamato Quantum Approximate Optimization Algorithm, o QAOA. Pensate a questo algoritmo come a un motore di ricerca per trovare l'unica soluzione migliore a un puzzle complesso, come organizzare un programma o pianificare il percorso di un camion per le consegne. La macchina non si limita a sputare fuori un'unica risposta; esegue un processo che produce una nuvola di possibili risposte, con la speranza che quella migliore appaia più spesso delle altre. Per anni, i ricercatori hanno verificato se queste macchine funzionassero osservando la qualità media di tutte le risposte che producevano. Se la risposta media era buona, assumevano che la macchina stesse facendo il suo lavoro. Ma questo approccio ha un punto cieco: una media alta può nascondere il fatto che la macchina trovi raramente la vera soluzione migliore, che è l'unica cosa che conta davvero per risolvere il puzzle.
Un team di ricercatori ha recentemente deciso di guardare oltre quella media per vedere cosa stesse realmente accadendo all'interno di un processore quantistico superconduttore. Hanno utilizzato un tipo specifico di macchina della IBM, situata in una struttura a New York, per eseguire una serie di test su puzzle con dodici variabili. Invece di lasciare che la macchina apprendesse le impostazioni migliori per ogni nuovo puzzle, hanno utilizzato una strategia chiamata "angoli trasferiti" (transferred angles). Ciò significava che avevano addestrato la macchina una sola volta su alcuni piccoli esempi e poi avevano applicato quelle stesse impostazioni a puzzle più grandi e difficili. Questo approccio è efficiente perché evita la necessità che la macchina passi del tempo ad apprendere sul momento, permettendo a ogni singolo tentativo di essere una potenziale soluzione. I ricercatori hanno eseguito questi circuiti migliaia di volte, catturando i dati grezzi su quali risposte la macchina abbia effettivamente trovato. Hanno poi confrontato questi risultati reali con simulazioni al computer progettate per imitare il comportamento della macchina, inclusi i suoi errori e il rumore.
I risultati hanno rivelato un sorprendente disconnessione tra ciò che la macchina sembrava stia facendo e ciò che stava effettivamente ottenendo. Quando i ricercatori hanno osservato la qualità media delle risposte, la macchina sembrava comportarsi ragionevolmente bene, mantenendo circa il trenta-quaranta sei percento del miglioramento che avrebbe dovuto mostrare in un mondo perfetto e privo di rumore. Questo punteggio medio è ciò su cui la maggior parte degli studi precedenti si è basata per dichiarare il successo. Tuttavia, quando hanno fatto uno zoom per contare quante volte la macchina trovasse effettivamente la singola soluzione migliore, il quadro è cambiato drasticamente. La macchina manteneva solo il cinque-quindici percento della probabilità di trovare quella risposta perfetta. In altre parole, mentre la macchina evitava con successo le risposte terribili e inutili, falliva nel concentrare i suoi sforzi proprio sulle migliori. Il punteggio medio era sostenuto dalla capacità della macchina di stare lontana dai risultati peggiori, mascherando il fatto che stava perdendo la corsa verso l'ottimo.
Questa scoperta mette in discussione la pratica comune di validare i computer quantistici confrontando la loro prestazione media con una simulazione. I ricercatori hanno scoperto che un modello informatico progettato per corrispondere agli errori della macchina reale poteva prevedere abbastanza bene il punteggio medio, ma sovrastimava enormemente quanto spesso la macchina avrebbe trovato la soluzione migliore. In alcuni casi, il modello prevedeva che la macchina avrebbe trovato la risposta perfetta da cinque a otto volte più spesso di quanto facesse in realtà. Lo studio suggerisce che il rumore in queste macchine non si limita a sfocare i risultati in modo uniforme; esso distrugge specificamente il picco acuto di probabilità che dovrebbe trovarsi sulla risposta migliore, lasciando invece relativamente intatta la capacità di evitare le risposte cattive. Ciò significa che una macchina può apparire di successo sulla carta pur fallendo nel fornire la soluzione specifica necessaria per un'applicazione del mondo reale.
I ricercatori hanno anche testato diversi metodi per cercare di proteggere la macchina da questi errori, come l'aggiunta di impulsi extra per cancellare le interferenze o la rimescolatura dei segnali per rendere gli errori più uniformi. Sebbene alcune di queste tecniche abbiano aiutato leggermente, non hanno colmato il divario tra la simulazione e la realtà. Infatti, su un set di puzzle particolarmente difficili, progettati per essere accidentati e complessi, il vantaggio della macchina rispetto ai metodi classici standard è scomparso interamente una volta introdotto il rumore del mondo reale. Nel mondo silenzioso del laboratorio, la macchina quantistica non riusciva a battere gli algoritmi classici che erano stati ottimizzati per quel compito. Lo studio conclude che, per capire se un computer quantistico è pronto per l'ottimizzazione, dobbiamo smettere di guardare la media e iniziare a contare le vittorie. Dobbiamo sapere quanto spesso la macchina trova la risposta migliore, non solo quanto sia buona la sua media, perché per risolvere problemi difficili, la media non è sufficiente.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.