Max-Cut QAOA on Non-Hardware-Native Graphs via MinLA Surrogates and Configuration Recovery
Questo articolo propone un flusso di lavoro ibrido quantistico-classico che riduce la profondità del circuito QAOA su grafi non nativi dell'hardware attraverso la costruzione di modelli surrogati basati su MinLA con meno interazioni e il successivo recupero di soluzioni quasi ottimali per l'originale problema MAX-CUT tramite strategie di raffinamento classico.
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
Nella corsa alla costruzione di computer quantistici utili, gli scienziati stanno attualmente navigando in una difficile via di mezzo. Possiedono macchine che possono eseguire calcoli specifici molto più velocemente dei computer tradizionali, eppure queste macchine sono ancora fragili e limitate nelle dimensioni. Uno dei modi più promettenti per usarle è risolvere complessi enigmi noti come problemi di ottimizzazione, dove l'obiettivo è trovare la migliore disposizione possibile tra milioni di opzioni. Un metodo principale per farlo si chiama Algoritmo di Ottimizzazione Approssimata Quantistica. Esso funziona preparando uno stato quantistico che rappresenta molte possibili risposte contemporaneamente e poi perfezionandolo per trovare la migliore. Tuttavia, esiste un ostacolo maggiore: i veri chip quantistici non sono costruiti per gestire direttamente ogni tipo di enigma. I chip hanno una disposizione specifica e sparsa di connessioni tra le loro minuscole unità di elaborazione, mentre molti problemi interessanti coinvolgono reti dense di connessioni che non si adattano. Per forzare un problema non corrispondente su un chip, gli ingegneri devono inserire passaggi extra per spostare l'informazione tra unità distanti, un processo che aggiunge strati di complessità e rumore. Questo rumore spesso distrugge la delicata informazione quantistica prima che la risposta possa essere trovata, lasciando la macchina incapace di risolvere proprio i problemi che doveva affrontare.
Ricercatori di IBM Research e dell'Istituto Indiano di Tecnologia Madras hanno sviluppato una nuova strategia per aggirare questo collo di bottiglia, permettendo ai computer quantistici di risolvere problemi di grafi più grandi e complessi di quanto precedentemente possibile. Il loro approccio, testato su un processore a 156 qubit, prevede un intelligente flusso di lavoro in due fasi che bilancia ciò che la macchina quantistica può fare con ciò che un computer classico può correggere. Invece di cercare di forzare l'intero problema complesso sul chip tutto in una volta, il team crea prima una versione "surrogata" semplificata del problema che rientri nei limiti fisici del chip. Raggiungono questo obiettivo riordinando i componenti del problema in modo che le connessioni più importanti siano brevi e locali, poi selezionando solo quelle connesszioni che possono essere eseguite senza sovraccaricare la macchina con passaggi di routing soggetti a errori. Ciò consente al computer quantistico di eseguire un circuito molto più breve e pulito e generare un insieme di soluzioni candidate.
La vera innovazione risiede in ciò che accade dopo. I ricercatori non accettano semplicemente l'output del computer quantistico come la risposta finale. Invece, prendono le migliori soluzioni candidate generate dal circuito quantistico semplificato e le immettono in un computer classico. Questo computer classico esegue quindi un rigoroso processo di raffinamento passo dopo passo per riparare l'informazione che è stata lasciata fuori durante la semplificazione. Valuta i candidati rispetto al problema originale, completo e complesso, e li migliora sistematicamente finché non raggiungono uno stato quasi perfetto. Separando il lavoro pesante del campionamento quantistico dal perfezionamento finale della risposta, il team ha risolto con successo istanze di un classico problema di grafo chiamato MAX-CUT su grafi con fino a 100 vertici. Questi grafi erano troppo densi per essere eseguiti direttamente sull'hardware, eppure il metodo ibrido ha prodotto soluzioni quasi altrettanto buone rispetto alle migliori teoricamente possibili.
Il nucleo di questo metodo si basa su un modo specifico di organizzare i dati del problema prima ancora che raggiungano il chip quantistico. I ricercatori hanno utilizzato una tecnica matematica chiamata Disposizione Lineare Minima per riordinare i vertici del grafo. Immaginate il problema come una mappa di città collegate da strade; l'obiettivo è trovare un modo per dividere le città in due gruppi in modo da massimizzare il numero di strade che attraversano tra i gruppi. Su un tipico chip quantistico, le connessioni tra le città sono fisse e sparse. Se le città del problema sono lontane tra loro sulla mappa, il chip deve costruire ponti lunghi e tortuosi per connetterle, il che introduce errori. La tecnica di ordinamento dei ricercatori riorganizza le città in modo che quelle con molte connessioni tra loro siano posizionate vicine l'una all'altra nella sequenza. Ciò consente loro di selezionare una "banda" di interazioni che sono tutte vicine, scartando le connessioni lunghe e costose che richiederebbero troppi passaggi soggetti a errori per essere eseguite.
Questo processo di selezione è guidato da un budget rigoroso per la profondità del circuito, che è essenzialmente una misura di quanti passaggi consecutivi il computer quantistico deve compiere. I ricercatori hanno determinato la banda di connessioni più ampia possibile che potesse rientrare in questo limite di profondità per il loro hardware specifico. Si sono assicurati che ogni singola città del problema rimanesse parte del modello semplificato, anche se alcune delle sue connessioni venivano temporaneamente ignorate. Ciò ha creato un Hamiltoniano surrogato, una versione semplificata del panorama energetico del problema che il computer quantistico poteva effettivamente eseguire. Quando hanno eseguito questo circuito semplificato sul processore IBM, hanno scoperto che riduceva il numero di passaggi richiesti di oltre la metà rispetto al tentativo di eseguire il problema completo, pur mantenendo una parte significativa della struttura originale del grafo. Per i grafi più grandi testati, che avevano quasi mille connessioni, il metodo ha mantenuto circa la metà delle interazioni, un risultato che sarebbe stato impossibile con le tecniche precedenti che riducevano il grafo a una semplice catena.
Il computer quantistico ha poi campionato migliaia di potenziali soluzioni da questo panorama semplificato. Poiché il circuito era più breve e pulito, le soluzioni prodotte erano di qualità superiore rispetto a quelle di un tentativo a piena profondità e rumoroso. Tuttavia, queste soluzioni erano comunque basate su un quadro incompleto del problema. Per risolvere questo, il team ha impiegato due distinte strategie di recupero classico. Il primo è stato un approccio "greedy" (ingordo) che guardava ogni città individualmente e ne invertiva l'assegnazione di gruppo se ciò migliorava il numero totale di strade di attraversamento. La seconda strategia, più sofisticata, guardava coppie di gruppi di città e risolveva un tipo specifico di problema di ottimizzazione per trovare il modo migliore di riorganizzarle insieme. Questo secondo metodo, che utilizza una tecnica correlata alla ricerca del taglio minimo in una rete, ha permesso al sistema di uscire dalle trappole locali dove un singolo cambiamento non sarebbe stato utile, ma un cambiamento coordinato lo sarebbe stato.
I risultati di questo flusso di lavoro ibrido sono stati sorprendenti. Sui grafi con 100 vertici, l'output grezzo dal computer quantistico, anche dopo la semplificazione, era già piuttosto buono. Ma dopo il passaggio di recupero classico, la qualità delle soluzioni è aumentata drasticamente. Le migliori soluzioni trovate dopo il recupero hanno raggiunto un rapporto di approssimazione vicino a 0,997, il che significa che erano entro lo 0,3 percento della migliore risposta assoluta possibile. Questo è stato vero anche se il computer quantistico non ha mai eseguito l'intero set di interazioni richiesto dal problema originale. I ricercatori hanno verificato che questo miglioramento derivava interamente dal raffinamento classico, poiché il processo di recupero veniva eseguito indipendentemente su ogni soluzione candidata senza richiedere ulteriore tempo sul processore quantistico.
Questo lavoro dimostra che i limiti dell'attuale hardware quantistico non impediscono necessariamente di risolvere problemi grandi e complessi. Riconoscendo i vincoli dell'hardware e progettando un flusso di lavoro che li rispetti, i ricercatori hanno dimostrato che è possibile estrarre segnali utili da un'esecuzione quantistica semplificata e amplificarli attraverso il calcolo classico. Il metodo è particolarmente potente perché è scalabile: man mano che i processori quantistici migliorano e possono tollerare circuiti più profondi, la "banda" di interazioni può essere allargata per includere di più del problema originale, richiedendo meno lavoro dal computer classico. Al contrario, per le macchine rumorose di oggi, il metodo fornisce una via pratica, dimostrando che una combinazione di semplificazione consapevole dell'hardware e recupero classico può fornire soluzioni di alta qualità per problemi che prima erano fuori portata. Lo studio conferma che il futuro dell'ottimizzazione quantistica potrebbe non risiedere nell'aspettare macchine perfette e prive di errori, ma nel costruire sistemi ibridi intelligenti che sappiano lavorare con gli strumenti imperfetti attualmente disponibili.
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.