← Ultimi articoli
⚛️ fisica quantistica

General Noise Channels and Mid-Circuit Measurements for Pre-Trajectory Sampling with Batched Execution

Questo articolo introduce un metodo di campionamento della pre-traiettoria generalizzato con esecuzione batch (PTSBE) che consente la simulazione veloce ed esatta di circuiti quantistici rumorosi con misurazioni a metà circuito e canali di Kraus generali su GPU, ottenendo accelerazioni fino a 83x rispetto ai metodi convenzionali e rivelando significative imprecisioni nelle approssimazioni del rumore con twirl di Pauli.

Autore originale: Louis Follet, Paavai Pari, Isidor Schoch, Thien Nguyen, Justin G. Lietz, Daniel Lowell, Brucek Khailany, Krysta M. Svore, Dirk R. Englund, Taylor L. Patti

Pubblicato 2026-11-19
📖 7 min di lettura🧠 Approfondimento

Autore originale: Louis Follet, Paavai Pari, Isidor Schoch, Thien Nguyen, Justin G. Lietz, Daniel Lowell, Brucek Khailany, Krysta M. Svore, Dirk R. Englund, Taylor L. Patti

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

Per costruire un computer in grado di risolvere problemi che vanno oltre le capacità delle macchine odierne, gli scienziati si stanno rivolgendo alle leggi bizzarre della fisica quantistica. Questi computer quantistici utilizzano particelle minuscole, come atomi o elettroni, che possono esistere in più stati contemporaneamente, permettendo loro di elaborare informazioni in modi in cui i computer classici non possono farlo. Tuttavia, questi delicati sistemi sono facilmente disturbati dal loro ambiente, causando errori che corrompono il calcolo. Per risolvere questo problema, i ricercatori utilizzano una tecnica chiamata correzione degli errori quantistici, che controlla costantemente il sistema alla ricerca di errori e li ripara senza distruggere l'informazione. Questo processo richiede l'esecuzione di migliaia di misurazioni per tracciare ciò che accade all'interno della macchina. Per progettare questi sistemi e addestrare il software che alla fine li eseguirà, gli scienziati devono simulare il modo in cui questi computer si comportano in condizioni realistiche. La sfida è che simulare l'esatta, caotica realtà di questi errori quantistici è incredibilmente lento e computazionalmente costoso, mentre i metodi più veloci disponibili spesso si basano su semplificazioni che cambiano i risultati in modi sottili ma importanti.

Un team di ricercatori di NVIDIA, MIT e dell'Università di Oxford ha sviluppato un nuovo metodo per colmare questo divario, permettendo simulazioni veloci ed esatte di circuiti quantistici rumorosi. Il loro lavoro si concentra su un tipo specifico di simulazione chiamato campionamento delle traiettorie (trajectory sampling), che traccia il percorso che un sistema quantistico compie mentre evolve. In passato, i simulatori dovevano scegliere tra velocità e precisione. Gli strumenti più veloci potevano gestire solo modelli di rumore semplificati, ignorando di fatto le complesse interazioni del mondo reale che si verificano quando un computer quantistico misura il proprio stato a metà del calcolo. Gli strumenti più accurati potevano gestire queste complessità, ma erano così lenti che la generazione dei massicci dataset necessari per il moderno apprendimento automatico risultava impraticabile. I ricercatori hanno creato una tecnica chiamata campionamento pre-traiettoria generalizzato con esecuzione a lotti (generalized pre-trajectory sampling with batched execution). Questo approccio permette loro di simulare il comportamento esatto dei circuiti quantistici, inclusi quelli con misurazioni a metà circuito e tipi generali di rumore, a velocità che si ritenevano precedentemente impossibili per modelli così dettagliati.

Il cuore della loro innovazione risiede nel modo in cui gestiscono la casualità inerente alla meccanica quantistica. In un sistema quantistico, l'esito di una misurazione o l'effetto del rumore non è predeterminato; è una questione di probabilità. I simulatori tradizionali eseguivano una singola simulazione, compivano una scelta casuale per ogni evento e poi ricominciavano da capo per la corsa successiva. Ciò significava che se due esecuzioni seguivano lo stesso percorso per un po', il computer avrebbe sprecato tempo calcolando esattamente gli stessi passaggi due volte. Il nuovo metodo cambia questo decidendo alcuni degli esiti casuali in anticipo, prima ancora che la simulazione inizi. Identifica le parti del processo in cui le probabilità sono fisse e indipendenti dallo stato attuale del sistema, e pre-seleziona tali esiti. Per le parti che invece dipendono dallo stato, attende che la simulazione raggiunga quel punto per prendere la decisione.

Questa strategia permette ai ricercatori di raggruppare molte potenziali esecuzioni di simulazione. Se un gruppo di esecuzioni condivide gli stessi esiti pre-selezionati, possono attraversare il circuito insieme come un'unica unità. Solo quando raggiungono un punto in cui è necessaria la decisione dipendente dallo stato, il gruppo si divide in rami più piccoli, ognuno dei quali segue un percorso diverso. Fondamentalmente, poiché i ricercatori hanno già calcolato lo stato per il gruppo, non devono ricalcolarlo per ogni singolo ramo. Possono riutilizzare lo stato memorizzato nella cache, risparmiando una quantità enorme di tempo. Una volta che la simulazione raggiunge la fine, possono generare migliaia di record di misurazione da quello singolo stato finale in un unico lotto, invece di eseguire l'intero circuito migliaia di volte. Questo è particolarmente potente per generare i grandi dataset etichettati necessari per addestrare modelli di intelligenza artificiale ad agire come decoder per la correzione degli errori quantistici.

Il team ha testato il loro metodo su vari circuiti quantistici, inclusi quelli progettati per conservare informazioni in codici topologici, che sono un principale candidato per la costruzione di computer quantistici tolleranti ai guasti. Quando hanno confrontato il loro nuovo simulatore con gli standard strumenti ad alte prestazioni attualmente in uso, i risultati sono stati sorprendenti. Per i circuiti che coinvolgono un tipo specifico di rumore chiamato smorzamento di ampiezza (amplitude damping), che imita il modo in cui l'energia fuoriesce da un sistema quantistico, il loro metodo è stato fino a 24 volte più veloce dell'approccio convenzionale. Per circuiti casuali più complessi che includevano misurazioni a metà circuito, l'accelerazione è stata ancora più drammatica, raggiungendo fino a 83 volte la velocità. In una modalità specifica progettata per generare dataset massicci, dove lo stesso percorso di simulazione viene utilizzato per produrre molti diversi record di misurazione, il loro metodo è stato quasi 70.000 volte più veloce per traiettoria rispetto al metodo standard. Questo salto di efficienza significa che i ricercatori possono ora generare i milioni di punti dati necessari per addestrare sofisticati decoder di machine learning in una frazione del tempo che prima era necessario.

Oltre alla velocità, i ricercatori hanno dimostrato che il loro metodo produce risultati più accurati rispetto alle comuni scorciatoie utilizzate nel settore. Una tecnica ampiamente utilizzata chiamata "Pauli twirling" semplifica il rumore complesso in una forma più facile da simulare, ma il team ha dimostrato che questa semplificazione introduce errori significativi. Nei loro test su un sistema di memoria quantistica, il modello semplificato ha sovrastimato il tasso di rilevamento degli errori del 21 percento. Ancora più importante, quando hanno utilizzato i dati da questo modello semplificato per addestrare un decoder, il sistema risultante ha commesso l'8 percento in più di errori logici rispetto a un decoder addestrato sui dati esatti e non semplificati. Questa scoperta evidenzia un difetto critico nel fare affidamento sulle approssimazioni: sebbene possano essere veloci, possono portare alla progettazione di sistemi di correzione degli errori meno efficaci di quanto potrebbero essere. Fornendo un modo per simulare l'esatto rumore senza sacrificare la velocità, il nuovo metodo assicura che i dati utilizzati per costruire i futuri computer quantistici riflettano la realtà.

Le implicazioni di questo lavoro si estendono allo sforzo più ampio di costruire un computer quantistico pratico. Man mano che queste macchine crescono in dimensioni e complessità, la capacità di simularle accuratamente diventa un collo di bottiglia. Il metodo dei ricercatori rimuove questo collo di bottiglia per una vasta gamma di modelli di rumore realistici, inclusi quelli che comportano la misurazione del sistema durante il suo funzionamento. Questa capacità apre la porta allo studio di protocolli complessi che si basano su misurazioni a metà circuito, come quelli utilizzati per creare stati quantistici speciali o per eseguire la correzione degli errori in tempo reale. Il team ha reso disponibile il proprio software come estensione di una piattaforma open-source esistente, garantendo che altri scienziati possano applicare immediatamente questi miglioramenti alla propria ricerca. Rendendo pratica la simulazione esatta e ad alto throughput, questo lavoro fornisce uno strumento vitale per lo sviluppo di computer quantistici tolleranti ai guasti, aiutando a garantire che la prossima generazione di queste macchine sia costruita su una base di dati accurati e realistici.

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.

Prova Digest →