Fig. 1:Il circuito quantistico QAOA. Una rappresentazione schematica del circuito QAOA e il nostro approccio alla sua simulazione. Lo stato di input è banalmente inizializzato a |+⟩|+⟩. Prossimo, ad ogni p, viene etichettato lo scambio di porte esattamente (UC) e approssimativamente (RX(β) = e−iβX) applicabili (vedi Sez. Metodi). Come notato nel testo principale, ogni (esatta) applicazione della porta UC porta ad un aumento del numero di unità nascoste di ∣E∣ (il numero di archi nel grafico). Per mantenere quel numero costante, "comprimiamo" il modello (vedi Sez. Metodi), indicato da linee tratteggiate rosse dopo ogni porta UC. La compressione viene ripetuta ad ogni strato dopo il primo, dimezzando ogni volta il numero di unità nascoste, subito dopo averlo raddoppiato con le porte UC. Dopo lo strato finale, l'RBM è parametrizzato da θopt, approssimazione dello stato obiettivo finale di QAOA |γ, |γ, . Credito:DOI:10.1038/s41534-021-00440-z
Due fisici, dall'EPFL e dalla Columbia University, hanno introdotto un approccio per simulare l'algoritmo di ottimizzazione approssimata quantistica utilizzando un computer tradizionale. Invece di eseguire l'algoritmo su processori quantistici avanzati, il nuovo approccio utilizza un classico algoritmo di apprendimento automatico che imita da vicino il comportamento dei computer quantistici a breve termine.
In un articolo pubblicato su Informazioni sulla natura quantistica , Professore EPFL Giuseppe Carleo e Matija Medvidovic, uno studente laureato alla Columbia University e al Flatiron Institute di New York, hanno trovato un modo per eseguire un complesso algoritmo di calcolo quantistico su computer tradizionali anziché su quelli quantistici.
Lo specifico "software quantistico" che stanno prendendo in considerazione è noto come Quantum Approximate Optimization Algorithm (QAOA) e viene utilizzato per risolvere problemi di ottimizzazione classici in matematica; è essenzialmente un modo per scegliere la migliore soluzione a un problema da un insieme di possibili soluzioni. "C'è molto interesse nel capire quali problemi possono essere risolti in modo efficiente da un computer quantistico, e QAOA è uno dei candidati più importanti, "dice Carlo.
In definitiva, QAOA ha lo scopo di aiutarci sulla strada verso il famoso "accelerazione quantistica, " il previsto aumento della velocità di elaborazione che possiamo ottenere con i computer quantistici anziché con quelli convenzionali. Comprensibilmente, QAOA ha un numero di sostenitori, compreso Google, che puntano alle tecnologie quantistiche e all'informatica nel prossimo futuro:nel 2019 hanno creato Sycamore, un processore quantistico a 53 qubit, e lo ha usato per eseguire un'attività che secondo le stime avrebbe richiesto un supercomputer classico all'avanguardia intorno alle 10, 000 anni da completare. Sycamore ha eseguito lo stesso compito in 200 secondi.
"Ma la barriera dell'"accelerazione quantistica" è tutt'altro che rigida e viene continuamente rimodellata da nuove ricerche, anche grazie ai progressi nello sviluppo di algoritmi classici più efficienti, "dice Carlo.
Nel loro studio, Carleo e Medvidovic affrontano una domanda chiave aperta nel campo:gli algoritmi in esecuzione su computer quantistici attuali ea breve termine offrono un vantaggio significativo rispetto agli algoritmi classici per compiti di interesse pratico? "Se dobbiamo rispondere a questa domanda, dobbiamo prima capire i limiti dell'informatica classica nella simulazione dei sistemi quantistici, " dice Carleo. Ciò è particolarmente importante dal momento che l'attuale generazione di processori quantistici opera in un regime in cui commettono errori durante l'esecuzione di "software quantistico", " e può quindi eseguire solo algoritmi di complessità limitata.
Utilizzando computer convenzionali, i due ricercatori hanno sviluppato un metodo in grado di simulare approssimativamente il comportamento di una classe speciale di algoritmi noti come algoritmi quantistici variazionali, che sono modi per elaborare lo stato energetico più basso, o "stato fondamentale" di un sistema quantistico. QAOA è un importante esempio di tale famiglia di algoritmi quantistici, che i ricercatori ritengono siano tra i candidati più promettenti per il "vantaggio quantistico" nei computer quantistici a breve termine.
L'approccio si basa sull'idea che i moderni strumenti di apprendimento automatico, per esempio. quelli usati nell'apprendimento di giochi complessi come Go, può essere utilizzato anche per apprendere ed emulare il funzionamento interno di un computer quantistico. Lo strumento chiave per queste simulazioni sono gli stati quantistici della rete neurale, una rete neurale artificiale che Carleo ha sviluppato nel 2016 con Matthias Troyer, e che ora è stato utilizzato per la prima volta per simulare QAOA. I risultati sono considerati la provincia dell'informatica quantistica, e stabilire un nuovo punto di riferimento per lo sviluppo futuro dell'hardware quantistico.
"Il nostro lavoro mostra che il QAOA che puoi eseguire su computer quantistici attuali e a breve termine può essere simulato, con buona precisione, anche su un computer classico, "dice Carleo. "Tuttavia, ciò non significa che tutti gli algoritmi quantistici utili che possono essere eseguiti su processori quantistici a breve termine possano essere emulati in modo classico. Infatti, speriamo che il nostro approccio serva da guida per ideare nuovi algoritmi quantistici che siano sia utili che difficili da simulare per i computer classici".
