Dimostrazione di surrogate predittivi efficienti per processori quantistici su larga scala

Perché questo è importante per il calcolo del futuro

I computer quantistici promettono di affrontare problemi che sovraccaricano le macchine odierne, dalla simulazione di nuovi materiali all’esplorazione di stati esotici della materia. Tuttavia, i processori quantistici all’avanguardia sono costosi, delicati e rari, il che limita chi può usarli e con quale frequenza. Questo studio introduce un modo per “imbottigliare” il comportamento tipico di un grande processore quantistico in un modello classico efficiente, così che molti compiti possano essere eseguiti su un computer ordinario dopo solo un accesso limitato al dispositivo quantistico reale.

Catturare l’impronta di un computer quantistico

Gli autori si concentrano su una grandezza chiave che compare in molti algoritmi quantistici: il valore medio di una misura effettuata dopo l’esecuzione di un circuito quantistico su un processore rumoroso. Invece di simulare ogni dettaglio microscopico, costruiscono quello che chiamano surrogate predittivi. Si tratta di modelli di apprendimento classico addestrati su dati raccolti da un vero chip quantistico a superconduttore. Una volta addestrato, il surrogato può prevedere rapidamente i valori medi delle misure per nuove impostazioni di circuito, senza toccare di nuovo l’hardware quantistico, e riflette automaticamente il rumore reale e le imperfezioni del chip.

Due tipi di sostituti digitali

Il team progetta e analizza due tipi di surrogati adatti a diversi casi d’uso. Il primo, chiamato h_cs, gestisce circuiti i cui parametri di controllo variano in modo indipendente e supporta molte misure locali contemporaneamente. Si basa sull’idea delle ombre classiche (classical shadows), una tecnica che comprime le informazioni provenienti da misure randomizzate in una rappresentazione classica compatta. Il secondo, chiamato h_qs, è pensato per situazioni in cui molti parametri del circuito sono collegati tra loro, come spesso accade nelle simulazioni quantistiche di materiali, chimica o apprendimento automatico. È progettato per funzionare con input correlati estratti da distribuzioni arbitrarie, che rispecchiano più fedelmente i carichi di lavoro scientifici realistici.

Mettere i sostituti al lavoro

Per testare queste idee, i ricercatori usano un processore quantistico a superconduttore con fino a 42 qubit funzionanti. Mostrano innanzitutto che h_cs può prevedere in modo affidabile l’energia di un modello di magnete quantistico, un modello di Ising a campo trasverso monodimensionale, attraverso molte scelte dei parametri del modello. Usano poi questo surrogato per preaddestrare una routine ampiamente usata chiamata variational quantum eigensolver. L’ottimizzazione viene eseguita interamente su un computer classico guidato dal surrogato, e solo successivamente verificata e leggermente perfezionata sul chip quantistico reale. Questo approccio riduce il numero di misure quantistiche necessarie di ordini di grandezza, pur raggiungendo stime di energia inferiori rispetto all’esecuzione dell’ottimizzazione quantistica completa da zero.

Rivelare fasi nascoste della materia guidata

Il secondo surrogato, h_qs, è applicato a un compito più esotico: identificare fasi particolari in una catena di spin che viene periodicamente guidata nel tempo, note come fasi topologiche protette da simmetria di Floquet. Tradizionalmente, mappare queste fasi richiede molte misure ripetute sul dispositivo quantistico al variare delle impostazioni di controllo. Invece, gli autori addestrano una famiglia di surrogati che imparano come la magnetizzazione locale lungo la catena risponde alla forzatura. Utilizzando solo calcoli classici con i modelli addestrati, ricostruiscono le firme di oscillazioni di bordo a vita lunga e individuano la transizione tra la fase protetta e una fase termica e priva di caratteristiche, in accordo con esperimenti diretti sull’hardware quantistico.

Cosa significa questo per l’accesso al potere quantistico

Dimostrando che questi surrogati possono essere addestrati in modo efficiente e mostrando che scalano fino a decine di qubit su un dispositivo reale, il lavoro suggerisce un nuovo modo di condividere risorse quantistiche scarse. Un set limitato di misure su un processore avanzato può essere distillato in un modello classico riutilizzabile che molti utenti possono interrogare a basso costo. Pur non sostituendo i computer quantistici, tali surrogati possono ridurre notevolmente la frequenza con cui è necessario eseguirli per compiti basati su valori medi di misura, avvicinando studi quantistici assistiti pratici su materiali, chimica e nuove fasi della materia all’uso scientifico quotidiano.

Citazione: Liao, WY., Du, Y., Wang, X. et al. Demonstration of efficient predictive surrogates for large-scale quantum processors. Nat Commun 17, 4731 (2026). https://doi.org/10.1038/s41467-026-72506-5

Parole chiave: processori quantistici, modelli surrogati predittivi, variational quantum eigensolver, simulazione quantistica digitale, fasi di Floquet

Scopri di più sul sito web del gruppo di ricerca: http://staff.ustc.edu.cn/~quanhhl/