TensorHyper-VQC: un hypernetwork guidato da tensor‑train per il calcolo quantistico variazionale robusto e scalabile

Perché questa nuova idea per i computer quantistici è importante

I computer quantistici promettono progressi in chimica, materiali e ottimizzazione, ma le macchine odierne sono piccole e rumorose. Una strategia di punta, chiamata calcolo quantistico variazionale, permette a un computer classico e a un chip quantistico di collaborare per risolvere problemi difficili. Tuttavia, man mano che i circuiti diventano più grandi, l’addestramento di questi sistemi ibridi spesso si blocca e diventa estremamente fragile al rumore. Questo articolo introduce TensorHyper‑VQC, un nuovo modo di controllare i circuiti quantistici che mantiene stabile l’addestramento, scala a più qubit e naturalmente attenua gran parte del rumore hardware che affligge i dispositivi attuali.

Un modo più intelligente di pilotare i circuiti quantistici

I circuiti quantistici variazionali tradizionali regolano direttamente centinaia o migliaia di angoli delle porte sul chip quantistico stesso. Con l’aumentare del numero di qubit e degli strati di circuito, il segnale di apprendimento può scomparire in quello che si chiama un “barren plateau”, dove i gradienti sono sostanzialmente nulli e l’addestramento si arresta. TensorHyper‑VQC ribalta questo schema. Invece di sintonizzare le porte quantistiche una per una, allena un modello classico compatto, costruito su una rete tensor‑train, per generare tutti i parametri delle porte quantistiche. La struttura del circuito quantistico rimane fissa ed è usata solo come calcolatore in avanti: riceve gli angoli dal generatore classico, esegue una singola corsa e restituisce i risultati delle misure. Tutta l’ottimizzazione pesante avviene sull’hardware classico, dove i gradienti sono più facili da calcolare e meno esposti al rumore quantistico.

Come la struttura doma la complessità e il rumore

Il fulcro dell’approccio è la rete tensor‑train (TT), che rappresenta una lista enorme di parametri di circuito mediante una catena di piccoli tensori a basso rango. Questa rappresentazione strutturata funziona come un intelligente schema di compressione: può diventare più espressiva aumentando i ranghi interni, oppure più compatta e tollerante al rumore mantenendoli piccoli. Poiché ogni angolo di porta è prodotto attraverso questa struttura condivisa a basso rango, le fluttuazioni casuali provenienti dalle misure quantistiche vengono naturalmente mediate su molti componenti TT. Gli autori utilizzano strumenti della teoria del Neural Tangent Kernel per mostrare che questo design migliora il condizionamento del problema di apprendimento, accelera la convergenza ed evita gli effetti più gravi dei barren plateau. La loro analisi rivela anche un compromesso: ranghi più alti aumentano l’espressività ma possono danneggiare la generalizzazione, in modo analogo all’overfitting nel deep learning.

Mettere il quadro alla prova

Il team valuta TensorHyper‑VQC su tre compiti piuttosto diversi. Innanzitutto classificano immagini di diagrammi di stabilità di carica provenienti da punti quantici semiconduttori, fondamentali per costruire hardware quantistico scalabile. Con solo poche centinaia di parametri TT addestrabili, il loro metodo raggiunge rapidamente un’accuratezza quasi perfetta nelle simulazioni pulite e mantiene un’alta accuratezza di test anche quando vengono introdotti diversi tipi di rumore quantistico. Non solo surclassa i circuiti variazionali standard e altri design di hypernetwork, ma batte anche potenti modelli classici di visione che usano molti più parametri. Notevolmente, TensorHyper‑VQC mantiene alta l’accuratezza su un processore IBM Heron da 156 qubit, mentre i metodi convenzionali con sofisticati strumenti di mitigazione degli errori restano molto indietro.

Risoluzione di grafi e molecole su dispositivi rumorosi

Successivamente, gli autori integrano TensorHyper‑VQC nell’Algoritmo Quantistico Approssimato di Ottimizzazione (QAOA) per affrontare il problema Max‑Cut, una sfida classica nella teoria dei grafi. Su grafi generati casualmente a 20 qubit, il loro approccio guidato da TT trova costantemente tagli migliori rispetto al QAOA standard, anche quando quest’ultimo è potenziato con tecniche avanzate di riduzione del rumore. Poi passano alla chimica quantistica, stimando l’energia di stato fondamentale della molecola idruro di litio. Con appena nove parametri TT, TensorHyper‑VQC raggiunge un’accuratezza vicina al valore ideale della full‑configuration‑interaction nelle simulazioni, sovraperformando un eigensolver variazionale convenzionale che usa quasi tre volte più parametri. In condizioni di rumore realistico e su hardware IBM reale, il modello guidato da TT mostra nuovamente errori energetici sostanzialmente minori, evidenziando la sua resilienza di fronte a decoerenza e imperfezioni di lettura.

Cosa significa per il futuro del calcolo quantistico

Nel complesso, questi risultati suggeriscono una ricetta promettente per il calcolo quantistico nel breve termine: mantenere i circuiti quantistici semplici e fissi e lasciare che un modello classico attentamente strutturato impari come pilotarli. TensorHyper‑VQC dimostra che spostando l’ottimizzazione in uno spazio classico senza rumore e usando una struttura tensoriale a basso rango per organizzare i parametri, si possono addestrare circuiti quantistici più profondi e più grandi in modo più affidabile, con meno numeri da sintonizzare e minore necessità di schemi di mitigazione degli errori elaborati. Per i non esperti, il messaggio chiave è che un controllo classico più intelligente può rendere i chip quantistici imperfetti di oggi molto più utili, accelerando il progresso verso applicazioni pratiche in ambiti come la diagnostica dei dispositivi, l’ottimizzazione combinatoria e la progettazione molecolare.

Citazione: Qi, J., Yang, CH.H., Chen, PY. et al. TensorHyper-VQC: a tensor-train-guided hypernetwork for robust and scalable variational quantum computing. npj Quantum Inf 12, 70 (2026). https://doi.org/10.1038/s41534-025-01157-z

Parole chiave: calcolo quantistico variazionale, apprendimento automatico quantistico, reti di tensori, robustezza al rumore quantistico, ottimizzazione quantistica