Apprendere circuiti quantistici parametrizzati con il gradiente quantistico

Perché i circuiti quantistici hanno bisogno di migliori “strategie di apprendimento”

Man mano che i computer quantistici diventano più potenti, gli scienziati sperano di impiegarli per risolvere problemi difficili in chimica, ottimizzazione e apprendimento automatico. Uno strumento chiave per questa visione è il circuito quantistico parametrizzato: una ricetta quantistica programmabile i cui parametri si sintonizzano per ottenere un compito desiderato. Ma nella pratica, l’addestramento di questi circuiti spesso fallisce perché il paesaggio delle possibili impostazioni è pieno di pianure piatte e trappole fuorvianti, dove gli algoritmi convenzionali rimangono bloccati. Questo articolo introduce un nuovo modo di apprendere tali circuiti permettendo al computer quantistico stesso di indicare la direzione in discesa, aiutando a sfuggire a queste zone morte e rendendo l’apprendimento quantistico più affidabile.

Dove l’apprendimento quantistico si inceppa

La maggior parte dei metodi correnti per l’apprendimento quantistico si affida a un computer classico per regolare i parametri del circuito usando i gradienti—piccoli spostamenti nella direzione che riduce un costo scelto, come energia o errore. Tuttavia, in sistemi quantistici di grandi dimensioni, questi gradienti tendono a diventare estremamente piccoli quasi ovunque. Emergono due problemi correlati. Primo, ci sono punti stazionari locali sfavorevoli: posizioni in cui il gradiente si annulla anche se la soluzione è ancora lontana dall’ottimo, inclusi minimi pessimi e punti di sella. Secondo, ci sono pianure sterili: vaste regioni quasi piatte in cui il gradiente è essenzialmente zero in molte direzioni. In entrambe le situazioni, l’ottimizzatore classico non vede segnali utili e l’addestramento si blocca, specialmente quando il numero di parametri regolabili è molto più piccolo dello spazio degli stati quantistici.

Lasciare che il dispositivo quantistico fornisca la direzione

Gli autori propongono un modello di ottimizzazione annidato che fonde passi quantistici e classici in un ciclo. Invece di calcolare i gradienti solo rispetto ai parametri del circuito, il metodo usa un algoritmo di gradiente quantistico per trovare direttamente la direzione di massima discesa nello spazio degli stati quantistici. In ogni iterazione esterna, il dispositivo quantistico genera un nuovo “stato gradiente” che indica come lo stato corrente dovrebbe cambiare per ridurre una funzione di costo polinomiale generale. Questo stato non è legato a una struttura di circuito fissa. Una routine classica poi cerca di apprendere un nuovo strato di circuito che riproduca questo stato gradiente il più fedelmente possibile, orientando efficacemente il circuito nella direzione raccomandata dal dispositivo quantistico.

Un circuito adattivo che capisce quando è bloccato

Un ingrediente centrale del metodo è un indicatore che verifica se l’addestramento è effettivamente in un buon minimo o semplicemente bloccato con gradienti dei parametri vanishing. All’inizio di ogni iterazione, l’algoritmo misura quanto l’uscita del circuito corrente sia vicina allo stato gradiente derivato dal quantistico. Se corrispondono già bene, l’indicatore è quasi zero, segnalando che sia i gradienti nello spazio degli stati sia quelli nello spazio dei parametri si sono effettivamente annullati e che è probabile sia stato raggiunto un vero ottimo. In caso contrario, il metodo aggiunge automaticamente un nuovo strato poco profondo al circuito e lo addestra a meglio approssimare lo stato gradiente. Questa crescita layer-by-layer, iniziata con uno warm-start, mantiene ogni nuovo strato a esplorare solo una piccola regione rilevante invece di vagare casualmente, il che aiuta a evitare pianure sterili causate da circuiti troppo profondi inizializzati casualmente.

Test su compiti di ottimizzazione difficili

Per mettere il metodo alla prova, gli autori lo simulano su due famiglie di problemi. Una è il problema Max-Cut su grafi piccoli, un banco di prova standard per l’ottimizzazione quantistica. L’altra è la minimizzazione di funzioni polinomiali di ordine superiore con molteplici minimi locali. Sia nelle simulazioni ideali sia in quelle più realistiche dove lo stato gradiente è riprodotto solo approssimativamente usando uno strumento di sintesi del circuito basato su apprendimento per rinforzo, il metodo annidato converge costantemente a soluzioni di alta qualità. L’indicatore diminuisce stabilmente nel corso delle iterazioni, mostrando che l’algoritmo si avvicina a veri minimi piuttosto che trattenersi in trappole o pianure superficiali.

Superare le strategie esistenti nel loro stesso gioco

Il nuovo approccio è anche confrontato con metodi adattivi popolari che espandono i circuiti porta per porta, in particolare ADAPT-VQE, e con l’addestramento a profondità fissa. Su un problema di energia molecolare e su diverse osservabili di riferimento, lo schema annidato ottiene costi finali più bassi in scenari dove gli altri metodi si bloccano. Sembra molto meno sensibile sia alle pianure sterili sia ai punti locali sfavorevoli, sebbene richieda lavoro aggiuntivo: ogni iterazione comporta uno step di gradiente quantistico più un piccolo problema di sintesi del circuito. Gli autori suggeriscono di usare il loro metodo come uno strumento mirato—per esempio, per fuggire da regioni problematiche nelle fasi iniziali dell’addestramento e poi restituire il controllo a ottimizzatori classici meno costosi una volta che il circuito si trova in un paesaggio più favorevole.

Cosa significa questo per il futuro dell’apprendimento quantistico

In termini quotidiani, questo lavoro dà ai computer quantistici un ruolo più attivo nell’imparare a programmare se stessi. Invece di affidarsi solo a ipotesi classiche su come regolare le manopole del circuito, il dispositivo quantistico aiuta a tracciare il percorso in discesa nel proprio spazio degli stati ad alta dimensione. Questa strategia rende più facile evitare regioni piatte e confusive che hanno ostacolato gli approcci precedenti, almeno per una ampia classe di funzioni di costo di tipo polinomiale. Sebbene il metodo non sia gratuito—aggiunge sovraccarico computazionale—offre un modo pratico per rendere i circuiti quantistici parametrizzati più addestrabili, un passo importante verso applicazioni utili di ottimizzazione quantistica e apprendimento automatico quantistico sia sulle macchine rumorose di oggi sia sui dispositivi tolleranti agli errori del futuro.

Citazione: Li, K., Wang, Y., Gao, P. et al. Learning parameterized quantum circuits with quantum gradient. npj Quantum Inf 12, 59 (2026). https://doi.org/10.1038/s41534-025-01179-7

Parole chiave: circuiti quantistici parametrizzati, ottimizzazione quantistica, pianure sterili, gradienti quantistici, algoritmi quantistici variazionali