L'algebra di Lie delle topologie XY-mixer e il warm starting di QAOA per l'ottimizzazione vincolata

Punti di partenza più intelligenti per risolvere problemi quantistici

Molte decisioni del mondo reale, dalla scelta di un portafoglio azionario al raggruppamento di oggetti in una rete, si riducono a esplorare un numero enorme di possibilità per trovare la migliore. I computer quantistici promettono di accelerare questa ricerca, ma i dispositivi odierni faticano ad addestrare i programmi quantistici usati per tali compiti. Questo articolo esplora come una particolare famiglia di circuiti quantistici, costruita a partire dalle cosiddette interazioni XY, possa essere organizzata e inizializzata in modo da risultare sia potente sia addestrabile, portando a soluzioni migliori per problemi di ottimizzazione difficili con vincoli pratici.

Perché la forma del circuito quantistico conta

Gli algoritmi quantistici variazionali funzionano un po' come accordare gli strumenti musicali: si regolano ripetutamente i parametri di un circuito quantistico per minimizzare una funzione di costo che codifica il problema. Gli autori si concentrano sul Quantum Approximate Optimization Algorithm (QAOA), ampiamente studiato per risolvere compiti combinatori complessi. Un ingrediente chiave del QAOA è la parte «mixer» del circuito, che sposta gli stati quantistici nello spazio delle possibili risposte. Gli XY-mixer sono particolarmente interessanti quando sono ammesse soltanto certe risposte, come le soluzioni che selezionano esattamente k elementi su n. Essi preservano automaticamente questo tipo di vincolo di «cardinalità» scambiando eccitazioni tra i qubit anziché crearle o distruggerle.

Quando i circuiti espressivi diventano non addestrabili

C'è però un problema: i circuiti quantistici molto flessibili tendono ad essere difficili da addestrare. Man mano che i circuiti diventano più espressivi, il paesaggio della funzione di costo sui parametri può diventare estremamente piatto, un fenomeno noto come barren plateau. In questo regime i gradienti sono esponenzialmente piccoli e l'apprendimento si blocca. L'articolo studia questa questione attraverso la lente dell'«algebra di Lie dinamica» associata a un circuito, che cattura tutte le trasformazioni raggiungibili combinando le sue porte. Se tale algebra cresce solo polinomialmente con il numero di qubit, i gradienti sono tipicamente sani e l'addestramento è efficiente; se cresce esponenzialmente, ci si può aspettare barren plateau. Analizzando sistematicamente diversi modi di connettere le porte XY — per esempio disporle in linea, ad anello o connettere tutti i qubit tra loro — gli autori mostrano che semplici configurazioni unidimensionali portano ad algebre di dimensione modesta e polinomiale, mentre topologie completamente connesse o l'aggiunta di molte interazioni a due qubit di tipo Z fanno rapidamente esplodere l'algebra fino a dimensione esponenziale.

Usare circuiti semplici per riscaldare quelli complessi

Invece di rinunciare ai circuiti espressivi, gli autori propongono una strategia di «warm starting». Partono da un circuito QAOA ristretto che utilizza porte XY disposte in ciclo, insieme a rotazioni monoqbit intorno all'asse Z. Questa configurazione ridotta ha un'algebra di dimensione polinomiale, quindi può essere addestrata in modo efficiente e persino simulata classicamente per alcuni calcoli. In questa fase gli ingredienti più problematici — in particolare un gran numero di porte di interazione ZZ che rendono il circuito altamente espressivo — sono tenuti effettivamente disattivati. Una volta trovati buoni parametri per il circuito semplice, questi valori vengono trasferiti al circuito completo e più potente, e solo allora le porte aggiuntive vengono attivate e messe a punto.

Mettere alla prova i warm start

Gli autori testano questa idea su tre famiglie importanti di problemi di ottimizzazione vincolata. Nell'ottimizzazione di portafoglio, il compito è scegliere un numero fisso di asset per bilanciare rendimento atteso e rischio, usando dati di mercato reali dell'indice S&P 500. Nel partizionamento di grafi bisogna dividere i nodi di una rete in due metà uguali tagliando il minor numero possibile di collegamenti. Nel problema del k-subgraph più sparso, l'obiettivo è selezionare un sottoinsieme di nodi di dimensione fissa che abbia il minor numero possibile di collegamenti interni. Per ciascun compito codificano la funzione di costo in un Hamiltoniano quantistico e usano QAOA con XY-mixer che preservano i vincoli richiesti. Su molte istanze e profondità di circuito, l'approccio con warm start raggiunge costantemente rapporti di approssimazione più elevati (energie più vicine al miglior valore possibile) e probabilità di successo maggiori (più peso sulle soluzioni ottimali reali) rispetto a circuiti inizializzati con parametri casuali, con un vantaggio che cresce con la dimensione del problema.

Migliori risposte quantistiche da inizi migliori

Per un non specialista, il messaggio principale è che il modo in cui si cabla e si inizializza un circuito quantistico può essere importante quanto la sua potenza sulla carta. Scegliendo con cura disposizioni di XY-mixer la cui struttura matematica è relativamente semplice e addestrando prima in questo regime più gentile prima di passare a circuiti più complessi, gli autori evitano alcune delle peggiori patologie di addestramento che affliggono gli algoritmi quantistici moderni. I loro risultati mostrano che il warm-starting di QAOA in questo modo può migliorare sostanzialmente la qualità delle soluzioni per problemi realistici e ricchi di vincoli, e indicano un principio di progettazione più ampio: usare sottocircuiti matematicamente miti come trampolini di lancio per domare calcoli quantistici altrimenti ingovernabili.

Citazione: Kordonowy, S., Leipold, H. The Lie algebra of XY-mixer topologies and warm starting QAOA for constrained optimization. npj Quantum Inf 12, 61 (2026). https://doi.org/10.1038/s41534-026-01192-4

Parole chiave: algoritmi quantistici variazionali, QAOA, XY mixer, ottimizzazione vincolata, warm start