Impatto del rumore di misura sull’uscita dai punti sella negli algoritmi quantistici variazionali

Perché il rumore quantistico casuale può essere un aiuto nascosto

I computer quantistici odierni sono ancora piccoli e rumorosi, eppure i ricercatori sperano di usarli per affrontare problemi di chimica, materiali e ottimizzazione che mettono in difficoltà le macchine classiche. Una strategia di punta è il Variational Quantum Eigensolver (VQE), che misura ripetutamente un circuito quantistico e ne regola i parametri per abbassare un punteggio di tipo energetico. Poiché ogni misura è intrinsecamente casuale, l’algoritmo non vede mai un segnale perfettamente nitido. Questo studio pone una domanda sottile ma pratica: quel «rumore di sparo» inevitabile è semplicemente un ostacolo, o può in realtà aiutare il VQE a uscire da soluzioni scadenti e trovarne di migliori più rapidamente?

Scalare colline con una bussola sfocata

Il VQE funziona un po’ come un’escursione attraverso un paesaggio di colline e valli, dove l’altezza rappresenta l’energia di un sistema quantistico. L’obiettivo è trovare la valle più profonda, corrispondente allo stato fondamentale. A ogni passo l’algoritmo stima la pendenza del paesaggio e aggiusta i parametri del circuito nella direzione che scende. Su un dispositivo quantistico reale, però, questa pendenza deve essere stimata da un numero finito di misure, o spari. Poiché ogni sparo produce un esito probabilistico, la pendenza stimata oscilla di passo in passo: anche quando la pendenza vera è la stessa, il valore misurato fluttua. Questo trasforma la consueta «discesa del gradiente» liscia in una versione stocastica, o rumorosa, nota come discesa del gradiente stocastica.

Liberarsi dalle creste piatte

Nei paesaggi ad alta dimensione, i principali ostacoli spesso non sono valli locali ma punti sella—creste piatte che sembrano una valle da alcune direzioni e una collina da altre. Un algoritmo puramente deterministico può scivolare lungo questi altipiani per molto tempo prima di trovare una via d’uscita, sprecando preziose misure quantistiche. Gli autori mostrano che la casualità derivante dalle misure a spari finiti può far deviare i parametri da tali punti sella più rapidamente. Simulando il VQE su modelli di spin quantistici interagenti, trovano che il tempo necessario per fuggire da un punto sella si riduce in modo regolare all’aumentare del livello di rumore efficace. In modo cruciale, questo livello di rumore dipende da due manopole sotto il controllo dell’utente: il tasso di apprendimento (quanto grande è ciascun passo dei parametri) e il numero di spari usati per stimare ogni gradiente.

Un quadro continuo per un processo a passi

Pur aggiornando i parametri in passi discreti, gli autori modellano il comportamento del VQE con un’equazione di moto casuale continua, simile a quelle usate in fisica per descrivere particelle spinte dal rumore termico. In questo quadro, il tasso di apprendimento assume il ruolo di incremento temporale, e la casualità degli esiti di misura si manifesta come una forza fluttuante. Questo formalismo predice che ciò che conta davvero per uscire dai punti sella è una quantità combinata costruita dal tasso di apprendimento e dal numero di spari, che agisce come una forza di rumore efficace. Il gruppo verifica con cura dove questa approssimazione funziona e dove fallisce, trovando che sebbene non catturi perfettamente le fluttuazioni stazionarie a lungo termine, descrive con precisione il comportamento transiente cruciale dell’abbandono dei punti sella e delle soglie di stato eccitato.

Come si compensano rumore, dimensione del passo e budget di misura

Scansionando diversi tassi di apprendimento e conteggi di spari nelle loro simulazioni, i ricercatori scoprono regole di potenza semplici: a grandi linee, il tempo per fuggire da un punto sella diminuisce come una potenza fissa della forza di rumore effettiva. Ciò significa che aumentare il tasso di apprendimento o diminuire il numero di spari per passo può avere effetti quasi equivalenti sulla rapidità con cui l’algoritmo supera un altipiano. Definiscono inoltre un costo complessivo di misura—il numero totale di spari quantistici necessari per liberarsi—e mostrano come questo scala con lo stesso parametro di rumore efficace. Estendendo lo studio a sistemi più grandi, fino a sei qubit, emerge che la fuga favorita dal rumore funziona meglio quando il paesaggio attorno a un punto stazionario ha molte direzioni instabili; in regimi fortemente sovra-parametrizzati, dove queste direzioni scarseggiano, un rumore aggiuntivo rende poco vantaggio.

Che cosa significa per i futuri algoritmi quantistici

Per i non specialisti, la conclusione principale è che non tutto il rumore quantistico è puramente dannoso. La casualità inevitabile negli esiti di misura può, nelle giuste condizioni, aiutare il VQE a scivolare via da regioni piatte o marginalmente stabili e a muoversi verso soluzioni migliori in modo più efficiente. Il lavoro fornisce una ricetta concreta per pensare il compromesso tra tasso di apprendimento e numero di misure in termini di una singola forza di rumore efficace, e chiarisce quando un modello continuo e liscio predice in modo affidabile il comportamento reale dell’ottimizzazione. Con il miglioramento dell’hardware quantistico e l’affrontare di problemi VQE più grandi, queste intuizioni possono guidare i praticanti nella scelta di dimensioni di passo, budget di spari e progettazioni di circuito che sfruttino al meglio le risorse quantistiche limitate—talvolta permettendo a un po’ di rumore di svolgere un lavoro utile.

Citazione: Kaminishi, E., Mori, T., Sugawara, M. et al. Impact of measurement noise on escaping saddles in variational quantum algorithms. Sci Rep 16, 9390 (2026). https://doi.org/10.1038/s41598-026-40123-3

Parole chiave: variational quantum eigensolver, rumore di misura, discesa del gradiente stocastica, fuga da punti sella, ottimizzazione quantistica