Collegare le fasi della materia alla piattezza del paesaggio di perdita negli algoritmi variazionali quantistici analogici

Perché questo conta per i futuri computer quantistici

Man mano che i computer quantistici passano da curiosità di laboratorio a strumenti pratici, emerge una sfida importante: molti algoritmi promettenti diventano impossibili da addestrare al crescere dei dispositivi. Questo articolo esplora un modo sorprendente per affrontare il problema prendendo in prestito idee dalla fisica della materia condensata. Gli autori mostrano come diverse “fasi” della materia quantistica — modi in cui un sistema a molti corpi si organizza — possano rendere gli algoritmi variazionali quantistici o addestrabili o sostanzialmente bloccati, e propongono una strategia per mantenerli addestrabili su hardware quantistico analogico.

Apprendimento quantistico che funziona con l'hardware

Gli algoritmi variazionali quantistici usano un dispositivo quantistico per preparare uno stato quantistico regolabile e un computer classico per aggiustare i controlli fino a minimizzare una quantità obiettivo, come l'energia o un costo. La maggior parte dei progetti esistenti è “digitale”: costruisce stati tramite lunghe sequenze di porte logiche. Pur essendo flessibili, questi circuiti possono essere troppo espressivi, esplorando vaste regioni dello spazio degli stati quantistici non necessarie per il compito. In sistemi di grande dimensione questo può causare il cosiddetto problema delle pianure sterili, dove il paesaggio di perdita diventa quasi perfettamente piatto e i gradienti decadono esponenzialmente con la dimensione del sistema. Invece di assemblare lunghe sequenze di porte, gli autori studiano un approccio “analogico”: lasciare che una catena di spin quantistici evolva sotto le sue interazioni naturali attraverso una serie di cambiamenti improvvisi, o quench, direttamente implementabili su piattaforme come ioni intrappolati, atomi Rydberg e circuiti superconduttori. Controllando il disordine nella catena di spin, possono collocare ogni quench in una delle due fasi distinte della materia, termalizzata o localizzata a molti corpi, e investigare come quella scelta influisca sul comportamento dell’algoritmo.

Due fasi, due paesaggi di apprendimento molto diversi

Nella fase termalizzata, il sistema si comporta in modo caotico: le interazioni e un debole disordine diffondono rapidamente informazioni ed entanglement su tutti gli spin, spingendo la catena verso stati che somigliano a quelli prodotti da un processo quantistico pienamente casuale. Nella fase di localizzazione a molti corpi (MBL), un forte disordine impedisce questo tipo di mescolamento. I pattern locali nello stato iniziale rimangono visibili per tempi molto lunghi e l’entanglement cresce solo lentamente. Gli autori usano misure quantitative di quanto l’ansatz dell’algoritmo esplori lo spazio delle possibili evoluzioni quantistiche — la sua espressività — e collegano questo a quanto il paesaggio di perdita si appiattisce. Trovano che entrambe le fasi diventano massimamente espressive se si applicano abbastanza quench, ma la fase termalizzata raggiunge quel regime molto prima. Quando ciò avviene, la varianza della funzione di perdita, e dunque i gradienti necessari per l’apprendimento, si riducono esponenzialmente con il numero di qubit, segnalando pianure sterili. Nella fase MBL, lo stesso destino si verifica alla fine, ma solo dopo molti più quench.

Collegare la crescita dell’entanglement alla addestrabilità

Perché la fase MBL ritarda l’insorgenza di paesaggi piatti? Gli autori ricondurranno questo effetto a come si accumula l’entanglement. Nel regime termalizzato, ogni quench produce un grande salto di entanglement tra parti della catena di spin, e il sistema imita rapidamente stati completamente casuali. Questo rapido scrambing cancella la struttura del paesaggio di perdita, rendendo i gradienti estremamente piccoli. Al contrario, il regime MBL genera entanglement molto più lentamente e in modo più localizzato. Numericamente, il numero di quench necessari perché la varianza della perdita si saturi segue da vicino il numero necessario perché anche l’entanglement si saturi, e il divario tra le due fasi cresce approssimativamente in modo lineare con la dimensione del sistema. Ciò significa che esiste una finestra ampia in cui l’ansatz basato su MBL è già abbastanza espressivo ma non è ancora caduto in una pianura sterile, mentre l’ansatz termalizzato è già non addestrabile.

Una strategia di inizializzazione che evita il fallimento precoce

Sulla base di questa intuizione, gli autori propongono una regola pratica per impostare algoritmi variazionali analogici. Scegliere un numero intermedio di quench e inizializzare il sistema nella fase MBL: la stessa profondità che sarebbe già troppo profonda e piatta nella fase termalizzata rimane addestrabile nella fase MBL. Durante l’ottimizzazione, i parametri di controllo sono poi liberi di allontanarsi dalla localizzazione stretta se necessario, accedendo a maggiore espressività senza essere partiti in una regione piatta. Test su esempi piccoli ma non banali supportano questo quadro. Per alcuni problemi la cui struttura si adatta strettamente all’hardware, una configurazione termalizzata superficiale può dare buone prestazioni. Ma per obiettivi più generici, come trovare lo stato fondamentale di una catena di Heisenberg o risolvere istanze casuali di Max-Cut, l’inizializzazione basata su MBL a profondità intermedia offre precisione energetica significativamente migliore e soluzioni di qualità superiore, con convergenza più affidabile e meno istanze bloccate in minimi poveri.

Cosa significa per la scalabilità degli algoritmi quantistici

Lo studio suggerisce che la fisica delle fasi quantistiche non è solo un ostacolo o una curiosità, ma uno strumento per progettare architetture di apprendimento quantistico migliori. Sintonizzando un dispositivo analogico in un regime di localizzazione a molti corpi per l’inizializzazione, si può ritardare l’insorgenza delle pianure sterili mantenendo abbastanza flessibilità per approssimare stati complessi nelle fasi successive dell’addestramento. Gli autori sottolineano che non si tratta di una cura miracolosa: le pianure sterili e altri problemi, come cattivi minimi locali, possono comunque presentarsi, e il metodo è in gran parte agnostico rispetto al problema. Tuttavia, offre linee guida concrete e consapevoli dell’hardware per costruire algoritmi variazionali quantistici analogici più scalabili e indica un programma più ampio in cui concetti come localizzazione, cristalli temporali o ordine topologico contribuiscono a modellare i paesaggi di apprendimento dei futuri computer quantistici.

Citazione: Srimahajariyapong, K., Thanasilp, S. & Chotibut, T. Connecting phases of matter to the flatness of the loss landscape in analog variational quantum algorithms. Commun Phys 9, 111 (2026). https://doi.org/10.1038/s42005-026-02528-4

Parole chiave: algoritmi variazionali quantistici, simulazione quantistica analogica, localizzazione a molti corpi, pianure sterili, apprendimento automatico quantistico