hdblog.it
Una recente ricerca condotta negli Stati Uniti ha messo in luce come un computer quantistico sia riuscito a superare le prestazioni dei più potenti supercomputer esistenti in specifici test di ottimizzazione approssimata. Lo studio, guidato dall’Università della Southern California (USC), ha segnato la prima dimostrazione di un vantaggio quantistico scalabile nella risoluzione di problemi di ottimizzazione che non richiedono una soluzione esatta, ma un valore che si avvicini all’ottimale (con una tolleranza dell’1% o superiore).
Un esempio citato dai ricercatori riguarda la selezione di titoli azionari per un fondo comune d’investimento: spesso è sufficiente superare un indice di mercato di riferimento, senza la necessità di individuare la combinazione di azioni assolutamente migliore tra tutte le opzioni disponibili.
Il professor Daniel Lidar, autore principale dello studio e docente presso la USC Viterbi School of Engineering, ha spiegato come il calcolo quantistico ad annealing sfrutti i principi della fisica quantistica per identificare stati di bassa energia all’interno di sistemi quantistici. Questi stati di bassa energia corrispondono a soluzioni ottimali o quasi ottimali per i problemi affrontati.
Per questa dimostrazione, i ricercatori hanno utilizzato un processore quantistico ad annealing D-Wave Advantage, un dispositivo specializzato installato presso l’Information Sciences Institute della USC. Come accade per tutti i computer quantistici attuali, il “rumore” (interferenze esterne) rappresenta una sfida significativa nel preservare il vantaggio quantistico nell’annealing quantistico.
Il team di ricerca ha implementato una tecnica chiamata correzione dell’annealing quantistico (QAC) sul processore D-Wave per mitigare questo problema. Attraverso questa implementazione, sono stati creati oltre 1.300 qubit logici con soppressione degli errori.
Questa soppressione degli errori è stata fondamentale per ottenere un vantaggio rispetto al “parallel tempering with isoenergetic cluster moves” (PT-ICM), considerato l’algoritmo classico più efficiente per problemi comparabili. I risultati dello studio, pubblicati sulla rivista Physics Review Letters, forniscono prove concrete di un vantaggio di scalabilità dell’annealing quantistico nell’ottimizzazione approssimata. I ricercatori hanno sottolineato che questo vantaggio è stato osservato rispetto al miglior algoritmo euristico classico disponibile.
L’esperimento ha evidenziato come, grazie alla tecnica QAC, l’annealing quantistico mostri un vantaggio di scalabilità rispetto al PT-ICM nel campionamento di stati di bassa energia con uno scarto di ottimalità di almeno l’1.0%. Questa rappresenta la prima dimostrazione di un’accelerazione algoritmica quantistica nell’ambito dell’ottimizzazione approssimata.
Il gruppo di ricerca punta ora ad estendere i propri risultati a problemi più densi e ad alta dimensionalità, esplorando al contempo applicazioni in scenari di ottimizzazione reali. Il professor Lidar ha aggiunto che ulteriori progressi nell’hardware quantistico e nelle tecniche di soppressione degli errori potrebbero amplificare ulteriormente il vantaggio osservato.
