Un nuovo metodo per valutare le prestazioni dei computer quantistici
Un nuovo metodo per valutare le prestazioni dei computer quantisticiUn gruppo di esperti internazionali ha sviluppato un nuovo metodo per valutare le prestazioni dei computer quantistici, utilizzando la fisica matematica per ottenere metriche significative da sequenze di dati casuali. Questo strumento può caratterizzare le operazioni quantistiche e confrontarle con il calcolo tradizionale, richiedendo una quantità di dati logaritmicamente inferiore per ottenere intuizioni più profonde.
Il campo del calcolo quantistico sta progredendo rapidamente, ma man mano che i computer quantistici aumentano in dimensioni e complessità, diventano meno simili a uno strumento e più simili a una misteriosa ‘scatola nera’. Un team che utilizza la fisica matematica è ora riuscito a aprire questa scatola, riuscendo a estrarre metriche concrete da sequenze di dati apparentemente casuali. Queste metriche servono come benchmark per valutare le prestazioni dei computer quantistici.
Efficienza nei calcoli quantistici
I computer quantistici possono essere utilizzati per calcolare i sistemi quantistici in modo molto più efficiente e risolvere problemi nella ricerca sui materiali, ad esempio. Tuttavia, più i computer quantistici diventano grandi e complessi, meno trasparenti diventano i processi che portano al risultato. Sono quindi necessari strumenti adeguati per caratterizzare tali operazioni quantistiche e per confrontare in modo equo le capacità dei computer quantistici con la potenza di calcolo classica per gli stessi compiti. Un tale strumento con sorprendenti talenti è stato ora sviluppato da un team guidato dal Prof. Jens Eisert e Ingo Roth.
Intuizioni da sequenze di test casuali
Roth, che sta attualmente creando un gruppo presso il Technology Innovation Institute di Abu Dhabi, spiega: “Dai risultati di sequenze di test casuali, possiamo ora estrarre diversi numeri che mostrano quanto vicine sono le operazioni alla media statistica delle operazioni desiderate. Questo ci permette di imparare molto di più dagli stessi dati rispetto a prima. E ciò che è fondamentale: la quantità di dati necessari non cresce linearmente, ma solo logaritmicamente”.
Questo significa: per imparare cento volte di più, sono necessari solo il doppio dei dati. Un miglioramento enorme. Il team è stato in grado di dimostrare questo utilizzando metodi della fisica matematica.
“Si tratta di valutare le prestazioni dei computer quantistici”, afferma Eisert, che dirige un gruppo di ricerca congiunto sulla fisica teorica presso l’Helmholtz-Zentrum Berlin e la Freie Universität Berlin. “Abbiamo dimostrato come i dati casuali possono essere utilizzati per calibrare tali sistemi. Questo lavoro è importante per lo sviluppo dei computer quantistici”.
Riferimento: “Shadow estimation of gate-set properties from random sequences” di J. Helsen, M. Ioannou, J. Kitzinger, E. Onorati, A. H. Werner, J. Eisert e I. Roth, 19 agosto 2023, Nature Communications.
DOI: 10.1038/s41467-023-39382-9