The Pulse
I circuiti generati dall’IA di IonQ mantengono il tempo di individuazione vicino ai 28 secondi
IonQ ha dichiarato che i ricercatori dell’Oak Ridge National Laboratory, di NVIDIA e dell’University of Tennessee, Knoxville hanno addestrato un modello generativo a scrivere direttamente circuiti di ottimizzazione quantistica, mantenendo p
AI.info Team ·
Il DQAOA-GPT di IonQ sostituisce il ciclo di messa a punto
Il 16 settembre IonQ ha dichiarato che ricercatori dell’Oak Ridge National Laboratory, di NVIDIA e dell’University of Tennessee, Knoxville, hanno addestrato un modello generativo capace di scrivere direttamente circuiti di ottimizzazione quantistica. Il lavoro, presentato all’IEEE Quantum Week di Toronto, affronta uno dei principali costi dell’ottimizzazione quantistica ibrida: eseguire ripetutamente un circuito, misurarne l’output, modificare i parametri e rieseguirlo.
La ricerca presenta DQAOA-GPT, un sistema ibrido che combina l’ottimizzazione quantistica approssimata distribuita con la generazione di circuiti basata su GPT. Invece di cercare i parametri del circuito attraverso un processo variazionale iterativo, il modello produce circuiti candidati per parti più piccole di un problema di ottimizzazione più ampio.
«Tradizionalmente, per ottenere risposte migliori nell’ottimizzazione quantistica ibrida si è dovuto pagare un prezzo elevato in termini di messa a punto. In questo benchmark, l’IA generativa ha sostituito il ciclo di messa a punto iterativo e, man mano che i sottoproblemi quantistici crescevano, la qualità delle soluzioni migliorava. Eliminando questo costo, si può lavorare su problemi di dimensioni tali da rendere significativa la risposta. Il risultato offre un possibile percorso per ampliare l’ottimizzazione quantistica ibrida, aprendo la strada a capacità e scale del tutto nuove, in linea con le generazioni attuali e future di hardware per il calcolo quantistico di IonQ», ha dichiarato il dottor Martin Roetteler, vicepresidente per la ricerca e sviluppo nelle applicazioni quantistiche di IonQ e coautore dell’articolo.
100 variabili, dieci candidati per sottoproblema
Il team ha testato l’approccio su problemi di ottimizzazione binaria non vincolata, densa e di ordine superiore, con un massimo di 100 variabili decisionali. L’ottimizzazione quantistica distribuita suddivide i problemi più grandi in sottoproblemi più piccoli, li risolve separatamente e combina i risultati in una soluzione globale.
L’addestramento è iniziato con esecuzioni di ottimizzazione convenzionale su numerosi problemi campionati. I ricercatori hanno selezionato circuiti quasi ottimali e hanno usato quegli esempi per addestrare un modello transformer sulle istruzioni dei circuiti, anziché sul testo. In fase di inferenza, DQAOA-GPT ha generato dieci circuiti candidati per ogni sottoproblema; i ricercatori li hanno simulati e valutati tutti e dieci, poi hanno usato il candidato migliore per aggiornare la soluzione complessiva.
IonQ ha dichiarato che, nel benchmark con 100 variabili, la qualità delle soluzioni generate dal modello è all’incirca raddoppiata con l’aumento delle dimensioni dei sottoproblemi. L’annuncio non riporta i dati specifici di accuratezza citati in alcuni resoconti.
Il tempo per trovare i circuiti è rimasto vicino a 28 secondi nella simulazione
La differenza maggiore è emersa nel tempo necessario a trovare i circuiti. Con il precedente metodo allo stato dell’arte, il tempo richiesto per trovare circuiti è aumentato da circa 34 secondi per quattro qubit a oltre 11 minuti per 12 qubit. DQAOA-GPT è rimasto vicino a 28 secondi per tutte le dimensioni testate.
Entrambi i metodi sono stati eseguiti sulla stessa infrastruttura, consentendo ai ricercatori di confrontare i flussi di lavoro per la generazione dei circuiti, anziché il calcolo quantistico con l’ottimizzazione classica. Gli esperimenti hanno utilizzato il software cuQuantum di NVIDIA tramite CUDA-Q su una singola GPU NVIDIA H200 nel sistema Defiant2 dell’Oak Ridge Leadership Computing Facility.
Il risultato riportato è un confronto tra due flussi di lavoro di ottimizzazione quantistica. Non dimostra che il metodo generativo sia superiore all’ottimizzazione classica e i circuiti sono stati simulati, non eseguiti su hardware quantistico.
Risultati di benchmark, non una dimostrazione su hardware
Questa distinzione limita ciò che dimostra l’annuncio del 16 settembre. Lo studio convalida il metodo di generazione dei circuiti su scala di benchmark, ma non mostra i circuiti in esecuzione su un processore IonQ né dimostra un vantaggio rispetto ai solver classici consolidati.
Il preprint, inviato ad arXiv il 22 luglio, descrive DQAOA-GPT come un framework per ambienti ibridi di calcolo ad alte prestazioni e calcolo quantistico. Gli autori affermano che risorse GPU più ampie ed esecuzioni parallele potrebbero supportare problemi di ottimizzazione combinatoria più grandi, ma nel documento queste applicazioni non sono ancora state dimostrate.
ORNL prevede test nel mondo reale
Lo studio è stato condotto da ORNL, con autori del suo National Center for Computational Sciences e della Materials Science and Technology Division, di IonQ, di NVIDIA e dell’University of Tennessee. L’articolo di ricerca indica come autori Seongmin Kim, Abhinav Rijal, Yuri Alexeev, Nora Bauer, Martin Roetteler, Mina Yoon, George Siopsis e In-Saeng Suh.
«L’IA può diventare un nuovo livello computazionale per la sintesi di circuiti quantistici, consentendo la progettazione e l’ottimizzazione automatica di circuiti quantistici per problemi sempre più complessi. Stiamo ora ampliando il framework per applicazioni scientifiche e ingegneristiche nel mondo reale e lo stiamo estendendo a sistemi HPC più grandi, per affrontare problemi di scala e complessità ancora maggiori», hanno dichiarato il dottor In-Saeng Suh e il dottor Seongmin Kim del National Center for Computational Sciences, ORNL.
Per ora, il risultato concreto è più circoscritto: un transformer addestrato su circuiti esemplari di buona qualità ha contenuto l’aumento del tempo di generazione dei circuiti in un benchmark di ottimizzazione simulato con 100 variabili. L’articolo e il framework associato al codice sono disponibili nel preprint DQAOA-GPT, mentre l’annuncio di IonQ riporta il confronto dei tempi di esecuzione misurati nella collaborazione.