I computer quantistici basati su porte logiche richiedono software specializzati, i compilatori, per tradurre in istruzioni di basso livello le istruzioni quantistiche. I compilatori quantistici basati su tecniche di apprendimento per rinforzo permetteranno un tempo di interrogazione e un numero di istruzioni minimo, che può essere in via di principio sfruttato per calcolo quantistico basato su un codice aggiornato in tempo reale e per minimizzare il rumore quantistico.
Stato del brevetto
DEPOSITATO
Numero di priorità
102021000006179
Data di priorità
16/03/2021
Licenza
ITALIA
Mercato
Il mercato dei computer quantistici è stato valutato 252.2 milioni di dollari e la proiezione è che raggiunga 1.8 miliardi di dollari nel 2028.
Problema
L’architettura dei computer quantistici basati su porte logiche richiede strati di computazione software dedicati alla compilazione di algoritmi quantistici di alto livello in circuiti di porte logiche quantistiche di basso livello. A causa del rumore quantistico e della fragilità delle proprietà quantistiche che caratterizzano la computazione, sono necessarie delle strategie di compilazione efficienti in grado di costruire circuiti ottimizzati in tempi rapidi, di ridurre il rumore e di ottimizzare le risorse quantistiche a disposizione. Gli approcci tradizionali richiedono tempi di computazione elevati, non adatti a essere impiegati nel mentre che si sta svolgendo una computazione quantistica. Un compilatore quantistico tramite l’impiego di intelligenza artificiale addestrata attraverso molteplici iterazioni di apprendimento per rinforzo, consente di creare operazioni a singolo qubit in un tempo computazionale minimo.
Limiti attuali tecnologie / Soluzioni
Esistono diverse strategie ed algoritmi con i quali realizzare dei compilatori quantistici ognuna con prestazioni differenti. Queste possono essere misurate e confrontate utilizzando tre metriche: il numero di porte logiche impiegate per costruire il circuito, il tempo di esecuzione e il tempo di precompilazione. Indipendentemente dal compilatore quantistico impiegato, queste metriche non possono scalare contemporaneamente in maniera ottimale. Compilatori basati sul teorema di Solovay-Kitaev forniscono circuiti quantistici bilanciando queste tre metriche, anche se esistono diverse formulazioni ed implementazioni con prestazioni differenti. Tuttavia, queste strategie richiedono set di porte logiche quantistiche di basso livello specifiche. Invece, altre strategie di compilazione come la KAK decomposition, presentano migliori prestazioni, ma sono specifiche per compilazioni di circuiti a pochi qubit. Recentemente sono stati proposte strategie di compilazione basate su techniche di machine learning e intelligenza artificiale. Sebbene queste tecniche promettano circuiti ottimizzati, generalmente presentano alti tempi di esecuzione a causa del numero limitato di passi di precompilazione che possono impiegare.
Killer Application
Il campo tecnico generale di applicazione della presente invenzione è la computazione quantistica e in particolare la compilazione quantistica a supporto della computazione quantistica. Quest’ultima presenta numerose applicazioni nella sicurezza informatica, nella finanza, nella drug discovery, fino alle energie rinnovabili.
Tecnologia e nostra soluzione
Il metodo di compilazione quantistica, attraverso l’impiego di intelligenza artificiale addestrata attraverso molteplici iterazioni di apprendimento per rinforzo, consente di compilare algoritmi quantistici di alto livello in circuiti di porte logiche quantistiche di basso livello con una singola procedura di apprendimento. La tecnologia sfrutta una rete neurale che viene addestrata attraverso l’apprendimento per rinforzo. All’inizio di ogni interazione di apprendimento il circuito quantistico è vuoto e viene costruito iterativamente attraverso l’interazione con la rete neurale che decide quale porta logica quantistica appendere al circuito. In particolare ad ogni iterazione di apprendimento, alla rete viene passata l’informazione sul particolare algoritmo quantistico che si vuole compilare e sulle porte logiche quantistiche di basso livello che compongono il circuito. Basandosi su queste informazioni la rete decide quale porta logica di basso livello appendere al circuito, scegliendo tra un set di porte logiche di basso livello a disposizione. Alla fine della procedura di apprendimento è possibile richiamare la strategia di compilazione codificata nei pesi della rete in un tempo minimo, compilando un generico circuito quantistico.
Vantaggi
Addestrando una rete neurale e codificando la soluzione del problema nei pesi della rete, è possibile ridurre notevolmente i tempi di esecuzione che può essere in via di principio sfruttato per calcolo quantistico basato su un codice aggiornato in tempo reale. Inoltre, impiegando un algoritmo di apprendimento per rinforzo, la procedura di addestramento può impiegare un set arbitrario di porte logiche di basso livello, rendendo il compilatore indipendente dalla tecnologia hardware.
Roadmap
La validazione e la realizzazione di un compilatore quantistico richiede ulteriori passi di sviluppo. In particolare vi è bisogno di: 1) estendere il compilatore con un approccio multi qubit. 2) integrazione dell’algoritmo con le prinicpali piattaforme di sviluppo software quantistici.
TRL
Team
