The Signal
Il team di Alice & Bob traccia un diagramma di fase dissipativo con 7 volte meno calcoli
Un metodo variazionale ha ridotto di un fattore sette il numero di calcoli esatti dello stato stazionario necessari per tracciare un diagramma di fase dissipativo simulato. L’articolo riporta anche un’ulteriore riduzione di un fattore tre g
Quantum.world Team · Scritto con l’IA · verificato ·
Sette volte meno calcoli esatti dello stato stazionario: sono i punti di riferimento in meno di cui la teoria delle perturbazioni variazionale ha avuto bisogno, rispetto alla teoria delle perturbazioni standard, per tracciare un diagramma di fase dissipativo simulato. Il risultato è di ricercatori di Alice & Bob, il cui articolo, pubblicato su Quantum il 22 ottobre 2026, affronta un onere computazionale concreto: ripetere un calcolo costoso ogni volta che cambia un parametro del sistema.
Riutilizzare le soluzioni nello spazio dei parametri
I sistemi quantistici aperti scambiano energia o informazioni con l’ambiente circostante. Il loro comportamento a lungo termine è spesso descritto da uno stato stazionario, che può mostrare come un dispositivo risponde quando è sottoposto a una sollecitazione e a una dissipazione prolungate. Ma i ricercatori potrebbero dover calcolare quello stato per molte combinazioni di impostazioni, per esempio per tracciare un diagramma di fase o adattare un modello alle misurazioni.
Per ogni combinazione di parametri, un metodo numerico diretto può risolvere l’equazione maestra di Lindblad del sistema. La teoria delle perturbazioni standard offre una scorciatoia: sviluppa lo stato stazionario intorno a un punto di riferimento e usa poi tale sviluppo per le impostazioni vicine. La sua portata, però, è limitata e i calcoli convenzionali si basano su un’operazione matriciale numericamente costosa chiamata pseudoinversa di Moore–Penrose.
André Melo, Gaspard Beugnot e Fabrizio Minganti sostituiscono i consueti coefficienti fissi della serie di potenze con coefficienti scelti tramite un calcolo variazionale a bassa dimensionalità. Il loro metodo, che chiamano teoria delle perturbazioni variazionale, riutilizza le correzioni perturbative ottenute da un punto di riferimento per approssimare lo stato stazionario nelle sue vicinanze. Gli autori presentano anche una versione multipunto che combina informazioni provenienti da diversi punti di riferimento.
Una portata più ampia, con maggiore attenzione vicino alle transizioni
In un modello di risonatore di Kerr soggetto a sollecitazione e dissipazione, il team ha variato la desintonizzazione e l’intensità della sollecitazione per tracciare una regione che comprende una transizione tra stati con molti e pochi fotoni. La teoria delle perturbazioni standard ha richiesto un campionamento fitto vicino alla transizione, dove il sistema cambia in modo non analitico e il gap del Liouvilliano si chiude. La teoria delle perturbazioni variazionale ha coperto il diagramma di fase esaminato con sette volte meno punti in cui i ricercatori hanno dovuto calcolare direttamente lo stato stazionario.
Nella versione multipunto, l’uso di informazioni provenienti da punti di riferimento vicini ha ridotto il numero di quei calcoli diretti di un ulteriore fattore tre rispetto al metodo variazionale a punto singolo, nello stesso esercizio di mappatura. Il vantaggio ha un limite: secondo l’articolo, la teoria delle perturbazioni variazionale funziona meno bene vicino ai punti critici e, per risolvere con precisione la transizione, richiede una tolleranza d’errore più stretta. Aumentare l’ordine dello sviluppo può estendere la copertura, ma gli autori individuano anche un compromesso: la rappresentazione che ne risulta diventa meno compatta.
«Proponiamo due metodi indipendenti dal modello, basati sulla VPT, che evitano di calcolare la pseudoinversa del Liouvilliano e consentono entrambi anche di differenziare lo stato stazionario».
André Melo, Gaspard Beugnot e Fabrizio Minganti, autori dell’articolo
Dai risonatori alla stima dei parametri per gli stati del gatto di Schrödinger
L’articolo mette alla prova l’approccio su più di un modello. In un sistema simulato composto da una memoria superconduttiva e un buffer, progettato per ospitare stati del gatto di Schrödinger, gli autori hanno usato stime variazionali dei gradienti dello stato stazionario per stimare tre parametri ignoti: un’intensità di accoppiamento, un’ampiezza della sollecitazione e una non linearità di Kerr. Partendo da una stima casuale, il loro algoritmo di ottimizzazione ha recuperato i parametri entro 15 iterazioni su dati spettroscopici generati numericamente e affetti da rumore.
Questa prova è una dimostrazione numerica, non il resoconto di un nuovo esperimento: il team ha generato i dati e vi ha aggiunto rumore per imitare le imperfezioni delle misurazioni. La distinzione conta per l’uso pratico. Il metodo potrebbe ridurre i calcoli ripetuti necessari per la stima dei parametri, ma l’articolo non dimostra che recupererà parametri ignoti da qualsiasi dispositivo reale o insieme di misurazioni.
Il riutilizzo dello spazio di Krylov arriva a un modello di spin 3 per 3
Per sistemi più grandi, i ricercatori hanno anche riformulato il metodo come un calcolo precondizionato nello spazio di Krylov, che usa passaggi iterativi anziché una fattorizzazione matriciale completa. Lo applicano a un modello dissipativo di spin XYZ su un reticolo 3 per 3 con condizioni al contorno periodiche. Le simmetrie riducono la dimensione del blocco rilevante del Liouvilliano da circa 260.000 a circa 15.000; gli autori descrivono come proibitivamente costose le ripetute fattorizzazioni LU complete lungo un diagramma di fase alla dimensione maggiore.
Nei vari esempi, gli autori riportano riduzioni del costo computazionale fino a un fattore 100 rispetto ai calcoli diretti. È il massimo riscontrato tra i modelli esaminati, non un’accelerazione garantita per ogni sistema. I risultati dell’articolo indicano una strategia computazionale utile per esplorare regioni dello spazio dei parametri, ma lasciano aperta la questione di come le prestazioni varieranno in base alle dimensioni del modello, alla scelta dei metodi di soluzione e alla precisione richiesta vicino a una transizione di fase.