The Signal
Pandora compila un circuito quantistico da 7,7 miliardi di gate
Secondo i suoi autori, il software Pandora ha compilato un’istanza Fermi–Hubbard da 100 per 100 in circa 7,7 miliardi di gate Clifford+T. Il loro articolo descrive anche come lo strumento memorizza e riscrive i circuiti e riporta test sulle
Quantum.world Team · Scritto con l’IA · verificato ·
Uno strumento per circuiti quantistici chiamato Pandora è stato usato per decomporre un’istanza Fermi–Hubbard da 100 per 100 in circa 7,7 miliardi di gate Clifford+T, riferiscono i suoi autori in un articolo presentato il 7 agosto 2025. Il software quantistico deve compilare e manipolare grandi circuiti prima che possano essere analizzati o preparati per l’esecuzione sull’hardware. L’articolo descrive Pandora come uno strumento per memorizzare, riscrivere e partizionare i circuiti, oltre che per compilazioni complete e verifiche di equivalenza.
Un motore di database per grandi circuiti
Gli autori Ioana Moflic e Alexandru Paler hanno implementato Pandora su PostgreSQL. Il software rappresenta i circuiti come liste doppiamente concatenate e li memorizza in tabelle di database. Il suo motore di riscrittura utilizza procedure memorizzate — insiemi di interrogazioni al database eseguite come transazioni — ed è accessibile tramite un’API Python. Secondo l’articolo, lo strumento utilizza interfacce Python con Qualtran, pyLIQTR, Qiskit e TKET.
Gli autori descrivono thread separati per la riscrittura dei circuiti e per il loro inserimento o la loro estrazione. I thread di riscrittura possono cercare schemi di gate e applicare in parallelo le corrispondenti regole di riscrittura, usando blocchi del database per coordinare le modifiche concorrenti. Per limitare la memoria necessaria durante l’importazione e l’esportazione, Pandora elabora un gruppo di gate di dimensione fissa alla volta e libera la memoria usata da ciascun gruppo prima di passare al successivo.
L’articolo descrive anche una configurazione map-reduce per distribuire i compiti tra i nodi di un sistema di calcolo ad alte prestazioni, con ogni nodo che esegue un container Pandora. Gli autori scrivono:
«Pandora può gestire facilmente miliardi di gate e trasmettere in streaming partizioni di circuiti nelle pipeline di stima delle risorse a velocità molto elevate.»
Cosa mostrano i test sui grandi circuiti
L’articolo indica l’istanza Fermi–Hubbard da 100 per 100, ottenuta da pyLIQTR, come uno dei più grandi circuiti su scala utile decomposti con Pandora. Conteneva nell’ordine di 7,7 miliardi di gate Clifford+T. Gli autori riferiscono anche la compilazione completa di un circuito dell’algoritmo di Shor a 1024 bit usando Qualtran. Notano che, poiché Qualtran non includeva una decomposizione di livello inferiore di un componente, CtrlScaleModAdd, hanno usato una decomposizione tratta da pyLIQTR.
Un test di multithreading ha utilizzato un circuito Fermi–Hubbard da 50 per 50 generato da pyLIQTR. I 514 milioni di gate Clifford+T risultanti sono stati memorizzati in Pandora a velocità fino a 270.000 gate al secondo, usando 16 core. Si tratta della velocità di memorizzazione riportata, non di una misura del tempo necessario per una compilazione completa. L’articolo riporta separatamente misurazioni relative alla compilazione e al partizionamento dei circuiti.
La portata definita dei benchmark
Per i confronti con Qiskit e TKET, gli autori hanno generato circuiti casuali contenenti tra 10.000 e 100.000 gate CNOT e hanno testato una particolare operazione di riscrittura. L’articolo riferisce che Pandora ha ottenuto risultati migliori sui circuiti con più di 10.000 gate CNOT quando la riscrittura oggetto del test veniva applicata di rado, attribuendo il vantaggio a ricerche degli schemi più rapide. Questi risultati riguardano l’operazione di riscrittura testata, non tutti i carichi di lavoro gestiti dagli altri compilatori.
Per i test di partizionamento, l’articolo descrive una pipeline in cui i circuiti vengono decomposti in gate Clifford+T con pyLIQTR, memorizzati in Pandora, partizionati e poi estratti. Gli autori riferiscono che, in questa pipeline, il partizionamento e l’estrazione sono stati fasi più efficienti rispetto alla transpilazione e all’inserimento. I loro risultati misurano parti distinte di un processo software classico; non riportano l’esecuzione del circuito da miliardi di gate su un processore quantistico.