Alla scoperta di circuiti quantistici all’avanguardia con modelli linguistici di grandi dimensioni

Abstract degli autori

Attualmente si stanno compiendo sforzi considerevoli per realizzare processori di informazione quantistica su larga scala, ma per conseguire un vantaggio quantistico utile è necessario anche sviluppare algoritmi quantistici efficienti. Sebbene, per molti problemi pratici, i costi dominanti in termini di risorse siano associati a un ristretto insieme di primitive computazionali, ottimizzarle in ambito quantistico presenta sfide peculiari, tra cui un vincolo di reversibilità assente nella computazione classica ordinaria. Qui presentiamo un framework evolutivo in cui modelli linguistici di grandi dimensioni (LLM) propongono progetti di circuiti e un valutatore indipendente li verifica e assegna loro un punteggio. Applichiamo questo framework a compiti che spaziano dal calcolo numerico alla chimica, dall’ottimizzazione alla simulazione quantistica e alla teoria dei numeri. In sette degli otto compiti, i circuiti individuati riducono significativamente sia il numero di porte Toffoli sia quello di qubit rispetto allo stato dell’arte. Nell’ottavo, la ricerca individua una nuova architettura reversibile per l’inversione modulare su campi primi. Gestendo la reversibilità in modo diverso, l’architettura rende praticabili i divsteps — un algoritmo classico in precedenza impraticabile per l’aritmetica reversibile degli interi — e migliora sostanzialmente il compromesso tra Toffoli e qubit per l’inversione modulare. Questi risultati aprono la strada alla co-progettazione, guidata da un valutatore e basata su LLM, di nuove strutture algoritmiche per la computazione quantistica.