Ribaltare la selezione delle configurazioni del compilatore quantistico: un paradigma dall’alto verso il basso

Abstract degli autori

Selezionare una configurazione efficace del compilatore quantistico richiede decisioni coordinate sia sull’hardware di destinazione sia sulle impostazioni del compilatore, con l’obiettivo finale di migliorare la fedeltà di esecuzione dei circuiti. Gli approcci attualmente allo stato dell’arte suddividono di norma il problema in due fasi successive: prima scelgono un dispositivo, poi ottimizzano le opzioni del compilatore per quel dispositivo mediante una ricerca basata sull’apprendimento per rinforzo. Questa strategia dal basso verso l’alto può essere fondamentalmente limitata dalla scelta iniziale del dispositivo: un backend poco adatto può infatti porre un limite alla massima fedeltà raggiungibile, per quanto efficacemente vengano ottimizzate le opzioni del compilatore nelle fasi successive. A differenza dell’ottimizzazione dei compilatori classici, in cui lo spazio di ricerca è spesso proibitivamente ampio, lo spazio delle configurazioni dei compilatori quantistici rimane abbastanza contenuto da consentire una ricerca esaustiva. Di conseguenza, anziché ripetere la ricerca a partire da configurazioni candidate, è possibile ricavare conoscenze riutilizzabili sulle configurazioni dai risultati di un oracolo ottenuti offline e applicarle direttamente a nuovi circuiti. In questo articolo presentiamo un paradigma di selezione delle configurazioni dall’alto verso il basso e realizziamo QuOPTBench, un benchmark basato su una ricerca esaustiva che contiene le configurazioni dell’oracolo per 268 circuiti quantistici. Esaminiamo dapprima se gli LLM siano in grado di individuare direttamente configurazioni adatte, valutando dieci LLM rappresentativi. I risultati mostrano che gli LLM di base restano ben lontani dall’oracolo. Impieghiamo quindi un LLM per estrarre, da circuiti campionati, regole trasferibili che governano la selezione delle configurazioni. Usando queste regole insieme a modelli predittivi addestrati sui dati delle configurazioni enumerate per i circuiti campionati, progettiamo QuTOP, un framework di apprendimento automatico guidato da regole che seleziona rapidamente le configurazioni senza una ricerca online iterativa. Nell’insieme delle nostre valutazioni, le regole distillate migliorano sistematicamente la selezione basata sugli LLM, mentre QuTOP offre il miglior equilibrio complessivo tra qualità delle soluzioni e tempo necessario per la selezione rispetto ai metodi di riferimento.