Cosa fa il sistema
Q-DRONE LAB è una piattaforma ibrida quantistico-classica per la pianificazione di missioni multi-UAV. Prende in ingresso uno scenario — un insieme di waypoint da rilevare, una flotta di droni, un insieme di no-fly zone — e produce una missione completa: quale drone visita quale waypoint, in che ordine, e a quale costo in distanza, energia, copertura e rischio.
La parte interessante non è che produca un piano. Lo fanno in molti. La parte interessante è che ne produce sette, da sette solver diversi, tutti valutati dalla stessa funzione obiettivo, tutti misurati contro un ottimo dimostrato matematicamente. È quest’ultima condizione a dare un significato ai numeri.
La versione 0.1 gira interamente in simulazione, con un budget di 16 qubit.
La decomposizione #
Il routing multi-UAV è in realtà due problemi sotto lo stesso cappotto.
Il primo è l’assegnazione: quale waypoint appartiene a quale drone. È un problema combinatorio di partizionamento con una struttura binaria che si mappa naturalmente su una formulazione QUBO (Quadratic Unconstrained Binary Optimisation), e da lì su un’Hamiltoniana di Ising che l’hardware quantistico può effettivamente rappresentare. Con codifica one-hot su N waypoint e K droni, il numero di variabili è N×K. Otto waypoint su due droni danno sedici variabili binarie: da qui i 16 qubit indicati nell’header.
Il secondo è il routing: dato un cluster di waypoint assegnati a un drone, quale ordine minimizza il volo? È una piccola istanza di TSP, e il 2-opt classico la risolve in microsecondi. Buttarci sopra risorse quantistiche sarebbe teatro.
L’architettura si divide lungo questa cucitura. Il layer quantistico propone la partizione. Il layer classico ordina ogni partizione. Le no-fly zone sono gestite geometricamente con il clipping di segmenti Liang-Barsky, così che una tratta che attraverserebbe un’area interdetta venga deviata, non penalizzata silenziosamente a posteriori. Il readout lo conferma: no-fly breach, 0 m.
Un’unica autorità di scoring #
Ogni solver del sistema è valutato dalla stessa funzione, che vive in un singolo modulo. Sembra una banalità di igiene del codice. È in realtà la decisione di design portante dell’intero progetto.
Nel momento in cui ogni solver valuta il proprio output con la propria metrica, il confronto perde senso. Un solver quantistico che si autovaluta sull’energia del QUBO e un solver classico che si autovaluta sui chilometri non stanno competendo: stanno recitando due monologhi separati. Le tabelle di benchmark in questo campo scivolano continuamente in questo fallimento, ed è invisibile se non lo si va a cercare.
In Q-DRONE LAB l’obiettivo è un composito pesato: distanza, energia, copertura e rischio, con i pesi esposti come slider nell’interfaccia. Lo screenshot mostra 30/30/30/10. Si cambiano i pesi e ogni solver nella comparazione viene rivalutato contro la nuova definizione di “buono”, simultaneamente.
I solver #
Sette approcci, distribuiti su tre famiglie.
La ricerca esaustiva enumera tutte le 2⁸ assegnazioni e restituisce l’ottimo vero. È trattabile solo perché l’istanza è deliberatamente piccola, ed è esattamente questo il punto: rende disponibile il ground truth.
Le metaeuristiche classiche — simulated annealing, un algoritmo genetico, e un costruttore greedy con local search — rappresentano ciò che un ingegnere competente metterebbe realmente in produzione oggi.
I metodi quantistici e quantum-inspired — QAOA via Qiskit (SparsePauliOp per l’Hamiltoniana, QAOAAnsatz per il circuito, StatevectorEstimator per i valori di aspettazione), un solver ballistic Simulated Bifurcation, e un simulated annealing che gira direttamente sul QUBO invece che sulla rappresentazione nativa.
Quest’ultimo non è decorativo. Isola una variabile. Se SA-on-QUBO e QAOA sottoperformano entrambi, l’indiziato è la codifica QUBO, non l’algoritmo quantistico.
Cosa ha mostrato davvero il benchmark #
Scenario: seed 7, otto waypoint, due UAV, due no-fly zone, 36 km² di area operativa, profondità di circuito QAOA p=2.
| Solver | Costo | Gap vs ottimo | QUBO gap | Copertura | Distanza | Runtime |
|---|---|---|---|---|---|---|
| exhaustive | 0.2409 | ottimale | — | 100% | 24.1 km | 0.19 s |
| simulated-annealing | 0.2409 | ottimale | — | 100% | 24.1 km | 0.19 s |
| genetic | 0.2409 | ottimale | — | 100% | 24.1 km | 0.26 s |
| qaoa | 0.2409 | ottimale | 1.61% | 100% | 24.1 km | 6.25 s |
| greedy+local | 0.2476 | +2.80% | — | 100% | 24.6 km | 0.04 s |
| sa-on-qubo | 0.2491 | +3.43% | 0.00% | 100% | 23.8 km | 0.11 s |
| simulated-bifurcation | 0.2491 | +3.43% | 0.00% | 100% | 23.8 km | 0.02 s |
Quattro solver raggiungono l’ottimo dimostrato a costo 0.2409. QAOA è tra questi, ed è un risultato reale — e ci mette 6.25 secondi contro gli 0.19 del simulated annealing. A questa scala l’approccio quantistico è trenta volte più lento e non migliore. Chi sostiene il contrario sull’ottimizzazione quantistica near-term su istanze piccole sta vendendo qualcosa.
Ma la riga che merita attenzione è la coppia in fondo.
Simulated bifurcation e SA-on-QUBO chiudono entrambi il proprio QUBO gap a 0.00%, ed entrambi finiscono al 3.43% dall’ottimo vero. Hanno risolto il problema che era stato loro dato, perfettamente, e la risposta era comunque sbagliata.
Questo è il costo della codifica, ed è il design a singola autorità di scoring a renderlo visibile. Il QUBO è una traduzione lossy dell’obiettivo reale. Vincoli che nella formulazione originale sono rigidi diventano termini di penalità soft con pesi da tarare, e la geometria del landscape di penalità non rispecchia perfettamente quella del costo di missione. Un solver che porta il surrogato al suo minimo può stabilizzarsi in una regione su cui l’obiettivo vero non è d’accordo.
La colonna della distanza rende il fallimento leggibile. Entrambi i solver hanno trovato rotte da 23.8 km, più corte dei 24.1 km dell’ottimo. Hanno vinto sulla distanza e perso complessivamente, perché l’obiettivo composito pesa anche energia, copertura e rischio. L’approssimazione che il QUBO fa di quel trade-off era leggermente storta, e leggermente storta è bastato.
L’1.61% di QUBO gap di QAOA accanto a un costo finale ottimale è l’immagine speculare. Non ha convergito del tutto sul surrogato, e ha comunque centrato l’assegnazione giusta.
Perché questa impostazione conta #
Il benchmark standard in questo ambito confronta i solver tra loro. Il migliore diventa il riferimento, e ogni altro numero è una distanza da lui. Questa struttura non può rilevare il caso in cui tutti i solver sbagliano insieme, e non può distinguere un solver che fallisce da una formulazione che fallisce.
Ancorarsi al ground truth esaustivo cambia ciò che la tabella può dirti. Separa tre domande distinte che di solito vengono collassate in una:
- Il solver ha trovato l’ottimo del problema che gli è stato dato?
- Il problema che gli è stato dato era una traduzione fedele del problema reale?
- Quanto ci ha messo?
Il risultato del simulated bifurcation risponde a tutte e tre insieme: sì, no, e 0.02 secondi. Senza ground truth, quella riga si sarebbe letta come un normale quasi-successo.
Limiti #
L’istanza è piccola per necessità. La ricerca esaustiva su 2⁸ è istantanea; su 2²⁴ non lo è. La versione onesta di questo benchmark vale solo nel regime in cui il ground truth è calcolabile, ed è esattamente il regime in cui i metodi classici sono già sufficienti. Scalare significa rinunciare all’ancora, oppure trovarne un surrogato più economico.
Tutto gira su simulatori. La simulazione statevector di un circuito QAOA a 16 qubit è esatta e priva di rumore, cosa che l’hardware reale non è. Il runtime di 6.25 secondi è un costo di simulazione, non di hardware, e non si estrapola.
Il modello energetico è un’approssimazione al primo ordine. Lo stato di carica è tracciato per drone (73% e 81% residui nel run mostrato), ma vento, variazioni di payload ed effetti termici non sono modellati.
Dove va #
Il lavoro immediato è scalare il problema di assegnazione oltre ciò che la ricerca esaustiva può verificare, il che costringe alla domanda su come validare le soluzioni senza ground truth. L’altro fronte aperto è la gestione dei vincoli: le no-fly zone entrano attualmente attraverso la geometria e non attraverso il QUBO, il che mantiene la codifica compatta ma significa che il layer quantistico è in parte cieco rispetto ad esse.
Il filo più profondo che attraversa tutto è il gap di codifica. Ogni miglioramento nelle prestazioni di QAOA è limitato da quanto fedelmente il QUBO rappresenta la missione. È in quella traduzione, non nell’algoritmo quantistico, che vive l’ingegneria interessante.
Q-DRONE LAB v0.1 — Python, Qiskit, FastAPI. Solo simulazione.
Remo Pulcini proprietario di quantumhorizon.it