Cross-platform hardware benchmark of style-based quantum GANs for data augmentation on superconducting and trapped-ion processors

Diese Arbeit präsentiert einen plattformübergreifenden Benchmark, der die Leistung eines auf einem festen Stil basierenden Quanten-GAN zur Augmentierung von Hochenergiephysik-Daten auf IBMs supraleitendem ibm_torino und IonQs Trapped-Ion-Prozessor aria-1 vergleicht und aufzeigt, dass IonQ zwar eine leicht bessere statistische Qualität erreichte, IBMs Plattform jedoch eine signifikant schnellere End-to-End-Laufzeit bot.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, einem Roboter-Koch beizubringen, ein sehr spezifisches, komplexes Rezept nachzukochen (wie ein seltenes Gericht aus einem High-End-Restaurant). Sie haben eine kleine Probe des echten Gerichts und wollen, dass der Roboter lernt, dieses Gericht so gut zu kochen, dass er tausende perfekte Kopien davon erstellen kann. Das ist die Aufgabe eines Quantum GAN (Generative Adversarial Network). Denken Sie an ein Spiel zwischen zwei Robotern:

• Der Chef (Generator): Versucht, ein gefälschtes Gericht zu kochen, das echt aussieht.
• Der Kritiker (Diskriminator): Versucht, den Unterschied zwischen dem gefälschten und dem echten Gericht zu erkennen.

Sie spielen dieses Spiel immer und immer wieder, bis der Chef so gut geworden ist, dass der Kritiker keinen Unterschied mehr feststellen kann.

Dieses Paper ist ein „Rennen“, um zu sehen, welcher Typ von Quantencomputer-Hardware besser dabei hilft, dem Chef dieses Rezept beizubringen. Die Forscher haben kein neues Rezept erfunden; sie nahmen ein bestehendes und testeten es auf zwei sehr unterschiedlichen „Küchen“.

Die zwei konkurrierenden Küchen

Das Paper vergleicht zwei kommerziell erhältliche Quantencomputer, die wie zwei verschiedene Arten von Küchen mit sehr unterschiedlichen Werkzeugen und Geschwindigkeiten sind:

1. Die IBM-Küche (Supraleitend):

   • Das Werkzeug: Verwendet winzige supraleitende Schaltkreise (wie super schnelle, super kalte elektrische Schleifen).
   • Der Vibe: Es ist ein Formel-1-Wagen. Es ist unglaublich schnell. Die „Gates“ (die Schritte, die der Computer unternimmt) geschehen in Mikrosekunden. Es kann eine riesige Menge an Daten sehr schnell verarbeiten.
   • Der Makel: Es ist ein bisschen „rauschig“. Die Zutaten (Qubits) sind ein wenig sprunghaft, und wenn der Computer das Endergebnis (das Gericht) ausliest, macht er mehr Fehler (Readout-Fehler) als die andere Küche.

2. Die IonQ-Küche (Gefangene Ionen):

   • Das Werkzeug: Verwendet einzelne Atome (Ionen), die durch Laser an Ort und Stelle gehalten werden.
   • Der Vibe: Es ist eine präzise Schweizer Uhr. Es ist viel langsamer. Die Schritte dauern länger, um ausgeführt zu werden. Die Zutaten sind jedoch sehr stabil, und das abschließende Auslesen ist extrem genau mit sehr wenigen Fehlern.
   • Der Makel: Es ist langsam. Wenn Sie eine Million Gerichte kochen müssen, dauert es lange, weil jeder einzelne Schritt bewusst und langsam erfolgt.

Das Experiment: „Datenaugmentation“

Das Ziel war nicht nur zu sehen, wer schneller war, sondern wer die besten „gefälschten“ Daten erstellen konnte, um Wissenschaftlern zu helfen. In diesem Fall waren es Daten aus der Teilchenphysik (speziell Kollisionen von Protonen am Large Hadron Collider).

Die Forscher nahmen einen trainierten „Chef“ (den Quantenalgorithmus) und schickten ihn in beide Küchen. Sie hielten das Rezept exakt gleich und schalteten jegliche „Rauschunterdrückungs-Software“ aus, um die rohe Hardwareleistung zu testen.

Um das Rennen fair und effizient zu gestalten, verwendeten sie einen Trick namens Schaltkreis-Replikation (Circuit Replication).

• Analogie: Stellen Sie sich vor, Sie haben einen kleinen Stempel. Anstatt ein Stück Papier 100 Mal einzeln zu stempeln, kleben Sie 16 Stempel zusammen und drücken sie einmal fest. Sie erhalten 16 Stempel auf einmal.
• Die Forscher machten dies mit den Quantenschaltkreisen. Sie ließen das Rezept auf 16 Sätzen von Qubits gleichzeitig auf der IBM-Maschine laufen und auf 8 Sätzen auf der IonQ-Maschine. Dies bedeutete, dass sie weniger „Bestellungen“ an die Computer senden mussten, um die gleiche Menge an Ergebnissen zu erhalten.

Die Ergebnisse: Geschwindigkeit vs. Genauigkeit

Hier ist das, was geschah, als sie die beiden Küchen verglichen:

1. Die Geschmacksprobe (Genauigkeit):

• Der Gewinner: Die IonQ (Trapped Ion) Küche.
• Warum: Die „gefälschten“ Gerichte, die sie produzierte, waren näher am echten Rezept. Die Mathematik zeigte, dass die IonQ-Maschine weniger Fehler beim abschließenden Geschmack machte.
• Der Grund: Die IonQ-Maschine ist viel präziser, wenn sie das Endergebnis ausliest. Es ist wie ein Koch, der eine sehr ruhige Hand und einen perfekten Gaumen hat, auch wenn er langsam kocht.

2. Die Stoppuhr (Geschwindigkeit):

• Der Gewinner: Die IBM (Supraleitende) Küche.
• Warum: Sie schloss die gesamte Aufgabe in etwa 6 Stunden und 43 Minuten ab. Die IonQ-Maschine brauchte fast 60 Stunden (fast 2,5 Tage), um exakt dieselbe Arbeit zu erledigen.
• Der Grund: Die IBM-Maschine ist einfach blitzschnell. Obwohl sie ein paar mehr Fehler machte, konnte sie die Arbeit so schnell abarbeiten, dass sie das gesamte Projekt in einem Bruchteil der Zeit abschloss.

Das Fazit

Das Paper kommt zu dem Schluss, dass es keinen einzelnen „besten“ Computer gibt; es kommt darauf an, was man wertschätzt:

• Wenn Sie das genaueste Ergebnis benötigen und bereit sind, lange zu warten, ist die IonQ (Trapped Ion) Maschine besser.
• Wenn Sie das Ergebnis schnell benötigen und einen winzigen Teil mehr an Fehlern tolerieren können, ist die IBM (Supraleitende) Maschine der klare Gewinner.

Die Autoren betonen, dass dies ein praktischer Test aktueller Hardware ist. Sie sagen nicht, dass diese Technologie „besser“ für die Zukunft des Universums ist, sondern vielmehr: Für diese spezifische Aufgabe (die Erzeugung gefälschter Teilchenphysik-Daten) müssen Sie sich zwischen Geschwindigkeit (IBM) und Präzision (IonQ) entscheiden.

Wichtigste Erkenntnis: Das Paper behauptet nicht, dass dies jetzt Krankheiten heilen oder den Klimawandel lösen wird. Es sagt lediglich: „Wenn Sie heute ein Wissenschaftler sind, der Daten mittels Quantencomputern generieren möchte, hier ist der Kompromiss, dem Sie bei diesen beiden spezifischen Maschinen gegenüberstehen werden.“

Technische Zusammenfassung

Technisches Resümee: Plattformübergreifender Benchmark von stilbasierten qGANs zur Datenausweitung

Problemstellung
In der Ära der Noisy Intermediate-Scale Quantum (NISQ) besteht ein kritischer Bedarf an kontrollierten Benchmarks für Quantenmaschinelles Lernen (QML)-Workloads über verschiedene Hardware-Modalitäten hinweg. Während die algorithmischen Fortschritte voranschreiten, bleibt die Leistung spezifischer Algorithmen unter nativen Provider-Ausführungstacks aufgrund von Unterschieden in Konnektivität, Gate-Geschwindigkeiten, Fidelität und Software-Stacks heterogen. Insbesondere haben stilbasierte Quanten-Generative Adversarial Networks (qGANs) vielversprechende Ergebnisse bei Aufgaben der Datenausweitung gezeigt – insbesondere bei der Generierung nicht-gaußscher Verteilungen für die Hochenergiephysik (HEP) –, doch waren frühere Demonstrationen weitgehend auf einzelne Hardwareplattformen (z. B. IBM-Supraleiter-Systeme) beschränkt oder ließen einen rigorosen plattformübergreifenden Vergleich vermissen. Diese Arbeit adressiert diese Lücke durch eine quantitative Bewertung, ob ein fester stilbasierter qGAN-Generator eine effektive Datenausweitung auf zwei unterschiedlichen Hardware-Architekturen durchführen kann: supraleitenden Transmon-Qubits und gefangenen-Ionen-Qubits (Trapped-Ion).

Methodik
Die Studie implementiert einen kontrollierten plattformübergreifenden Benchmark unter Verwendung eines festen stilbasierten qGAN-Workflows, der auf einem Datensatz von $10^4$ Monte-Carlo-Ereignissen der Top-Antitop-Quark-Produktion ($pp \to t\bar{t}$) am Large Hadron Collider (LHC) trainiert wurde. Das Ziel ist die Generierung von $10^5$ synthetischen Stichproben zur Erweiterung der Trainingsdaten.

• Hardware-Plattformen:
  • IBM ibm torino: Basierend auf der Heron-Architektur mit 133 supraleitenden Transmon-Qubits in einer Heavy-Hex-Gitterstruktur.
  • IonQ aria-1: Basierend auf gefangenen-Ionen-Qubits ($^{171}\text{Yb}^+$) mit 25 Qubits und All-to-All-Konnektivität.
• Algorithmus und Architektur:
  • Der Generator ist ein parametrisierter Quantenschaltkreis (PQC) mit einer einzelnen Schicht, der einen „stilbasierten“ Ansatz nutzt, bei dem latente Variablen während des gesamten Netzwerks wiederholt eingespielt werden (Re-uploading), anstatt nur am Eingang.
  • Der Diskriminator ist ein klassisches tiefes faltendes neuronales Netzwerk (CNN).
  • Entscheidende Einschränkung: Die Generator-Architektur und die trainierten Parameter sind über beide Plattformen hinweg fest vorgegeben. Das Modell wurde zuvor trainiert (in Ref. [16]) und die Checkpoints wurden wiederverwendet, um einen fairen Vergleich der Hardware-Ausführung statt eines erneuten Trainings zu gewährleisten.
  • Schaltkreis-Replikation: Um den Stichproben-Durchsatz zu verbessern, wurde der Basis-3-Qubit-Schaltkreis $m$-mal innerhalb einer einzigen Job-Einreichung repliziert.
    • Auf ibm torino: 16 Replikationen unter Verwendung von 48 Qubits ($m=16$).
    • Auf aria-1: 8 Replikationen unter Verwendung von 24 Qubits ($m=8$).
    • Diese Strategie reduzierte die Anzahl der erforderlichen Job-Einreichungen von $10^5$ auf 6.250 (IBM) und 12.500 (IonQ), um den Ziel-Stichproben-Satz zu generieren.
• Experimentelle Bedingungen:
  • Native Ausführung: Integrierte Fehlerminderung (z. B. Debiasing) wurde bewusst deaktiviert, um die „nackte“ Hardware-Leistung zu vergleichen.
  • Shot-Budgets: IBM verwendete die nominellen 4.000 Shots pro Schaltkreis; IonQ verwendete 512 Shots pro Schaltkreis, bestimmt via Rauschsimulation, um die Wanduhrzeit und die statistische Qualität auszubalancieren.
  • Metriken: Die Qualität wurde mittels der Kullback-Leibler-Divergenz (KL-Divergenz) zwischen den generierten und den Referenzverteilungen für physikalische Observablen ($s, t, y$) gemessen. Laufzeitmetriken umfassten die End-to-End-Wanduhrzeit, die Zeit pro Schaltkreis und die Zeit pro Shot.

Wichtigste Ergebnisse
Beide Plattformen konnten die Aufgabe der Datenausweitung erfolgreich abschließen und Verteilungen mit niedrigen KL-Divergenzen erzeugten, wenngleich mit unterschiedlichen Trade-offs bei Qualität und Geschwindigkeit.

• Qualität (KL-Divergenz):

  • IonQ aria-1 erreichte niedrigere (bessere) marginale KL-Divergenzen: $0,25$($s$),$0,14$($t$) und $0,07$($y$).
  • IBM ibm torino zeigte etwas höhere Divergenzen: $0,51$($s$),$0,31$($t$) und $0,44$($y$).
  • Die Autoren führen die überlegene Genauigkeit auf IonQ primär auf dessen signifikant niedrigere Readout-Fehlerrate (ca. $5,1 \times 10^{-3}$ gegenüber $2,7 \times 10^{-2}$ bei IBM) und die All-to-All-Konnektivität zurück, was die Notwendigkeit von SWAP-Gates und die Akkumulation von Fehlern in flachen Schaltkreisen reduziert.
  • Eine Unsicherheitsanalyse (via Stichprobenvarianz-Propagation) zeigt, dass die Leistungsdifferenz geringer ist, als die Nominalwerte vermuten lassen, dennoch bleibt IonQ in diesem spezifischen, ungemittelten Setup genauer.

• Laufzeit und Durchsatz:

  • IBM ibm torino war signifikant schneller und schloss die vollständige Generierung von $10^5$ Stichproben in etwa 6 Stunden und 43 Minuten ab.
  • IonQ aria-1 benötigte für dieselbe Aufgabe etwa 59 Stunden und 57 Minuten.
  • Der Geschwindigkeitsvorteil von IBM wird durch die um Größenordnungen schnelleren Gate- und Readout-Zeiten der supraleitenden Transmons im Vergleich zu gefangenen Ionen sowie die Fähigkeit, mehrere Schaltkreise pro Job zu bündeln, getrieben.
  • Die Ausführungszeit pro Schaltkreis (einschließlich Transpilierung) betrug etwa 1 ms bei IBM gegenüber 34 ms bei IonQ.

Bedeutung und Ansprüche
Das Paper positioniert diese Arbeit nicht als Anspruch auf algorithmische Neuheit, sondern als praktischen, anwendungsspezifischen Benchmark für Trade-offs.

1. Erster kontrollierter Vergleich: Nach Kenntnis der Autoren ist dies einer der ersten kontrollierten Hardware-zu-Hardware-Vergleiche von stilbasierten qGANs für die HEP-Datenausweitung.
2. Hardware-Trade-offs: Die Ergebnisse verdeutlichen einen klaren Trade-off:
   • Gefangene-Ionen-Systeme (IonQ) bieten eine höhere Fidelität für flache Variationale-Schaltkreise in ungemittelten Settings, wahrscheinlich aufgrund besserer Readout-Fidelität und Konnektivität, was sie für Anwendungen geeignet macht, die die Verteilungsgenauigkeit über die Geschwindigkeit priorisieren.
   • Supraleitende Systeme (IBM) bieten einen signifikant schnelleren Durchlauf und höheren Durchsatz, was sie bevorzugt für Anwendungen macht, bei denen das Stichprobenvolumen und die Geschwindigkeit entscheidend sind, wobei eine geringere Fidelität potenziell durch Techniken zur Fehlerminderung oder größere Stichprobenmengen kompensiert werden kann.
3. Praktische Implementierung: Die Studie zeigt, dass die Replikation von Schaltkreisen eine effektive Strategie ist, um den Stichproben-Durchsatz auf aktuellen NISQ-Geräten zu skalieren, ohne das Modell neu zu trainieren.
4. Limitierungen: Die Autoren geben explizit an, dass die Schlussfolgerungen workloadspezifisch sind. Der Benchmark ist durch die Durchführung von nur einem Durchlauf pro Plattform, unterschiedliche Shot-Zahlen und den Ausschluss von Error-Mitigation auf Benutzerebene begrenzt. Sie merken an, dass die Anwendung von Readout-Mitigation auf IBM die Genauigkeitslücke verringern könnte und dass zukünftige Hardwareverbesserungen (schnellere Gates für IonQ, besseres Readout für IBM) diese Benchmarks verschieben werden.

Zusammenfassend bietet das Paper eine quantitative Baseline dafür, wie sich ein fester quantengenerativer Modelltyp auf zwei führenden Quantenhardware-Modalitäten verhält, und zeigt auf, dass beide nützliche Datenausweitung leisten können, jedoch mit unterschiedlichen operativen Profilen hinsichtlich Genauigkeit und Ausführungszeit.