Improving Figures of Merit for Quantum Circuit Compilation

Diese Studie zeigt, dass etablierte Metriken zur Bewertung von Quantenschaltkreisen nur schwach mit der tatsächlichen Ausführungsqualität korrelieren, und schlägt daher einen neuen, auf maschinellem Lernen basierenden Figure of Merit vor, der diese Lücke schließt und die Vorhersagegenauigkeit im Durchschnitt um 49 % verbessert.

Das Wesentliche

Das große Problem: Der "perfekte" Plan funktioniert in der Realität nicht

Stell dir vor, du möchtest ein komplexes Rezept (einen Quantenalgorithmus) kochen. Du hast einen Kochbuch-Plan (den Quantenkreis), der auf Papier perfekt aussieht. Aber dein Ofen (der Quantencomputer oder QPU) ist alt, hat Hotspots und manchmal zittert die Hand des Kochs.

Bisher haben Programmierer versucht, ihre Rezepte zu optimieren, indem sie auf einfache Zahlen schauten:

1. Wie viele Zutaten? (Anzahl der Gatter/Türen)
2. Wie lange dauert es? (Tiefe des Kreises)
3. Wie wahrscheinlich ist ein Erfolg? (Berechnete Wahrscheinlichkeit basierend auf Kalibrierungsdaten)

Die Idee war: "Wenn ich weniger Zutaten verwende und schneller koche, muss das Essen besser schmecken."

Aber hier kommt der Haken:
Die Forscher Patrick Hopf und sein Team haben herausgefunden, dass diese einfachen Zahlen oft trügen. Es ist so, als würdest du sagen: "Ein Auto mit weniger Kilometern muss schneller sein." Das stimmt nicht unbedingt, wenn das Auto einen kaputten Motor hat oder auf einer rutschigen Straße fährt.

In der Quantenwelt gibt es Dinge wie Übersprechen (Crosstalk). Stell dir vor, du kochst zwei Gerichte gleichzeitig auf dem Herd. Wenn die Flammen zu nah beieinander sind, heizen sie sich gegenseitig auf, und das Essen verbrennt, auch wenn du nur wenig Zutaten verwendet hast. Die alten Methoden haben das oft übersehen. Sie sagten: "Das Rezept ist kurz, also ist es gut!" – aber auf dem echten Quantencomputer lieferte es ein schreckliches Ergebnis.

Die Lösung: Ein smarter Koch-Assistent (Künstliche Intelligenz)

Anstatt nur auf die einfache Länge des Rezepts zu schauen, haben die Forscher einen KI-gestützten Koch-Assistenten entwickelt.

Stell dir vor, du hast einen erfahrenen Koch, der schon tausende Male auf genau diesem speziellen Ofen gekocht hat. Er weiß nicht nur, wie viele Zutaten du brauchst, sondern auch:

• Welche Zutaten passen gut zusammen, ohne sich zu stören?
• Wo im Ofen ist es gerade zu heiß?
• Wie viel "Pausenzeit" brauchen die Zutaten, damit sie nicht verbrennen?

Wie funktioniert das?

1. Training: Der Assistent hat viele tausend Rezepte auf echten Quantencomputern getestet. Er hat gemessen: "Wenn ich dieses Rezept so koche, schmeckt es super. Wenn ich es anders koche (obwohl es kürzer ist), schmeckt es schrecklich."
2. Lernen: Die KI hat gelernt, worauf es wirklich ankommt. Sie hat entdeckt, dass Dinge wie "Wie aktiv sind die einzelnen Qubits?" oder "Wie viele Aktionen passieren gleichzeitig?" viel wichtiger sind als die reine Anzahl der Zutaten.
3. Vorhersage: Jetzt kann dieser Assistent ein neues Rezept ansehen und sofort sagen: "Hey, wenn du das so kochst, wird es auf diesem Ofen super schmecken." Er muss das Rezept nicht erst auf dem Ofen ausprobieren, um es zu bewerten.

Was haben sie herausgefunden?

Die Forscher haben ihre neue Methode mit den alten verglichen und ein erstaunliches Ergebnis erzielt:

• Die alten Methoden (Zähle die Zutaten!) lagen in ihrer Vorhersage oft daneben.
• Die neue KI-Methode trifft die Vorhersage 49 % genauer.

Das ist, als würde man von einem Wetterbericht, der nur auf "Sonne oder Regen" schaut, zu einem Bericht wechseln, der Wind, Luftfeuchtigkeit und Bodenbeschaffenheit berücksichtigt.

Warum ist das wichtig?

Früher mussten Compiler (die Übersetzer für Quantencomputer) oft raten, welches Rezept das beste ist. Manchmal wählten sie das kürzeste, und das Ergebnis war schlecht.
Mit dieser neuen Methode können die Compiler jetzt das wirklich beste Rezept für den spezifischen Quantencomputer auswählen, auf dem es laufen soll.

Zusammengefasst:
Die Forscher haben gezeigt, dass "weniger ist nicht immer mehr" in der Quantenwelt. Sie haben eine intelligente Methode entwickelt, die wie ein erfahrener Koch weiß, wie man ein Rezept an die launischen Eigenschaften eines echten Quantencomputers anpasst, um das beste Ergebnis zu erzielen – ohne jedes Mal erst experimentieren zu müssen.

Technische Zusammenfassung

1. Problemstellung

Die Qualität von kompilierten Quantenschaltkreisen wird derzeit durch etablierte Figuren der Merit (FoM) bewertet, wie z. B. die Anzahl der Gatter, die Schaltungstiefe, die erwartete Fidelität (Expected Fidelity) oder die geschätzte Erfolgswahrscheinlichkeit (ESP). Diese Metriken dienen als Proxy für die tatsächliche Ausführungsgüte auf einem Quantenprozessor (QPU).

Das Paper identifiziert jedoch ein kritisches Defizit:

• Schwache Korrelation: Es besteht oft eine schwächere Korrelation zwischen diesen Metriken und der tatsächlichen Ausführungsgüte auf realen QPUs als angenommen.
• Hardware-Überschneidungen: Einfache Metriken (Gatteranzahl, Tiefe) ignorieren hardware-spezifische Fehlerquellen wie Crosstalk (Interferenz zwischen benachbarten Qubits) oder Relaxationszeiten ($T_1, T_2$).
• Limitationen komplexer Metriken: Selbst komplexere, hardware-abhängige Metriken wie ESP liefern nicht zwangsläufig genauere Vorhersagen. Dies liegt oft an veralteten Kalibrierungsdaten oder daran, dass sie bestimmte Fehlermechanismen (wie parallele Gatterausführungen) nicht adäquat abbilden.
• Skalierbarkeit: Bisherige maschinelle Lernansätze zur Vorhersage der Güte scheitern oft an der Skalierbarkeit (z. B. Abhängigkeit von der Schaltungstiefe) oder benötigen detaillierte Kalibrierungsdaten, die nicht immer verfügbar sind.

2. Methodik

Die Autoren verfolgen einen zweistufigen Ansatz, um das Problem zu lösen:

A. Analyse der bestehenden Metriken:

• Datengrundlage: 222 Quantenschaltkreise aus der MQT Bench-Bibliothek (Algorithmen wie VQE, QAOA, QFT) mit 2 bis 20 Qubits und einer Tiefe < 1000.
• Hardware: Ausführung auf zwei echten supraleitenden IQM-QPUs (Q20-A und Q20-B) am Leibniz Supercomputing Centre.
• Referenzmetrik: Um die tatsächliche Ausführungsgüte zu quantifizieren, wird die Hellinger-Distanz ($d$) zwischen der idealen (rauschfreien) Wahrscheinlichkeitsverteilung (simuliert) und der experimentellen Verteilung (auf dem QPU) berechnet.
  • $d = 0$: Perfekte Übereinstimmung.
  • $d = 1$: Maximale Abweichung.
• Korrelationsanalyse: Es wird der Pearson-Korrelationskoeffizient zwischen den etablierten FoMs und der Hellinger-Distanz berechnet, um zu messen, wie gut die Metriken die reale Qualität vorhersagen.

B. Entwicklung einer verbesserten Metrik (Machine Learning):

• Ansatz: Statt die Hellinger-Distanz direkt zu berechnen (was Simulationen erfordert), wird ein Machine-Learning-Modell trainiert, das diese Distanz basierend auf Schaltungsmerkmalen vorhersagt.
• Feature-Extraktion: Es wird eine vektorielle Darstellung des Schaltkreises verwendet, die unabhängig von der Schaltungstiefe ist (konstante Größe für einen gegebenen QPU-Typ).
  • Eingabemerkmale: Hardware-unabhängige Werte (Tiefe, Gatteranzahl) sowie komplexere Merkmale wie „Liveness" (Aktivität der Qubits), „Directed Program Communication" (Verhältnis der tatsächlichen zu maximalen Knotengraden), Parallelismus und Gatter-Verhältnisse.
  • Vorteil: Das Modell benötigt keine Kalibrierungsdaten (wie $T_1, T_2$) zur Laufzeit.
• Modell: Ein Random Forest Regressor (implementiert mit scikit-learn) wird auf den Merkmalen trainiert, wobei die experimentell ermittelte Hellinger-Distanz als Label dient.
• Workflow: Das trainierte Modell dient als neuer FoM, um während des Kompilierungsprozesses die Güte eines Schaltkreises vorherzusagen und zu optimieren.

3. Wichtige Beiträge

1. Umfassende Korrelationsstudie: Erste systematische Untersuchung, die die Korrelation etablierter Metriken mit realen QPU-Ergebnissen quantifiziert.
2. Neue, interpretierbare Metrik: Einführung eines ML-basierten FoMs, der die Ausführungsgüte präziser vorhersagt als bestehende Methoden.
3. Unabhängigkeit von Kalibrierungsdaten: Das Modell funktioniert ohne Zugriff auf aktuelle Hardware-Kalibrierungsdaten, was es robuster und praxistauglicher macht.
4. Skalierbare Darstellung: Die verwendete Feature-Vector-Darstellung ist tiefenunabhängig, was die Anwendbarkeit auf tiefere Schaltungen ermöglicht.

4. Ergebnisse

Die experimentelle Auswertung auf den beiden IQM-QPUs ergab folgende Erkenntnisse:

• Schwäche etablierter Metriken:
  • Die Korrelation der einfachen Metriken (Gatteranzahl, Tiefe) mit der Hellinger-Distanz ist gering (Pearson-Koeffizient ca. 0,46–0,62).
  • Auch die hardware-spezifischen Metriken (Expected Fidelity, ESP) zeigen nur eine moderate Korrelation (ca. 0,64–0,80).
  • Überraschenderweise performte die Expected Fidelity in einigen Fällen besser als ESP, was auf die Sensitivität gegenüber veralteten Relaxationsdaten ($T_1, T_2$) hindeutet.
• Überlegenheit des ML-Ansatzes:
  • Das vorgeschlagene ML-Modell erreichte eine durchschnittliche Korrelation von 0,91 (kombiniert über beide QPUs).
  • Dies entspricht einer Durchschnittsverbesserung der Korrelation von 49 % gegenüber allen etablierten Metriken.
  • Die Verbesserung gegenüber der besten etablierten Metrik (Expected Fidelity) betrug ca. 18–25 % pro Gerät.
• Feature-Importanz: Die Analyse der Feature-Importance zeigte, dass das Modell stark von Merkmalen profitiert, die die Qubit-Aktivität (Liveness), Parallelismus und Interaktionen abbilden. Klassische Merkmale wie reine Gatteranzahl oder Tiefe haben eine geringere Bedeutung, was die Limitationen traditioneller Optimierungsansätze bestätigt.

5. Bedeutung und Fazit

Das Paper demonstriert, dass die aktuellen Standards zur Bewertung von Quantenschaltkreisen unzureichend sind, um die reale Leistung auf QPUs vorherzusagen. Der vorgeschlagene ML-basierte FoM schließt diese Lücke, indem er:

• Eine präzisere Vorhersage der Ausführungsgüte ermöglicht, ohne das Circuit auf dem QPU ausführen zu müssen.
• Hardware-spezifische Nuancen (wie Crosstalk und Qubit-Interaktionen) indirekt durch das Training auf realen Daten erfasst, ohne explizite Kalibrierungsdaten zu benötigen.
• Compiler-Entwicklern ein effektiveres Werkzeug an die Hand gibt, um Schaltkreise zu optimieren, die tatsächlich besser auf spezifischen Ziel-Hardware-Plattformen laufen.

Dieser Ansatz markiert einen Paradigmenwechsel von rein analytischen, hardware-agnostischen Metriken hin zu datengetriebenen, hardware-spezifischen Vorhersagemodellen, die die Zuverlässigkeit des Quantum Computing-Stacks signifikant erhöhen.