⚛️ quantum physics

Shallow randomized measurement in noisy quantum devices

Diese Arbeit etabliert einen theoretischen Rahmen, der zeigt, dass Messungen mit geringer Tiefe und Randomisierung praktische Vorteile gegenüber Einzelqubit-Messungen beim Erlernen von Quantenzustandseigenschaften auf verrauschten Geräten bieten, ein Befund, der durch Experimente auf IBM-Quantenhardware mit bis zu 40 Qubits validiert wurde.

Ursprüngliche Autoren: Gyungmin Cho, Dohun Kim

Veröffentlicht 2026-07-07

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Gyungmin Cho, Dohun Kim

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie besitzen eine sehr komplexe, empfindliche Maschine (einen Quantencomputer), die derzeit etwas „verrauscht“ ist und zu Fehlern neigt. Sie möchten verstehen, was im Inneren dieser Maschine geschieht, aber Sie können nicht alle Zahnräder und Drähte gleichzeitig betrachten, da die Maschine zu groß und zu zerbrechlich ist.

Bei diesem Papier geht es um eine intelligentere, effizientere Art, in diese verrauschte Maschine hineinzublicken, ohne sie zu beschädigen oder ewig warten zu müssen.

Das Problem: Die „blindlings“ gemachte Vermutung

Traditionell nutzten Wissenschaftler eine Methode namens Randomisierte Messungen (Randomized Measurements), um einen Quantenzustand zu verstehen. Stellen Sie sich das wie den Versuch vor, den Inhalt einer versiegelten, undurchsichtigen Box zu erraten, indem man sie schüttelt und auf das Geräusch hört.

Der alte Weg (Einzel-Qubit): Sie schütteln die Box vorsichtig, immer nur einen winzigen Teil auf einmal. Das ist sicher und einfach, aber Sie könnten übersehen, wie die Teile miteinander interagieren. Es erfordert sehr viel Schütteln (Messungen), um ein klares Bild zu erhalten.
Der „perfekte“ Weg (Globale Verschränkung): Man könnte die ganze Box auf einmal heftig schütteln, um zu hören, wie alles zusammenrasselt. Dies liefert ein perfektes Bild, aber auf den heutigen verrauschten Maschinen ist das Schütteln der gesamten Einheit zu viel; die Maschine geht kaputt (Fehler überlagern das Signal), bevor man eine Antwort erhält.

Die Lösung: Der „flache“ Blick

Die Autoren schlagen einen Mittelweg vor, der Flache Randomisierte Messungen (Shallow Randomized Measurements) genannt wird.

Die Analogie: Anstatt die ganze Box oder nur eine winzige Ecke zu schütteln, schütteln Sie die Box in kleinen, miteinander verbundenen Clustern (wie etwa zwei oder drei benachbarte Fächer gleichzeitig zu schütteln).
Warum es funktioniert: Dies ist „flach“, weil es keine tiefen, komplexen Schaltkreise erfordert, die die verrauschte Maschine nicht bewältigen kann. Aber es ist „verschränkt“, weil es einfängt, wie kleine Gruppen von Teilen interagieren, was das Schütteln einzelner Ecken verpasst.

Das neue Werkzeug: „Block-Schatten“

Das Paper führt einen spezifischen mathematischen Rahmen ein, der Block-Schatten (Block Shadows) genannt wird. Stellen Sie sich vor, Sie versuchen, ein Puzzle zu rekonstruieren, aber die Teile sind verrauscht.

Die „Block“-Strategie: Anstatt sich immer nur ein Puzzleteil nach dem anderen anzusehen, betrachten Sie kleine 2x2- oder 3x3-Blöcke von Teilen gemeinsam.
Der Vorteil: Da Sie diese kleinen Blöcke betrachten, können Sie das Rauschen mathematisch viel einfacher und genauer „rückgängig machen“ als beim Versuch, das gesamte Puzzle oder nur einzelne Teile zu betrachten. Es ist wie ein spezieller Filter, der das Rauschen in einer kleinen Gruppe von Radiokanälen bereinigt und die Musik klar macht.

Was sie entdeckt haben (Die „magischen“ Tricks)

Die Autoren haben nicht nur einen neuen Weg erfunden, die Box zu schütteln; sie haben gezeigt, wie man diese Methode nutzen kann, um mehrere spezifische Dinge besser zu machen:

Die „deterministische“ Abkürzung:
Normalerweise muss man viele zufällige Schüttelbewegungen immer wieder wiederholen, um einen guten Durchschnitt zu erhalten. Die Autoren zeigten einen Weg auf, die besten spezifischen Schüttelbewegungen im Voraus auszuwählen (wie ein Koch, der die perfekten Gewürze vorher auswählt), sodass man weniger Versuche benötigt, um das gleiche Ergebnis zu erzielen. Sie testeten dies auf einem echten IBM-Quantencomputer und bewiesen, dass es selbst mit dem Rauschen der Maschine funktioniert.
Der „Multi-Shot“-Trick:
Stellen Sie sich vor, Sie haben eine Kamera. Anstatt ein Foto zu machen, den Winkel zu ändern und dann ein weiteres zu machen, machen Sie 10 Fotos aus dem gleichen Winkel und bewegen sich dann erst. Das Paper zeigt, dass es für diese „flachen“ Messungen tatsächlich hilft, die Fehler zu reduzieren und Zeit zu sparen, wenn man mehrere Fotos aus demselben Winkel macht (die Messung wiederverwendet) – was bei den alten Methoden nicht immer der Fall war.
Der „Bias“-Helfer:
Manchmal hat man eine grobe Vorstellung davon, was die Maschine tut (ein „Bias-Zustand“). Das Paper zeigt, wie man diese grobe Vorstellung nutzt, um die Messungen zu korrigieren. Es ist wie das Kombinieren einer verschwommenen Karte mit einem GPS-Signal, um einen genaueren Standort zu erhalten, als es mit dem GPS allein möglich wäre. Sie zeigten, dass dies selbst dann funktioniert, wenn die Karte etwas ungenau ist, solange man sie um das Rauschen der Maschine korrigiert.
Computern das Lernen beibringen:
Sie nutzten diese „flachen“ Messungen, um Daten in einen klassischen Machine-Learning-Algorithmus (ein Computerprogramm, das versucht, Muster zu lernen) einzuspeisen.

Das Ergebnis: Wenn der Computer aus Daten lernte, bei denen kleine Gruppen von Qubits zusammen gemessen wurden (die „Block“-Methode), war er viel besser darin, eine spezifische Änderung im Quantensystem (einen „Phasenübergang“) zu erkennen, als wenn er von Einzel-Qubit-Daten lernte. Es ist, als könnte der Computer das Muster in der Menge besser sehen, wenn er auf kleine Gruppen von Menschen blickt statt auf Einzelpersonen.

Der Praxistest

Die Autoren haben diese Experimente nicht nur theoretisch auf dem Papier durchgeführt. Sie führten diese Experimente auf einem echten Quantencomputer (IBMs ibm_marrakesh) mit bis zu 40 Qubits durch.

Sie fanden heraus, dass ihre „flache“ Methode selbst mit den natürlichen Fehlern der Maschine effizienter und genauer war als die alte „Einzel-Qubit“-Methode.
Sie konnten Eigenschaften komplexer Quantenzustände erfolgreich messen, die mit früheren Techniken aufgrund des Rauschens oder der Zeitdauer zu schwierig oder zu langsam gewesen wären.

Zusammenfassung

Kurz gesagt, dieses Paper sagt: „Versuchen Sie nicht, die ganze fragile Maschine auf einmal zu schütteln, und schütteln Sie auch nicht nur ein winziges Teil. Schütteln Sie kleine, verbundene Gruppen von Teilen. Das ist schneller, es geht besser mit dem Rauschen der Maschine um und es liefert Ihnen ein klareres Bild dessen, was im Inneren tatsächlich passiert.“

Sie haben bewiesen, dass dies auf echter Hardware funktioniert und einen praktischen Weg bietet, um mehr nützliche Daten aus den verrauschten Quantencomputern zu gewinnen, die wir heute besitzen.

Titel: Flache randomisierte Messungen in verrauschten Quantengeräten
Autoren: Gyungmin Cho und Dohun Kim (Seoul National University)

Problemstellung

Obwohl die Quantenhardware stetig besser wird, bleiben aktuelle Geräte durch Rauschen und begrenzte Schaltungstiefe eingeschränkt. Standardprotokolle zum Erlernen von Eigenschaften von Quantenzuständen, wie etwa Classical Shadows, stehen vor einem Kompromiss: Random Pauli Measurements (RPM) sind experimentell einfach, aber ineffizient für Observablen mit niedrigem Rang, während Random Clifford Measurements (RCM) effizient für Observablen mit niedrigem Rang sind, jedoch tiefe Schaltungen ( $O(n)$ ) erfordern, die auf aktuellen Noisy Intermediate-Scale Quantum (NISQ)-Geräten nicht realisierbar sind. Bestehende „Shallow Shadow“-Ansätze, die primär auf Brickwork-Schaltungen basieren, bieten einen Mittelweg, lassen aber oft geschlossene Formeln für den Shadow-Kanal und dessen Inverse vermissen, was die Post-Processing-Verfahren und Erweiterungen auf fortgeschrittene Protokolle wie Derandomisierung oder Fehlerminimierung erschwert. Darüber hinaus bedürfen die systematischen Vorteile flacher Messungen über vielfältige Lernaufgaben hinweg (über spezifische Anwendungen hinaus) sowie deren Robustheit gegenüber experimentellem Rauschen einer weiteren theoretischen und experimentellen Validierung.

Methodik

Die Autoren entwickeln einen einheitlichen theoretischen Rahmen basierend auf Clifford-Messensemble, wobei der Fokus speziell auf Block-Shadows liegt. In diesem Ansatz wird das $n$ -Qubit-System in Blöcke der Größe $k$ partitioniert, wobei auf jedem Block unabhängige zufällige Clifford-Unitaries aus $Cl(k)$ angewendet werden. Diese Struktur ermöglicht:

Explizite analytische Formeln: Ableitung geschlossener Ausdrücke für den Shadow-Kanal, dessen Inverse und die für die Varianzanalyse erforderlichen Momente, wodurch die oft bei Brickwork-Schaltungen notwendigen numerischen Approximationen vermieden werden.
Integration fortgeschrittener Protokolle: Der Rahmen integriert Derandomisierung, Multi-Shot-Protokolle (Wiederverwendung von Messbasen), Common Randomized Measurements (CRM) mit Bias-Zuständen sowie fehlerminimierte Schätzer.
Rauschmodellierung: Theoretische Analyse von Rauschmodellen (schichtweise und post-unitär) unter der Annahme, dass Pauli-Twirling Fehler in Pauli-Kanäle umwandelt, was die Konstruktion fehlerminimierter Schätzer mittels des verrauschten Shadow-Kanals ermöglicht.
Experimentelle Validierung: Implementierung auf IBM-Quantenhardware (bis zu 40 Qubits, 46 Schichten von Zwei-Qubit-Gates), um derandomisierte Block-Shadows, Common Randomized Measurements mit Fehlerminimierung und Entanglement-verstärktes maschinelles Lernen zu testen.

Zentrale Beiträge und Ergebnisse

1. Theoretischer Rahmen und Derandomisierung

Die Autoren kombinieren Derandomisierung mit flachen Messungen und erhalten deterministische Messbasen, deren Konfidenzgrenzen nicht größer sind als der randomisierte Durchschnitt.
Ergebnis: Numerische und Hardware-Experimente am Cluster-Heisenberg-Modell zeigen, dass derandomisierte Block-Shadows weniger Messungen erfordern als Ein-Qubit-Derandomisierung, um die Energieunsicherheit zu schätzen, selbst in Gegenwart von Hardware-Rauschen.

2. Stichprobenkomplexität und Typical-Case-Skalierung

Das Paper stellt fest, dass für Block-Shadows mit $k2^k = \Omega(n)$ die Shadow-Norm von Observablen mit beschränkter Schatten-2-Norm in typischen Fällen konstant bleibt.
Zustandsabhängige Observablen: Im Gegensatz zu Analysen für feste Observablen behandelt der Rahmen korrelierte Einstellungen (z. B. Zustandsverifizierung, bei der die Observable der Zustand selbst ist). Die Autoren zeigen, dass Block-Shadows im Typical-Case-Regime dieselbe Skalierung erreichen wie globale zufällige Clifford-Messungen.
Reinheitsabschätzung (Purity Estimation): Ein Multi-Shot-Reinheits-Schätzer wird konstruiert. Theoretische Grenzwerte deuten darauf hin, dass für typische Zustände die Stichprobenkomplexität ähnlich wie bei RCM skaliert, wobei der $V_2/NS$ -Term durch die Wiederverwendung von Messbasen unterdrückbar ist.

3. Common Randomized Measurements (CRM) und Fehlerminimierung

Der Rahmen erweitert CRM auf flache Shadows, was die Verwendung eines Bias-Zustands $\sigma$ (der $\rho$ approximiert) zur Varianzreduktion ermöglicht.
Fehlerminimierung: Die Autoren erweitern robuste Shadow-Techniken auf Block-Shadows. Experimente an 40 Qubits zeigen, dass die Fehlerminimierung die Genauigkeit von CRM signifikant verbessert, selbst wenn der Bias-Zustand weniger genau ist (geringere Bindungsdimension).

4. Entanglement-verstärktes Maschinelles Lernen

Die Studie untersucht, ob klassische Modelle des maschinellen Lernens (ML), die auf Daten aus verschränkten flachen Messungen trainiert wurden, Modelle übertreffen, die auf Ein-Qubit-Daten basieren.
Ergebnis: Unter Verwendung von Kernel PCA auf Daten aus dem Su–Schrieffer–Heeger (SSH)-Modell zeigen die Autoren, dass Zwei-Qubit-Blockmessungen ( $k=2$ ) eine schärfere Phasenübergangssignatur nahe dem kritischen Punkt ( $w=1$ ) liefern als Ein-Qubit-Messungen ( $k=1$ ). Die Ableitung der Fitting-Funktion peakt bei $w \approx 1,026$ , was konsistent mit dem theoretischen Übergangspunkt ist.

5. Effizienz der Post-Processing-Verfahren

Aufgrund der Tensorprodukt-Struktur der Block-Shadows ist die Inverse des Shadow-Kanals exakt und in geschlossener Form berechenbar. Dies steht im Gegensatz zu Brickwork-Shadows, die oft Tensor-Netzwerk-Approximationen oder numerische Optimierungen für die Inverse erfordern, was einen deutlichen Vorteil in der Effizienz der Post-Processing-Verfahren bietet.

Bedeutung und Ansprüche

Das Paper behauptet, dass Messungen mit geringer Tiefe, speziell über den Block-Shadow-Rahmen, praktische Vorteile auf verrauschten Quantengeräten bieten.

Robustheit: Die Vorteile flacher Messungen bleiben trotz experimentellen Rauschens bestehen, wie durch Hardware-Experimente validiert wurde.
Vielseitigkeit: Der Rahmen vereint verschiedene klassische Shadow-Varianten (derandomisiert, Multi-Shot, CRM, fehlerminimiert) unter einem einzigen theoretischen Dach basierend auf Clifford-Ensembles.
Skalierbarkeit: Durch die Verwendung von Schaltungen mit logarithmischer Tiefe ( $O(\log n)$ ) schlägt der Ansatz die Lücke zwischen einfachen lokalen Messungen und globalen Clifford-Messungen, was die Untersuchung komplexer Quantenzustände und physikalischer Größen auf aktueller NISQ-Hardware ermöglicht.
ML-Vorteil: Die Ergebnisse legen nahe, dass verschränkte Messungen die klassische Repräsentation von Quantenexperiment-Daten für ML-Aufgaben verbessern können, was potenziell die Anzahl der Experimente reduziert, die erforderlich sind, um Grundeigenschaften zu lernen oder Phasenübergänge zu detektieren.

Die Autoren nehmen eine moderate Haltung ein und merken an, dass ihre Ergebnisse im „Typical Case“ keine Garantien für den „Worst Case“ implizieren (unter Verweis auf spezifische Block-Produkt-Gegenbeispiele, bei denen die Skalierung ungünstig ist) und dass der Ansatz am effektivsten für Systeme ist, in denen lokale Korrelationen signifikant sind oder Bias-Zustände verfügbar sind.