⚛️ quantum physics

Enhanced measurements on quantum computers via the simultaneous probing of non-commuting Pauli operators

Diese Arbeit präsentiert eine erste experimentelle Implementierung eines Zwei-Kopien-Messverfahrens unter Verwendung von Bayesscher Statistik und adaptiver Schussallokation zur simultanen Untersuchung nicht-kommutierender Pauli-Operatoren, wobei die Fähigkeit demonstriert wird, den Stand der Technik bei der Minimierung der Gesamtmessschüsse für hochpräzise Schätzungen trotz inhärenter Varianz-Overheads zu übertreffen.

Ursprüngliche Autoren: Rick P. A. Simon, Zheng Shi, Charlie Nation, Andrew Jena, Luca Dellantonio

Veröffentlicht 2026-09-23

📖 4 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Rick P. A. Simon, Zheng Shi, Charlie Nation, Andrew Jena, Luca Dellantonio

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

Quantencomputer versprechen die Lösung von Problemen, die für heutige Maschinen unmöglich sind, vom Design neuer Medikamente bis hin zur Modellierung komplexer Materialien. Diese Maschinen sind jedoch notorisch zerbrechlich und schwer auszulesen. Um zu verstehen, was ein Quantencomputer tut, müssen Wissenschaftler seinen Zustand messen, aber dieser Prozess ist mit Schwierigkeiten behaftet. Die Informationen, die sie suchen, sind oft in einer Ansammlung winziger, interagierender Teile kodiert, die nicht gut zusammenarbeiten; das Messen eines Teils kann die anderen stören, und viele der Eigenschaften, die sie überprüfen müssen, können nicht gleichzeitig beobachtet werden. Dies schafft einen Engpass: Um ein klares Bild des Systems zu erhalten, müssen Forscher ihre Messungen tausende oder millionenfach wiederholen, ein Prozess, der kostbare Zeit und Ressourcen verbraucht. Die zentrale Herausforderung besteht darin, wie man die genauesten Informationen möglich sammelt, während man die geringste Anzahl dieser teuren Messungen verwendet.

Ein Team von Forschern hat eine neue Strategie entwickelt, um dieses Problem anzugehen, eine, die die Art und Weise ändert, wie sie die gesammelten Daten betrachten. Anstatt zu versuchen, den Quantenzustand nur einmal zu messen und auf das Beste zu hoffen, beinhaltet ihre Methode das gleichzeitige Vorbereiten von zwei identischen Kopien des Zustands. Durch das gleichzeitige Sondieren dieser Zwillingskopien können die Forscher Informationen über die Eigenschaften des Systems auf eine Weise extrahieren, die zuvor unmöglich war. Sie fanden heraus, dass dieser „doppelte“ Ansatz es ihnen ermöglicht, den Durchschnittswert einer Eigenschaft zu bestimmen und, entscheidend, die Unsicherheit dieser Messung während des Vorgangs zu berechnen. Dieses Echtzeitwissen über den Fehler ermöglicht es ihrem System, intelligent darüber zu entscheiden, wo es seine Anstrengungen einsetzt. Es kann sofort erkennen, welche Teile des Systems noch unsicher sind, und sich auf genau diese Teile bei der nächsten Messung konzentrieren, anstatt Ressourcen für Teile zu verschwenden, die bereits gut verstanden sind.

Die Forscher testeten diese Idee mithilfe einer Computersimulation eines Quantenalgorithmus, wobei sie ihre neue Methode gegen die besten existierenden Techniken antreten ließen. Sie konzentrierten sich auf zwei Arten von Systemen: ein Modell von Kernspins, die in einem Gitter angeordnet sind, und eine Simulation eines Wasserstoffmoleküls. In diesen Simulationen standen die zu messenden Quanteneigenschaften oft in Konflikt miteinander, was bedeutet, dass sie auf traditionelle Weise nicht gleichzeitig gemessen werden konnten. Das neue Protokoll des Teams, das sie das „Double Scheme“ nennen, erwies sich in diesen schwierigen Szenarien als signifikant effizienter. Wenn die Eigenschaften stark nicht-kommutierend waren – das heißt, sie widersetzten sich einer gemeinsamen Messung –, benötigte die neue Methode weita viel weniger Gesamtmessungen, um das gleiche Maß an Präzision wie die älteren Methoden zu erreichen. In einigen Fällen reduzierte sie die Anzahl der benötigten Messungen um den Faktor zwei oder mehr, eine erhebliche Ersparnis in der Welt des Quantencomputings, in der jede Messung zählt.

Der Erfolg dieses Ansatzes beruht auf einer klugen Feedbackschleife. Der Algorithmus aktualisiert ständig sein Verständnis des Systems basierend auf den Ergebnissen jeder Messung. Er nutzt eine statistische Methode, um vorherzusagen, welche Messung die Gesamtunsicherheit am meisten reduzieren wird. Wenn sich das System über das „Vorzeichen“ einer Eigenschaft unsicher ist (ob sie positiv oder negativ ist), weiß der Algorithmus, dass er diese Eigenschaft allein messen muss. Wenn es sich über die Größenordnung (wie stark die Eigenschaft ist) unsicher ist, kann es das Double Scheme nutzen, um ein klareres Bild der Größe zu erhalten, ohne bereits das Vorzeichen kennen zu müssen. Diese adaptive Strategie bedeutet, dass der Computer nicht einfach blind Messungen wiederholt; er lernt während des Prozesses und priorisiert die unsichersten Teile des Puzzles. Die Forscher bestätigten, dass ihre Fehlerschätzungen statistisch fundiert waren, was bedeutet, dass die von ihnen berechnete Unsicherheit mit der tatsächlichen Variation der Ergebnisse übereinstimmte, was ihnen ein zuverlässiges Maß für ihren Fortschritt gab.

Obwohl das Double Scheme ein mächtiges Werkzeug ist, merkten die Forscher an, dass es kein Allheilmittel für jede Situation ist. Die Methode erfordert mehr physische Ressourcen, insbesondere doppelt so viele Qubits, um die zwei Kopien des Zustands zu halten, und sie ist am effektivsten, wenn die zu messenden Eigenschaften schwierig zu gruppieren sind. In Fällen, in denen die Eigenschaften bereits leicht gleichzeitig messbar sind, ist der zusätzliche Aufwand des Double Schemes möglicherweise nicht gerechtfertigt. Doch für die komplexen Probleme, die Quantencomputer lösen sollen – bei denen viele Eigenschaften miteinander verflochten und nicht-kommutierend sind –, bietet diese neue Methode einen klaren Weg nach vorn. Sie legt nahe, dass Wissenschaftler durch die Verwendung mehrerer Kopien eines Zustands und die adaptive Anpassung der Messstrategie im laufenden Betrieb mehr Informationen mit weniger Aufwand gewinnen können, was die praktische Nutzbarkeit von Quantencomputern einen Schritt näher an die Realität bringt.

Technische Zusammenfassung: Verbesserte Messungen auf Quantencomputern durch simultane Sondierung nicht-kommutierender Pauli-Operatoren

Problemstellung
Die genaue Schätzung des Erwartungswerts einer Observablen $\hat{O}$ auf Quantencomputern ist ein grundlegender Flaschenhals für Algorithmen, insbesondere für Variationelle Quantenalgorithmen (VQAs). Observablen werden typischerweise als gewichtete Summen von Pauli-Strings (PS) ausgedrückt, $\hat{O} = \sum c_i \hat{P}_i$ . Standardmäßige Messprotokolle erfordern das Gruppieren kommutierender PS, um diese simultan zu messen. Da eine Observable jedoch viele nicht-kommutierende PS enthalten kann, erhöht sich die Anzahl der erforderlichen Messgruppen, was eine effiziente Strategie zur Allokation eines endlichen Messbudgets ( $M$ ) zur Minimierung des Schätzfehlers notwendig macht. Bestehende Methoden, wie Classical Shadows oder Gruppierungsstrategien, haben oft Schwierigkeiten, präzise Schätzungen sowohl des Mittelwerts als auch des statistischen Fehlers in einem einzelnen Durchlauf zu liefern, oder sie versagen bei der optimalen Allokation von Shots, wenn nicht-kommutierende Terme dominieren.

Methodik
Die Autoren schlagen ein „Double“-Messschema vor, das die Multi-Kopie-Quantenzustandspräparation mit einem Bayesschen statistischen Rahmen kombiniert.

Multi-Kopie-Prinzip: Anstatt eine einzelne Kopie des Zustands $|\phi\rangle$ zu messen, bereitet das Protokoll zwei identische Kopien vor, $|\psi\rangle = |\phi\rangle \otimes |\phi\rangle$ . Dies ermöglicht die simultane Messung von „doppelten“ Pauli-Strings $\hat{P}_i \otimes \hat{P}_i$ . Entscheidend ist, dass $\hat{P}_i$ und $\hat{P}_j$ zwar nicht kommutieren mögen, ihre verdoppelten Versionen $\hat{P}_i \otimes \hat{P}_i$ und $\hat{P}_j \otimes \hat{P}_j$ jedoch immer kommutieren, was eine simultane Bewertung der Magnituden für alle Pauli-Terme unabhängig von deren Kommutationsrelationen ermöglicht.
Bayessche Schätzung: Das Schema verwendet Bayessche Inferenz, um die Wahrscheinlichkeit $\theta_i$ $θ_{i}$ für das Erhalten von $+1$ $+ 1$ bei einer einzelnen Pauli-Messung und $\phi_i$ $ϕ_{i}$ für eine Doppelmessung zu schätzen.
- Die Beziehung zwischen Einzel- und Doppel-Ergebnissen wird als $\phi_i = \theta_i^2 + (1-\theta_i)^2$ abgeleitet.
- Das Protokoll konstruiert Posterior-Verteilungen $P_1$ (für Einzel-/Doppel-Ergebnisse eines PS) und $P_2$ (für korrelierte Ergebnisse kommutierender PS-Paare), um den Mittelwert $\hat{O}$ und kritisch die Varianz des Schätzers $(\Delta \hat{O})^2$ zu schätzen.
- Im Gegensatz zu früheren Arbeiten, die die Varianz aus den Kovarianzen der PS berechnen, berechnet diese Methode die Varianz des Schätzers selbst, was eine Echtzeit-Fehlermonitoring ermöglicht.
Adaptive Shot-Allokation: Ein Algorithmus alloziert Mess-Shots dynamisch zwischen dem „Double“-Schema (Messung aller $\hat{P}_i \otimes \hat{P}_i$ $\hat{P}_{i} \otimes \hat{P}_{i}$ ) und dem „Single“-Schema (Messung Gruppen kommutierender $\hat{P}_i$ $\hat{P}_{i}$ ).
- Der Algorithmus nutzt „virtuelle Messungen“, um die Reduktion von $(\Delta \hat{O})^2$ für jede mögliche Wahl vorherzusagen.
- Er berücksichtigt den Ressourcen-Overhead des Double-Schemas (das die doppelte Anzahl an Qubits und potenziell mehr Schaltungstiefe erfordert), indem er eine effektive Shot-Anzahl definiert: $M_{eff} = M_{single} + 2\alpha M_{double}$ .
- Der Algorithmus priorisiert die Abtastung der unsichersten Pauli-Terme und zielt dabei spezifisch auf die Auflösung von Vorzeichenambiguitäten ab, die durch die symmetrische Natur von Doppelmessungen entstehen, wenn $\langle \hat{P}_i \rangle \approx 0$ .

Wesentliche Beiträge

Erste Implementierung: Diese Arbeit präsentiert die erste Implementierung eines Zwei-Kopie-Schemas innerhalb eines Messprotokolls, das Bayessche Statistik integriert.
Verbesserte Fehlermonitoring: Die Methode bietet eine genaue Schätzung des statistischen Fehlers $(\Delta \hat{O})^2$ neben dem Mittelwert in einem einzelnen Durchlauf. Während AEQuO als State-of-the-Art-Ansatz mit der Fähigkeit zur Fehlerabschätzung in einem einzelnen Durchlauf bezeichnet wird, erweitert diese Arbeit die Kapazität durch die Integration in ein Multi-Kopie-Framework, das eine überlegene Fehlerminimierung in spezifischen Regimen bietet.
Adaptiver Algorithmus: Die Autoren entwickeln einen Algorithmus, der intelligent zwischen Einzel- und Doppelmessungen umschaltet, basierend auf dem aktuellen Wissensstand, und so den Trade-off zwischen Ressourcenkosten und Fehlerminimierung optimiert.
Theoretische Bestätigung: Die Arbeit bestätigt numerisch theoretische Vorhersagen bezüglich des Overheads von Multi-Kopie-Schemata, insbesondere die quadratwurzel-abhängige Beziehung zwischen Varianz und Shot-Anzahl für Terme mit Erwartungswert Null.

Ergebnisse
Numerische Benchmarks wurden an Wasserstoffmolekül-Hamiltonianen ( $H_2$ ) und Quanten-Ising-Modellen mit variierenden Gittergrößen durchgeführt.

Performance vs. State-of-the-Art: Das Double-Schema übertrifft das aktuelle State-of-the-Art AEQuO-Protokoll und Fixed-Allocation-Strategien signifikant in Regimen, in denen die Observable viele nicht-kommutierende Pauli-Terme enthält (z. B. molekulare Hamiltonians). In diesen Fällen erreicht das Double-Schema geringere Schätzfehler für ein gegebenes effektives Messbudget. Die Autoren merken jedoch an, dass AEQuO in bestimmten Szenarien (wie bestimmten Ising-Modell-Instanzen) gelegentlich bessere Fehler liefert, was wahrscheinlich auf Unterschiede in den Strategien der Shot-Allokation basierend auf instantanem Wissen zurückzuführen ist.
Regime-Abhängigkeit: Der Vorteil hängt stark von den Eigenschaften der Observable ab. Für Systeme mit vielen nicht-kommutierenden Termen (wo Gruppierung schwierig ist) ist das Double-Schema überlegen. Wenn die Erwartungswerte jedoch nahe Null liegen, verschlechtert sich die Effizienz des Double-Schemas (die Varianz skaliert als $1/\sqrt{M}$ statt $1/M$ ), und der Algorithmus reduziert adaptiv die Allokation auf Doppelmessungen in diesen spezifischen Regimen.
Statistische Validität: Es wurde gezeigt, dass die geschätzten Fehlerbalken $(\Delta \hat{O})^2$ statistisch aussagekräftig sind und die Unsicherheit des Schätzers korrekt erfassen, ohne dass wiederholte experimentelle Durchläufe erforderlich sind.
Ressourcen-Skalierung: Die Zeitkomplexität des Algorithmus ist durch $O(p^2 M^3)$ begrenzt, kann aber durch Parallelisierung und Batch-Allokationsstrategien auf $O(M)$ optimiert werden.

Bedeutung und Ansprüche
Das Paper behauptet, dass das vorgeschlagene „Double“-Schema eine praktische, implementierungsbereite Weiterentwicklung für die Quantenmessung darstellt. Seine primäre Bedeutung liegt in der Fähigkeit, die Gesamtzahl der benötigten Shots zu minimieren, um eine Zielpräzision zu erreichen, insbesondere für komplexe Observablen, die von nicht-kommutierenden Termen dominiert werden, wie sie in der Quantenchemie-Simulation vorkommen. Durch die Bereitstellung einer robusten Single-Run-Fehlerabschätzung ermöglicht die Methode adaptive Messstrategien, die oft effizienter sind als aktuelle Best Practices, wenngleich die relative Performance von der spezifischen Kommutationsstruktur der Observable abhängt. Die Autoren stellen fest, dass das Schema zwar einen Ressourcen-Overhead verursacht (Faktor 2 bei Shots/Qubits), dieser jedoch oft durch die Reduktion der benötigten Gesamtzahl an Shots zur Konvergenz in nicht-trivialen Systemen wettgemacht wird. Die Arbeit kommt zu dem Schluss, dass dieser Ansatz besonders gut für Near-Term-Quantensimulationen geeignet ist, bei denen die Messbudgets streng limitiert sind.

Mehr davon