Recent quantum runtime (dis)advantages

Dieser Artikel argumentiert, dass aktuelle Behauptungen eines Quantenvorteils häufig durch das Ausblenden erheblicher systemweiter Overheads verzerrt sind, und zeigt durch experimentell fundierte End-zu-End-Laufzeitdefinitionen sowie starke klassische Baselines, dass auf NISQ-Hardware für die untersuchten Annealing- und gate-basierten Algorithmen noch kein glaubwürdiger Laufzeitvorteil erzielt wurde.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Rennwagen-Richter, der entscheiden soll, ob ein neuer, futuristischer Elektroauto (der Quantencomputer) tatsächlich schneller ist als ein Hochleistungssportwagen (der Klassische Computer).

Die Autoren dieses Papers, ein Team von Forschern aus Polen, haben sich entschlossen, neuere Behauptungen, wonach das Elektroauto gewinnt, unter einem frischen Blick zu betrachten. Sie stellten fest, dass das Elektroauto zwar auf dem Armaturenbrett schnell aussieht, ein genaueres Hinsehen auf das gesamte Rennen jedoch offenbart, dass es tatsächlich verliert.

Hier ist die Aufschlüsselung ihrer Erkenntnisse unter Verwendung einfacher Analogien:

Das Kernproblem: „Die Stoppuhr vs. die Rundenzeit"

In der Vergangenheit, als man diese Computer verglich, maß man oft nur den Moment, in dem der Motor tatsächlich lief (die „Berechnung"). Man ignorierte die Zeit, die für Folgendes benötigt wurde:

• Den Motor starten.
• Den Gang einlegen.
• Die Reifen prüfen.
• Das Tachometer an der Ziellinie ablesen.

Die Autoren argumentieren, dass bei Quantencomputern diese „zusätzlichen Schritte" so viel Zeit in Anspruch nehmen, dass sie den Geschwindigkeitsvorteil vollständig zunichtemachen. Man kann nicht nur den Motor stoppen; man muss die gesamte Fahrt von der Garage bis zur Ziellinie stoppen.

Fallstudie 1: Der Quanten-Annealer (Das „Langsame Auslesen"-Rennen)

Die Behauptung: Eine kürzliche Studie besagte, ein Quanten-Annealer (eine Art Quantencomputer, der Optimierungsprobleme löst) werde schneller, je größer die Probleme wurden.
Der Realitätscheck: Die Autoren führten das Experiment erneut durch, stoppten jedoch den gesamten Prozess, einschließlich des Auslesens der Ergebnisse.

• Die Analogie: Stellen Sie sich einen Läufer vor, der die 100 Meter in 0,5 Sekunden sprintet (der Quanten-Teil). Aber jedes Mal, wenn er das Ziel erreicht, muss er langsam zur Startlinie zurücklaufen, um seine Zeit aufgezeichnet zu bekommen, was 200 Sekunden dauert.
• Das Ergebnis: Der „Sprint" ist schnell, aber das „Zurücklaufen" ist so langsam, dass die Gesamtzeit nicht besser wird, je länger das Rennen wird. Der Quantencomputer wird derzeit von der Zeit dominiert, die zum „Auslesen der Antwort" benötigt wird, was ihn für diese Aufgaben nicht schneller als die besten klassischen Computer macht.

Fallstudie 2: Simons Problem (Der „Magische Trick" vs. der „Rechner")

Die Behauptung: Eine andere Studie zeigte einen Quantencomputer, der ein spezifisches mathematisches Rätsel (Simons Problem) mit weit weniger „Fragen" (Oracle-Aufrufe) löste als ein klassischer Computer. Es sah aus wie ein magischer Trick, bei dem der Quantencomputer nur wenige Vermutungen benötigte, während der klassische Millionen benötigte.
Der Realitätscheck: Die Autoren betrachteten die tatsächliche Zeit, die zum Lösen des Rätsels auf einer echten Maschine benötigt wurde.

• Die Analogie: Der Quantencomputer ist wie ein Zauberer, der die Antwort in 1 Sekunde erraten kann, aber sehr langsam beim Wirken des Zaubers und beim Auslesen des Ergebnisses ist. Der klassische Computer ist ein superschneller Rechner, der eine Million Fragen stellen muss, aber sie so schnell stellt, dass er die gesamte Arbeit in 0,03 Sekunden abschließt.
• Das Ergebnis: Obwohl der Quantencomputer weniger Fragen stellte, machte ihn der „Overhead" des Ausführens des Zaubers in der realen Welt 100-mal langsamer. Der „Magie" ist noch nicht schnell genug, um den Rechner zu schlagen.

Fallstudie 3: Der Hybride Algorithmus (Das „Ungerechte Rennen")

Die Behauptung: Eine dritte Studie behauptete, ein hybrider Quanten-Klassischer Algorithmus sei der schnellste Weg, komplexe Geschäftsprobleme zu lösen.
Der Realitätscheck: Die Autoren stellten zwei Hauptprobleme fest:

1. Die Stoppuhr war defekt: Sie zählten die Zeit nicht mit, die für das Abstimmen der Einstellungen (Hyperparameter) oder die Zeit aufgewendet wurde, die der klassische Computer verbrachte, um dem Quantencomputer zu helfen.
2. Der Gegner war schwach: Sie verglichen den Quantencomputer mit einem „langsamen" klassischen Algorithmus (CPLEX), der nicht für die spezifische Art des Problems optimiert war.

• Die Analogie: Es war wie ein Vergleich zwischen einem Ferrari und einem Fahrrad, bei dem man jedoch nur den Motor des Ferraris stoppte und die Zeit ignorierte, die für die Fahrt zur Strecke benötigt wurde. Als die Autoren einen ordentlichen, Hochgeschwindigkeits-Sportwagen (einen abgestimmten klassischen Algorithmus) ins Rennen brachten, gewann der Quanten-„Ferrari" nicht. Tatsächlich war der klassische Wagen schneller.

Das große Fazit

Das Paper kommt zu dem Schluss, dass wir in der realen Geschwindigkeit noch keinen echten „Quantenvorteil" gesehen haben.

Nur weil ein Quantencomputer einen theoretischen Vorteil hat (wie das Bedürfnis nach weniger Schritten), bedeutet das nicht, dass er heute das Rennen gewinnt. Der „Overhead" (Einrichtung, Auslesen der Ergebnisse, Kühlung usw.) ist derzeit zu schwerfällig.

Die Ratschläge der Autoren für zukünftige Rennen:
Um zu beweisen, dass Quantencomputer wirklich schneller sind, müssen zukünftige Studien Folgendes tun:

1. Die gesamte Fahrt stoppen: Einrichtung, Auslesen und Kühlung in die Stoppuhr einbeziehen.
2. Einen fairen Gegner wählen: Vergleiche mit den besten, modernsten klassischen Computern anstellen, nicht mit veralteten.
3. Ehrlich mit den Statistiken sein: Nicht nur das eine Rennen auswählen, in dem das Quantenauto gewonnen hat; betrachten Sie die durchschnittliche Leistung.

Bis diese Bedingungen erfüllt sind, bleibt der „Quantenvorteil" ein Versprechen für die Zukunft, keine Realität für heute.

Technische Zusammenfassung

1. Problemstellung

Das zentrale Problem, das behandelt wird, ist das Fehlen einer robusten, experimentell fundierten Definition der Quanten-Laufzeit, die verwendet wird, um einen „Quantenvorteil" zu behaupten. Aktuelle Behauptungen stützen sich häufig auf:

• Proxy-Metriken: Die Verwendung von „Annealing-Zeit" oder „Oracle-Call-Komplexität" als Ersatz für die gesamte Wandzeit.
• Ausgeschlossene Overheads: Das Ignorieren systemweiter Kosten wie Auslesung, Thermalisierung, Transpilierung (Kompilierung), Datentransfer und Hyperparameter-Tuning.
• Schwache Baselines: Der Vergleich von Quantenalgorithmen mit suboptimalen klassischen Implementierungen (z. B. sequenzielle Algorithmen oder solche, die eine Problemreformulierung erfordern).

Die Autoren argumentieren, dass ohne Berücksichtigung der End-to-End-Laufzeit (von der Problemstellung bis zur Extraktion der Lösung) Behauptungen eines Quantenvorteils auf aktueller Noisy Intermediate-Scale Quantum (NISQ)-Hardware oft verzerrt und irreführend sind.

2. Methodik

Die Autoren schlagen einen Rahmen für operativ sinnvolle Laufzeitdefinitionen vor und wenden ihn auf drei repräsentative Fallstudien an, die aktuelle hochkarätige Behauptungen eines Quantenvorteils betreffen.

A. Vorgeschlagene Laufzeitdefinitionen

• Quanten-Annealing: Die Gesamtlauzeit ($t_{tot}$) muss Folgendes umfassen:
  • Programmierzeit (Laden des Problems).
  • Annealing-Zeit ($t_{anneal}$).
  • Auslesezeit (Messung des Zustands).
  • Thermalisierungszeit (Zurücksetzen des Geräts).
  • Cloud-Zugriffs-Overheads.
• Gatterbasierte (Digitale) Quantencomputer: Die Gesamtlauzeit muss Folgendes umfassen:
  • Transpilierung (Kompilierung des Schaltkreises zu nativen Gattern/Topologie).
  • Ausführungszeit (Shots).
  • Auslesung und Thermalisierung zwischen den Shots.
  • Klassische Nachverarbeitung und Datentransfer.
• Klassische Baselines: Referenzalgorithmen müssen sein:
  • Parallelisierbar: Nutzung moderner Hardware (GPUs/FPGAs).
  • Nativ: Lösung des Problems ohne unnötige Reformulierung (z. B. Vermeidung der Umwandlung von Higher-Order Unconstrained Binary Optimization (HUBO) in Mixed-Integer Programming, wenn ein nativer Solver existiert).
  • Optimiert: Einschließlich der Kosten für Hyperparameter-Tuning.

B. Analysierte Fallstudien

1. Quanten-Annealing für approximatives QUBO: Neubewertung von Ref. [20] (Munoz-Bauza & Lidar).
2. Gatterbasierte Oracle-Abfrage (Simons Problem): Neubewertung von Ref. [21] (Singkanipa et al.).
3. Hybrider BF-DCQO-Algorithmus: Neubewertung von Ref. [22] (Chandarana et al.) für HUBO-Probleme.

3. Hauptbeiträge und Ergebnisse

Fallstudie 1: Quanten-Annealing (Approximatives QUBO)

• Ursprüngliche Behauptung: Ref. [20] berichtete einen Skalierungsvorteil für Quanten-Annealing gegenüber einer klassischen Referenz (PT-ICM) basierend auf der „Annealing-Zeit" ($t_{anneal}$).
• Neubewertung: Die Autoren maßen die gesamte QPU-Zugriffszeit (einschließlich Auslesung und Thermalisierung).
• Ergebnis:
  • Die Auslesezeit (~200 µs) dominiert die Gesamtlauzeit und übersteigt die Annealing-Zeit (0,5–27 µs) um 1–2 Größenordnungen.
  • Bei Verwendung der vollständigen End-to-End-Metrik ($TT_\epsilon$) verschwindet der Skalierungsvorteil; die Laufzeit bleibt über verschiedene Problemgrößen hinweg nahezu konstant.
  • Vergleich: Eine klassische Simulated Bifurcation Machine (SBM), die auf einer GPU läuft, übertrifft den Quanten-Annealer selbst unter optimistischen Annahmen und zeigt eine robuste Skalierung, die das Quantengerät nicht aufweist.

Fallstudie 2: Gatterbasierte Oracle-Abfrage (Eingeschränktes Simons Problem)

• Ursprüngliche Behauptung: Ref. [21] zeigte einen exponentiellen Vorteil in der Abfragekomplexität (Anzahl der Oracle-Aufrufe) für ein eingeschränktes Simons Problem auf IBM-Hardware.
• Neubewertung: Die Autoren verglichen die Wandzeit der Quantenimplementierung mit einem klassischen Brute-Force-Algorithmus, der auf einer einzelnen GPU läuft.
• Ergebnis:
  • Obwohl der Quantenalgorithmus exponentiell weniger Oracle-Aufrufe benötigt, ist die physikalische Zeit pro Aufruf aufgrund von Gatterausführung und Auslese-Overheads signifikant langsamer.
  • Ergebnis: Für die getestete Größe ($N=29$ Bits) löste die klassische GPU-Implementierung das Problem in ~0,035 s, während die Quantenimplementierung ~2 s benötigte (eine Verlangsamung um den Faktor ~100).
  • Kreuzungspunkt: Theoretische Extrapolation deutet auf einen Laufzeit-Kreuzungspunkt erst bei $N \approx 60$ hin, einer Größe, die für verrauschte Geräte derzeit unmöglich korrekt zu lösen ist.

Fallstudie 3: Hybrider BF-DCQO-Algorithmus (HUBO)

• Ursprüngliche Behauptung: Ref. [22] behauptete einen Laufzeitvorteil für einen digitalisierten counter-diabatischen Quantenalgorithmus (BF-DCQO) gegenüber Simulated Annealing (SA) und CPLEX für HUBO-Probleme.
• Neubewertung:
  • Mängel der Baseline: Die ursprüngliche Studie verwendete eine suboptimale klassische Baseline (CPLEX erforderte die Umformulierung von HUBO in Mixed-Integer Programming, was massive Overheads hinzufügte) und berichtete Ergebnisse für einzelne „beste" Instanzen statt statistischer Durchschnitte.
  • Neue Baseline: Die Autoren implementierten einen GPU-beschleunigten, nativen HUBO Simulated Annealing-Solver und verglichen ihn mit BF-DCQO.
  • Ergebnis: Der optimierte klassische SA übertraf den hybriden Quantenansatz sowohl in der Lösungsqualität als auch in der Time-to-Ratio ($TTR$).
  • Embedding-Problem: Beim Testen derselben Instanzen auf einem D-Wave Advantage2-Annealer führte das erforderliche Embedding (Mappung auf die Hardware-Topologie) zu langen Ketten und schlechter Lösungsqualität, was jeden potenziellen Vorteil weiter zunichtemachte.

4. Bedeutung und Schlussfolgerungen

Hauptschlussfolgerung

Unter experimentell fundierten, End-to-End-Leistungsmetriken wurde auf aktueller NISQ-Hardware kein praktischer Laufzeit-Quantenvorteil nachgewiesen. Die beobachteten „Vorteile" in der aktuellen Literatur sind Artefakte von:

1. Dem Ignorieren dominanter Overheads (Auslesung, Kompilierung, Thermalisierung).
2. Der Verwendung schwacher oder nicht-nativer klassischer Baselines.
3. Der reliance auf asymptotische Komplexitätsmetriken (wie Abfragekomplexität), die sich für kleine Problemgrößen nicht in Wandzeitgeschwindigkeit übersetzen.

Vorgeschlagene Prinzipien für zukünftige Benchmarks

Die Autoren skizzieren eine Reihe von Prinzipien, um glaubwürdige Behauptungen eines Quantenvorteils sicherzustellen:

1. Primäre Laufzeitmessung: Messung der gesamten Ausführungszeit direkt, nicht abgeleitet von nominellen Parametern.
2. Umfassende Overhead-Berücksichtigung: Einbeziehung aller systemweiten Kosten (Auslesung, Datentransfer, Tuning).
3. Standardisierte Metriken: Verwendung von Metriken wie Time-to-$\epsilon$ ($TT_\epsilon$) über diverse Instanzen hinweg.
4. Skalierungsintegrität: Analyse der Skalierung über einen breiten Bereich von Problemgrößen, um Finite-Size-Effekte zu vermeiden.
5. High-Performance klassische Baselines: Vergleich mit state-of-the-art, parallelisierten klassischen Solvern (z. B. GPU-basierte SBM oder SA).
6. Die hybride Nullhypothese: Für hybride Algorithmen testen, ob der Ersatz des Quanten-Subroutines durch ein klassisches Äquivalent ähnliche oder bessere Leistung ergibt.

Auswirkung

Diese Arbeit dient als kritischer Realitätscheck für das Feld des Quantencomputings. Sie betont, dass, obwohl theoretische Beschleunigungen existieren, die technische Realität aktueller Hardware (Rauschen, Latenz, Overheads) derzeit verhindert, dass diese in praktischen Nutzen übersetzt werden. Glaubwürdige Behauptungen eines Vorteils erfordern rigoroses, reproduzierbares und ganzheitliches Benchmarking, das Quanten- und klassische Systeme mit gleicher operationeller Strenge behandelt.