Benchmarking neutral atom-based quantum processors at scale

Stellen Sie sich eine Welt vor, in der Computer nicht nur Zahlen berechnen, sondern mit dem eigentlichen Gewebe der Realität tanzen. Dies ist das Reich des Quantencomputings, ein Feld, in dem winzige Teilchen wie Atome als die Neuronen eines Gehirns fungieren. Im Gegensatz zu Ihrem Laptop, der Bits verwendet, die entweder eine 0 oder eine 1 sind, nutzen diese Quantenmaschinen „Qubits“, die 0, 1 oder eine magische Mischung aus beidem gleichzeitig sein können. Ein vielversprechender Weg, diese Maschinen zu bauen, besteht darin, einzelne Atome in unsichtbaren Käfigen aus Laserlicht einzufangen, die man optische Pinzetten nennt. Diese Atome sind wie Tänzer auf einer Bühne; wenn sie sich zu nahe kommen, interagieren sie auf eine besondere Weise, die als „Rydberg-Blockade“ bezeichnet wird, bei der sie sich weigern, gleichzeitig angeregt zu werden. Wissenschaftler nutzen diese Regel, um unglaublich schwierige Rätsel zu lösen, wie zum Beispiel die beste Art und Weise zu finden, eine Gruppe von Menschen so anzuordnen, dass keine zwei Freunde nebeneinander sitzen. Aber hier liegt der Haken: Diese Quantentänzer sind zerbrechlich. Lärm aus der Umgebung kann sie ins Straucheln bringen, und während wir größere Bühnen mit mehr Atomen bauen, wird es schwieriger festzustellen, ob die Maschine tatsächlich klüger wird oder nur lauter. Deshalb brauchen wir einen Weg, sie fair zu testen, nicht nur indem wir auf ihre internen Teile schauen, sondern indem wir sehen, wie gut sie reale Probleme lösen.

Dieses Paper ist wie ein riesiges, faires Sportturnier für zwei der fortschrittlichsten Quantencomputer des Planeten: einen, der von QuEra (genannt Aquila) gebaut wurde, und einen von Pasqal (genannt Fresnel). Die Forscher wollten sehen, welche Maschine besser darin ist, ein spezielles Rätsel zu lösen, das als „Maximales Unabhängiges Set“ (MIS) bekannt ist. Stellen Sie sich vor, Sie haben eine Karte einer Stadt mit vielen Kreuzungen (Punkten) und Straßen, die sie verbinden (Linien). Das Ziel ist es, die größtmögliche Gruppe von Kreuzungen auszuwählen, sodass keine zwei ausgewählten Kreuzungen direkt durch eine Straße verbunden sind. Es klingt einfach, aber wenn die Stadt wächst, explodiert die Anzahl der möglichen Kombinationen, was für reguläre Computer zu einem Albtraum wird. Die Forscher nutzten zwei verschiedene „Strategien“, um dies auf den Quantenmaschinen zu lösen. Die erste ist der Quanten-adiabatische Algorithmus (QAA), der so ist, als würde man eine Murmel langsam einen gewundenen Hügel hinunterführen; wenn man langsam genug geht, rollt sie ganz natürlich in das tiefste Tal, welches die beste Lösung darstellt. Die zweite ist der Quanten-Approximations-Optimierungs-Algorithmus (QAOA), der eher einem Spiel aus „Heiß und Kalt“ gleicht, bei dem der Computer verschiedene Einstellungen ausprobiert, aus den Ergebnissen lernt und seinen Ansatz anpasst, um den besten Punkt zu finden.

Das Team testete diese Maschinen an Problemen, die von kleinen Aufbauten mit 11 Atomen bis hin zu massiven Herausforderungen mit 102 Atomen für Aquila und 85 für Fresnel reichten. Sie schauten nicht nur darauf, ob die Maschinen die perfekte Antwort fanden; sie untersuchten auch, wie oft sie valide Antworten fanden (Lösungen, die tatsächlich den Regeln folgen) und wie nah diese Antworten an der bestmöglichen Lösung lagen. Die Ergebnisse zeigten einen klaren Trend: Wenn die Rätsel größer wurden, fiel es beiden Maschinen schwerer, die perfekte Lösung zu finden, was zu erwarten war, da die Probleme schwieriger und die Maschinen verrauschter werden. Dennoch schnitt Aquila im Allgemeinen besser ab als Fresnel, insbesondere wenn die Rätsel wirklich groß wurden. Beispielsweise fand Aquila bei einem 85-Atom-Problem etwa 22,1 % der Zeit valide Lösungen, während Fresnel nur 4,6 % schaffte. Interessanterweise stellten die Forscher fest, dass die QAOA-Strategie nicht immer die langsamere, stetigere QAA-Strategie schlug, was darauf hindeutet, dass manchmal ein sanfterer, langsamerer Ansatz besser funktioniert als ein schneller, komplexerer auf diesen spezifischen Maschinen.

Die Autoren erstellen zudem eine massive Bibliothek neuer Rätsel, die bis zu 1.000 Atome umfasst und als Standardtest für zukünftige Quantencomputer dienen wird, während diese gebaut werden. Sie merken vorsichtig an, dass dieser Test uns nicht genau sagt, warum eine Maschine gescheitert ist (wie etwa ein defekter Laser oder ein schlechter Algorithmus); stattdessen liefert er eine „Scorecard“, wie gut das gesamte System im echten Leben zusammenarbeitet. Es ist wie das Beurteilen eines Autos, nicht indem man jede Schraube misst, sondern indem man sieht, wie schnell und sicher es eine Rennstrecke abfährt. Das Paper kommt zu dem Schluss, dass zwar noch keiner der Maschinen das Problem des Rauschens „gelöst“ hat, Aquila derzeit jedoch die Führung darin hält, diese groß angelegten, nativen Optimierungsaufgaben zu bewältigen. Dieser Benchmark bietet eine gemeinsame Sprache für Wissenschaftler, um verschiedene Quantentechnologien zu vergleichen, und stellt sicher, dass wir, während wir größere und leistungsfähigere Maschinen bauen, wirklich messen können, ob sie besser darin werden, die Aufgaben zu erledigen, die wir tatsächlich von ihnen benötigen.