⚛️ quantum physics

Experimental prime factorization via the feedback quantum control

Diese Arbeit präsentiert einen all-quanten-basierten, messbasierten Feedback-Ansatz für die Primfaktorzerlegung, der die Notwendigkeit einer klassischen Parameteroptimierung eliminiert, und demonstriert dessen Machbarkeit durch die experimentelle Faktorisierung von 551 auf einem Drei-Qubit-NMR-Prozessor sowie die numerische Skalierung der Methode auf größere Biprime.

Ursprüngliche Autoren: K. B. Hari Krishnan, Vishal Varma, T. S. Mahesh

Veröffentlicht 2026-01-26

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: K. B. Hari Krishnan, Vishal Varma, T. S. Mahesh

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 einen riesigen, verschlossenen Tresor, der einen geheimen Code enthält. Der einzige Weg, ihn zu öffnen, besteht darin, zwei spezifische Schlüssel zu finden, die, wenn man sie miteinander multipliziert, die Zahl auf dem Zifferblatt des Tresors ergeben. In der Welt der Mathematik nennt man das Primfaktorzerlegung. Für sehr große Zahlen ist dies für normale Computer unglaublich schwer zu bewältigen.

Dieses Papier beschreibt einen neuen Weg, diese Codes mithilfe eines Quantencomputers zu knacken, aber mit einem cleveren Kniff: Anstatt einem starren, vorgefertigten Skript zu folgen, „lernt“ der Computer sich den Weg zur Antwort durch einen Prozess aus Versuch, Irrtum und Rückkopplung.

Hier ist eine einfache Aufschlüsselung, wie sie es gemacht haben und was sie herausgefunden haben:

Das Problem: Der „perfekte Pfad“ vs. die „Rückkopplungsschleife“

Normalerweise versuchen Quantencomputer, Probleme wie dieses auf zwei Arten zu lösen:

Die skriptbasierte Route (Shor-Algorithmus): Dies ist wie der Versuch, über ein Seil zu balancieren. Man benötigt perfektes Gleichgewicht und unglaublich präzise Schritte. Wenn man auch nur ein winziges bisschen schwankt (aufgrund von Rauschen oder Fehlern), fällt man herunter. Es erfordert extrem hochwertige Ausrüstung, die wir noch nicht vollständig besitzen.
Der langsame Kriechgang (Adiabatisch/Annealing): Dies ist wie das langsame Schmelzen eines Eisblocks, um einen verborgenen Edelstein darin zu finden. Es ist nachgiebiger, erfordert aber viel Schwerstarbeit durch einen normalen Computer, um den Schmelzplan im Voraus festzulegen.

Der neue Ansatz (FALQON):
Die Autoren schlagen eine Methode mit einer „Rückkopplungsschleife“ vor, die FALQ𝗼N genannt wird. Denken Sie an das Steuern eines Autos im Dunkeln.

Sie benötigen keine perfekte Karte des Weges vor Ihnen.
Stattdessen fahren Sie ein Stück, prüfen Ihre Position (messen das System) und passen dann das Lenkrad basierend auf dem an, was Sie gerade gespürt haben.
Wenn Sie nach links driften, lenken Sie nach rechts; wenn Sie nach rechts driften, lenken Sie nach links.
Durch ständiges Prüfen und Anpassen steuert sich das Auto von selbst in Richtung des Ziels (der korrekten Faktoren), ohne dass eine vorab berechnete Karte benötigt wird.

Das Experiment: Faktorisierung von 551

Um zu beweisen, dass dies funktioniert, nutzte das Team einen kleinen Quantencomputer, der aus drei winzigen Magneten (speziell drei Fluoratomen in einem Flüssigkeitsmolekül) in einer Maschine namens NMR-Spektrometer besteht.

Das Ziel: Sie wollten die zwei Primzahlen finden, die multipliziert die Zahl 551 ergeben. (Die Antwort ist 19 und 29).
Der Prozess: Sie begannen mit den Atomen in einem zufälligen, „warmen“ Zustand (wie eine Tasse Kaffee, die auf einem Tisch steht). Sie mussten sie nicht auf den absoluten Nullpunkt abkühlen oder perfekt vorbereiten.
Die Schleife:
1. Sie brachten eine „Schubkraft“ (ein Kontrollsignal) auf die Atome auf.
2. Sie maßen, wo sich die Atome befanden.
3. Basierend auf dieser Messung berechneten sie den nächsten nötigen Schub, um dem Ziel näher zu kommen.
4. Sie wiederholten dies immer und immer wieder.

Das Ergebnis:
Nach etwa 22 Runden dieses „Schub-Messen-Anpassen“-Zyklus pendelten sich die Atome in einen Zustand ein, der eindeutig die Zahlen 19 und 29 repräsentierte. Das System „fand“ die Faktoren auf natürliche Weise, ohne dass im Voraus ein Supercomputer die Schritte planen musste.

Warum dies besonders ist: Es ist robust und flexibel

Das Papier hebt zwei Hauptvorteile dieser Methode hervor:

Es ist belastbar (Wie ein selbstkorrigierender Kompass):
Reale Quantencomputer sind „verrauscht“. Die Kontrollsignale sind nicht perfekt; sie könnten etwas zu stark oder leicht schräg sein.
- Analogie: Stellen Sie sich vor, Sie versuchen, eine gerade Linie zu gehen, während jemand Sie sanft von der Seite schubst. Eine starre Methode würde dazu führen, dass Sie stolpern. Aber da FALQON nach jedem Schritt die Position prüft, korrigiert es den Schub sofort. Das Papier zeigt, dass die Methode selbst bei „unordentlichen“ Signalen die Antwort fand.
- Sie fanden auch heraus, dass die Verwendung einer speziellen Technik namens GRAPE (die sehr robuste Impulse entwirft) das System noch widerstandsfähiger gegen diese Fehler machte – vergleichbar mit einem Stoßdämpfer bei einem Auto, der eine holprige Straße glättet.
Es skaliert hoch (Der „Große-Zahlen-Test“):
Obwohl sie physisch nur die Zahl 551 getestet haben, nutzten sie Computersimulationen, um zu sehen, ob dies auch für viel größere Zahlen funktionieren würde.
- Sie simulierten die Faktorisierung von 9.167 (unter Verwendung von 5 Qubits) und 2.106.287 (unter Verwendung von 9 Qubits).
- Die Simulation zeigte, dass die Methode weiterhin funktionierte. Interessanterweise entdeckten sie, dass sie für diese größeren Zahlen nicht einmal die vollständige, komplexe „Karte“ des Problems benötigten. Sie konnten eine vereinfachte, „trunkierte“ Version der Regeln verwenden, und die Rückkopplungsschleife fand dennoch die korrekten Faktoren.

Das Fazate

Die Forscher haben erfolgreich demonstriert, dass man Zahlen mithilfe eines Quantencomputers faktorisieren kann, indem man das System durch ständige Messung und Anpassung die Antwort selbst „steuern“ lässt.

Keine perfekte Vorbereitung nötig: Man kann mit einem unordentlichen, zufälligen Zustand beginnen.
Keine vorab berechnete Karte: Der Computer findet den nächsten Schritt direkt vor Ort heraus.
Fehlertolerant: Es bewältigt das „Rauschen“ von Realexperimenten besser als andere Methoden.

Dies deutet auf einen vielversprechenden Weg hin, um schwierige mathematische Probleme auf den heutigen, unvollkommenen Quantenmaschinen zu lösen, ohne auf die perfekten, fehlerfreien Maschinen der Zukunft warten zu müssen.

Technisches Resümee: Experimentelle Primfaktorzerlegung mittels Feedback-Quantensteuerung

Problemstellung
Die aktuelle Quantenfaktorzerlegung steht in der Ära der NISQ-Hardware (Noisy Intermediate-Scale Quantum) vor erheblichen Hürden. Schaltungsbasierte Ansätze, wie der Shor-Algorithmus, erfordern hochpräzise Gatter und tiefe Schaltkreise ( $O(l^3)$ Gatter mit extrem niedrigen Infidelitäten), was die Demonstration auf sehr kleine Zahlen beschränkt. Im Gegensatz dazu kodieren Hamilton-Optimierungsmethoden (adiabatisch, Annealing oder variational) die Faktoren als entartete Grundzustände eines Problem-Hamiltonians ( $H_p$ ). Diese Methoden leiden jedoch häufig unter langsamer Evolution, strengen Anforderungen an den Anfangszustand und dem Bedarf an aufwendiger klassischer Nachbearbeitung zur Bestimmung zeitabhängiger Kontrollparameter.

Methodik: FALQON
Die Autoren schlagen und implementieren FALQON (Feedback-based Algorithm for Quantum Optimization), einen messbasierten, rein quantenmechanischen iterativen Ansatz.

Kernmechanismus: FALQON nutzt ein von der Lyapunov-Theorie inspiriertes iteratives Schema. Anstatt die Kontrollfelder vorab zu berechnen, misst der Algorithmus in jeder Iteration den momentanen Zustand des Quantensystems, um die Antriebsparameter für den nächsten Schritt zu bestimmen.
Steuerungslogik: Das System entwickelt sich unter einem Gesamt-Hamiltonian $H_{total} = H_p + \beta(t)H_d$ , wobei $H_p$ der Problem-Hamiltonian und $H_d$ der Antriebs-Hamiltonian ist. Der skalare Kontrollparameter $\beta_{j+1}$ für die Iteration $j+1$ wird durch Messung des Erwartungswerts der Kommutator-Observablen $C = i[H_p, H_d]$ in der Iteration $j$ bestimmt. Die Aktualisierungsregel lautet $\beta_{j+1} = c \langle C \rangle_{\rho_j}$ , wobei $c$ ein Skalierungsfaktor ist. Dies stellt sicher, dass die Energie $\langle H_p \rangle$ monoton (oder asymptotisch) gegen den Grundzustand sinkt.
Experimentelle Implementierung: Die Autoren implementieren dies auf einem Drei-Qubit-NMR-Register unter Verwendung von $^{19}$ $^{19}$ F-Kernen in 1,1,2-Trifluor-2-iodeten.
- Hamiltonian-Realisierung: Der Problem-Hamiltonian für die Biprimzahl 551 wird mittels Digital-Analog-Quantencomputing (DAQC) realisiert. Um die Empfindlichkeit gegenüber Puls-Imperfektionen zu mildern, setzen die Autoren Gradient Ascent Pulse Engineering (GRAPE) ein, um robuste RF-Sequenzen zu erzeugen.
- Messeffizienz: Anstatt einer vollständigen Zustands-Tomographie nutzt die Methode die „diagonale Tomographie“, um die Kommutator-Observable $\langle C \rangle$ und die Systemenergie effizient zu messen, was nur lineare Messungen erfordert.
- Anfangszustand: Im Gegensatz zu adiabatischen Methoden, die spezifische Grundzustände erfordern, startet FALQON vom thermischen NMR-Zustand und wandelt diesen ohne aufwendige Vorbereitung eines Pseudopure-Zustands in Transversalmagnetisierung um.

Zentrale Beiträge

Experimentelle Demonstration: Die Arbeit berichtet über die erste experimentelle Faktorisierung einer Biprimzahl (551) mittels eines Feedback-basierten Quantenalgorithmus auf einem NMR-Prozessor.
All-Quantum-Steuerung: Die Arbeit demonstriert eine Methode, die die Notwendigkeit der klassischen Berechnung von Antriebsparametern eliminiert, sobald $H_p$ realisiert ist, da die Feedback-Schleife das Kontrollfeld selbstbestimmt.
Robustheitsanalyse: Die Autoren liefern eine detaillierte Analyse der Resilienz des Algorithmus gegenüber Kontrollfeldfehlern, RF-Inhomogenitäten und zufälligem Rauschen und vergleichen FALQON dabei günstig mit adiabatischen und QAOA-Methoden.
Skalierbarkeitsprojektionen: Durch numerische Simulationen demonstrieren die Autoren die Skalierbarkeit der Methode durch die Faktorisierung größerer Biprimzahlen (9.167 und 2.106.287) unter Verwendung von 5 bzw. 9 Qubits.

Ergebnisse

Faktorisierung von 551: Das Experiment faktorisierte 551 erfolgreich in seine Primkomponenten 19 und 29. Nach 22 Iterationen zeigte das System eine klare Konzentration der Wahrscheinlichkeit in den Basiszuständen, die diesen Faktoren entsprechen (nach Bit-Reversal und Padding). Die Energie sank und sättigte, während die Wahrscheinlichkeit im Lösungsraum von ~0,2 auf ~0,4 anstieg.
Robustheit:
- Rauschen: FALQON zeigte eine schnellere Konvergenz als die adiabatische Methode und weniger Oszillationen als QAOA unter zufälligen Kontrollfehlern.
- Puls-Imperfektionen: Die Studie bestätigte, dass die DAQC-Realisierung von $H_p$ zwar empfindlich gegenüber $\pi$ -Puls-Imperfektionen ist, die GRAPE-optimierte Implementierung jedoch hochgradig robust gegenüber RF-Inhomogenität und begrenzter Amplitude ist.
- Schrittweite: Die Analyse ergab einen Trade-off: Kleinere Schrittweiten ( $c=0,25$ ) bieten Robustheit gegenüber Rauschen, während größere Schrittweiten ( $c=0,75$ ) die Rauschempfindlichkeit erhöhen, was die Bedeutung der Parameterwahl hervorhebt.
Trunkierung: Numerische Ergebnisse für 9.167 und 2.106.287 zeigten, dass „trunkierte“ Problem-Hamiltonians (die weniger Terme als die vollständige Expansion enthalten) dieselben entarteten Grundzustände beibehalten, was eine erfolgreiche Faktorisierung mit reduzierter Komplexität ermöglicht.

Bedeutung und Ansprüche
Das Paper positioniert FALQON als eine lebensfähige Alternative zur Faktorisierung in der NISQ-Ära, die die Gate-Tiefe des Shor-Algorithmus vermeidet und den klassischen Overhead variabler Methoden umgeht. Die Autoren behaupten, dass die Methode in ihrer dynamischen Steuerung „rein quantenmechanisch“ ist, da sie sich ausschließlich auf experimentelle Messungen stützt, um das System zu steuern. Sie betonen, dass der Ansatz resilient gegenüber experimentellen Imperfektionen ist und keine spezifische Vorbereitung des Anfangszustands erfordert, was ihn für aktuelle NMR- und potenziell andere Architekturen geeignet macht. Die Arbeit kommt zu dem Schluss, dass die experimentelle Demonstration zwar auf kleine Zahlen begrenzt ist, die numerische Skalierbarkeit und Robustheit jedoch einen vielversprechenden Weg zur Faktorisierung größerer Ganzzahlen aufzeigen, sofern effiziente Hamiltonian-Realisierungen und systematische Trunkierungsverfahren entwickelt werden.

Das Problem: Der „perfekte Pfad“ vs. die „Rückkopplungsschleife“

Das Experiment: Faktorisierung von 551

Warum dies besonders ist: Es ist robust und flexibel

Das Fazate

Mehr davon