⚛️ quantum physics

A framework to evaluate the performance of Variational Quantum Algorithms

Dieses Paper schlägt ein umfassendes Framework für das Benchmarking von variativen Quantenalgorithmen auf NISQ-Geräten vor, indem es drei Metriken (Machbarkeit, Qualität und Reproduzierbarkeit) sowie ein Qualitätsdiagramm einführt, um die Leistung systematisch zu bewerten und die adaptive Algorithmenauswahl für QUBO-Probleme zu leiten.

Ursprüngliche Autoren: Ernesto Mamedaliev, Vladyslav Libov, Albert Nieto-Morales, Oskar Słowik, Arit Kumar Bishwas

Veröffentlicht 2026-01-28

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ernesto Mamedaliev, Vladyslav Libov, Albert Nieto-Morales, Oskar Słowik, Arit Kumar Bishwas

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 versuchen, den absolut besten Weg durch ein riesiges, verwirrendes Labyrinth zu finden. Sie haben ein Team von Entdeckern (die Variational Quantum Algorithms, oder VQAs), die versuchen, dieses Labyrinth zu lösen. Diese Entdecker arbeiten jedoch auf einer speziellen, etwas wackeligen Karte (einem Quantencomputer), die ihnen eher vage, zufällige Hinweise als klare Richtungen gibt. Da die Karte wackelig ist, kann es passieren, dass Sie denselben Entdecker zehnmal ausschicken und er zehn leicht unterschiedliche Wege findet – einige gut und andere schrecklich.

Das Problem ist: Wie entscheidet man, welcher Entdecker tatsächlich gut im Job ist?

Derzeit schauen die Leute oft nur auf einen einzigen Durchlauf und sagen: „Hey, dieser hier hat einen guten Pfad gefunden!“ Das ist jedoch so, als würde man einen Koch nach einer einzigen Mahlzeit beurteilen, die er an einem Tag zubereitet hat, an dem er müde war. Man braucht einen besseren Weg, um sie zu messen.

Dieses Paper stellt ein neues Scorecard-System vor, um diese Quanten-Entdeker fair zu bewerten. Anstatt nur auf das Endergebnis zu schauen, schlägt die Autoren vor, drei spezifische Dinge zu prüfen:

1. Die dreiteilige Scorecard

Stellen Sie sich vor, die Bewertung eines Entdeckers sei wie die Einstellung eines Lieferfahrers. Man will nicht nur, dass er das Paket irgendwann ans Ziel bringt; man möchte wissen, ob er dies zuverlässig und effizient tun kann.

Feasibility (Der „Wird er es schaffen?“-Test):
Stellen Sie sich vor, Sie legen eine Regel fest: „Der Fahrer muss einen Weg finden, der zu den besten 10 % aller möglichen Wege gehört.“ Feasibility (Machbarkeit) fragt: „Wie oft von 100 Mal, in denen Sie diesen Fahrer ausschicken, findet er tatsächlich einen so guten Weg? Wenn er nur 10 von 100 Mal Erfolg hat, ist er nicht machbar. Wenn er 90 Mal Erfolg hat, ist er hochgradig machbar.“
Quality (Der „Effizienz“-Test):
Angenommen, zwei Fahrer finden beide eine großartige Route. Fahrer A brauchte 100 Versuche, um sie zu finden. Fahrer B fand sie in nur 5 Versuchen. Quality (Qualität) misst diesen Kompromiss. Es fragt: „Wie viel Aufwand (Zeit und Rechenleistung) mussten Sie aufwenden, um dieses gute Ergebnis zu erzielen?“ Der beste Fahrer ist derjenige, der den besten Pfad mit dem geringsten verschwendeten Aufwand findet.
Reproducibility (Der „Konsistenz“-Test):
Stellen Sie sich vor, Sie stellen einen Fahrer ein, der am Montag eine großartige Route findet, aber am Dienstag den Weg verliert und eine schreckliche Route nimmt. Das ist schlecht. Reproducibility (Reproduzierbarkeit) fragt: „Wenn ich diesen Fahrer wieder mit exakt denselben Anweisungen ausschicken würde, würde er dann ein ähnliches Ergebnis erzielen?“ Die Autoren verwenden ein mathematisches Konzept namens „Entropie“ (denken Sie an ein Maß für Chaos), um zu sehen, wie weit die Ergebnisse gestreut sind. Wenn die Ergebnisse alle nah beieinander liegen, ist der Fahrer konsistent (geringes Chaos). Wenn die Ergebnisse überall verstreut sind, ist er unzuverlässig (hohes Chaos).

2. Das „Quality Diagram“ (Die Karte der Leistung)

Um dies zu visualisieren, haben die Autoren eine spezielle Karte erstellt, die Quality Diagram genannt wird.

Stellen Sie sich einen Graphen vor, bei dem die linke untere Ecke der „Heilige Gral“ ist (perfekter Erfolg, null Aufwand).
Jedes Mal, wenn Sie den Algorithmus ausführen, landet er als Punkt irgendwo auf dieser Karte.
Da der Quantencomputer zufällig arbeitet, erhalten Sie nicht nur einen einzelnen Punkt, sondern eine Punktwolke.
Ein „guter“ Algorithmus erzeugt eine dichte Punktwolke direkt in der Nähe des „Heiligen Grals“. Ein „schlechter“ Algorithmus erzeugt eine verstreute, chaotische Wolke weit weg vom Ziel.

3. Das Experiment: Die Scorecard in die Praxis umsetzen

Die Autoren testeten dieses System an einem spezifischen Rätsel (einem QUQUBO-Problem mit 16 Variablen, was wie ein kleines, aber kniffliges Labyrinth ist). Sie testeten verschiedene Versionen des Quantenalgorithmus, indem sie an zwei „Reglern“ drehten:

Die „Shot“-Anzahl: Wie oft sie den Quantencomputer baten, auf die Karte zu schauen (mehr Shots = mehr Daten, aber es dauert länger).
Der „CVaR“-Parameter: Eine Einstellung, die ändert, wie der Algorithmus die „Worst-Case“-Szenarien gegenüber den „Best-Case“-Szenarien gewichtet.

Was sie herausfanden:

Mehr Shots halfen generell: Das Hochdrehen des „Shot“-Reglers sorgte dafür, dass die Entdecker wahrscheinlicher einen guten Pfad fanden (höhere Feasibility) und ihn effizienter fanden (höhere Quality).
Der „CVaR“-Regler war wichtig: Einige Einstellungen für diesen Regler funktionierten viel besser als andere.
Konsistenz war knifflig: Interessanterweise führte das bloße Hinzufügen von mehr Daten nicht immer dazu, dass die Ergebnisse konsistenter wurden. Manchmal hatte der Algorithmus einmal Glück und beim nächsten Mal Pech, unabhängig davon, wie viele Daten sie verwendeten.

4. Das Fazit

Das Paper kommt zu dem Schluss, dass man nicht einfach nur eine einzige Zahl betrachten kann, um einen Quantenalgorithmus zu beurteilen. Man benötigt diese dreiteilige Scorecard (Feasibility, Quality, Reproducibility), um das gesamte Bild zu sehen.

Durch die Verwendung dieses Frameworks können Forscher aufhören zu raten, welcher Algorithmus der beste ist, und statfangen, datengestützte Entscheidungen zu treffen. Sie können sagen: „Wenn wir begrenzte Zeit haben, sollten wir Algorithmus X wählen, weil er konsistent ist. Wenn wir unbegrenzte Zeit haben, sollten wir Algorithmus Y wählen, weil er den absolut besten Pfad findet, selbst wenn er dafür ein paar Versuche mehr braucht.“

Kurz gesagt: Dieses Paper stellt ein standardisiertes Regelwerk zur Bewertung von Quantenalgorithmen in der aktuellen Ära der „verrauschten“ Computer bereit und stellt sicher, dass wir die richtigen Werkzeuge für die jeweilige Aufgabe auswählen – basierend darauf, wie zuverlässig, effizient und konsistent sie tatsächlich sind.

Technisches Resümee: Ein Framework zur Bewertung der Leistungsfähigkeit von variablen Quantenalgorithmen

1. Problemstellung

Variationsbasierte Quantenalgorithmen (Variational Quantum Algorithms, VQAs) sind ein führender Ansatz zur Lösung kombinatorischer Optimierungsprobleme, spezifisch der quadratischen unbeschränkten binären Optimierung (Quadratic Unconstrained Binary Optimization, QUBO), auf Noisy Intermediate-Scale Quantum (NISQ)-Geräten. Das Benchmarking von VQAs bleibt jedoch aufgrund ihrer inhärenten Stochastik und des Mangels an standardisierten Leistungskriterien eine Herausforderung. Bestehende Studien berichten häufig nur über Metriken einzelner Durchläufe, ohne explizit die durch endliche Messschüsse (Shots) und verrauschte Kostenbewertungen eingeführte Variabilität zu berücksichtigen. Folglich gibt es kein universell akzeptiertes Kriterium, um VQAs basierend auf ihrer Eignung zur Lösung spezifischer QUBO-Instanzen unter Ressourcenbeschränkungen zu klassifizieren.

2. Methodik

Die Autoren schlagen ein allgemeines Framework zur Evaluierung von VQAs anwendbar auf QUBO-Probleme vor. Die Methodik basiert auf der Interpretation von Quantenschaltkreisen als Wahrscheinlichkeitsverteilungen über den Binärraum und der Charakterisierung der VQA-Leistung durch statistische Maße, die aus diesen Verteilungen abgeleitet werden.

A. Theoretischer Rahmen

Das Framework definiert ein VQA als ein Tupel $VQA := (U, [C, s, A])$, bestehend aus einem Ansatz ( $U$ ), einer Kostenfunktion ( $C$ ), der Anzahl der Schüsse ( $s$ ) und einem klassischen Optimierer ( $A$ ). Die Leistung wird in einem Qualitätsdiagramm (Quality Diagram, $D \subset \mathbb{R}^2$ ) visualisiert, wobei jeder Punkt eine VQA-Ausführung darstellt, definiert durch:

Normalisierter Ressourcenverbrauch: Die Anzahl der Schaltkreisevaluierungen ( $n_{calls}$ ) im Verhältnis zu einem maximalen Limit ( $n_{max}$ ).
Erfolgswahrscheinlichkeit: Die Wahrscheinlichkeit, das globale Minimum zu messen ( $p_{min}$ ), transformiert als $1 - p_{min}$ .

Die ideale Lösung entspricht dem Punkt $(0,0)$ , welcher einen einzelnen Funktionsaufruf mit einer Wahrscheinlichkeit von 1 für das Finden des globalen Minimums darstellt. Aufgrund der Stochastik erzeugen wiederholte Durchläufe eine Verteilung von Punkten ( $\rho$ ) über $D$ .

B. Drei Kernmetriken

Das Framework bewertet VQAs mithilfe von drei komplementären Metriken, die aus der Verteilung $\rho$ abgeleitet sind:

Machbarkeit (Feasibility, $F$ ): Die a priori Wahrscheinlichkeit, dass der Algorithmus erfolgreich eine Lösung mit einer $p_{min}$ oberhalb eines vordefinierten Schwellenwerts ( $p_{threshold}$ ) findet. Sie wird als das Integral der Verteilung $\rho$ über dem Bereich berechnet, in dem $p_{min} \geq p_{threshold}$ gilt.
Qualität (Quality, $Q$ ): Ein Skalarwert, der die Effizienz des Suchprozesses quantifiziert, indem er die Erfolgswahrscheinlichkeit gegen den Ressourcenverbrauch abwägt. Er ist definiert als der Erwartungswert einer Qualitätsfunktion $q(n_{calls}, p_{min})$ , die eine Qualität von Null zuweist, falls $p_{min} < p_{threshold}$ , und andernfalls den gewichteten euklidischen Abstand zum idealen Punkt $(0,0)$ berechnet.
Reproduzierbarkeit (Reproducibility, $R$ ): Ein Maß für die Gewissheit der Ergebnisse, formalisiert mittels der Shannon-Entropie ( $S[\rho]$ ). Reproduzierbarkeit ist definiert als $R[\rho] = 1 - \frac{S[\rho]}{S_{max}}$ , wobei ein Wert von 1 eine vollständig konzentrierte Verteilung (hohe Gewissheit) und 0 eine uniforme Streuung (hohe Unsicherheit) anzeigt.

C. Auswahlkriterium

Das Framework etabliert einen Entscheidungsprozess für die Algorithmenselektion basierend auf Schwellenwerten $(F_0, Q_0, R_0)$ . Ein VQA wird nur dann als „gut geeigneter Solver“ betrachtet, wenn es sequenziell folgende Bedingungen erfüllt:

$F[\rho] \geq F_0$
$Q[\rho] \geq Q_0$
$R[\rho] \geq R_0$

3. Experimentelle Ergebnisse

Als Proof of Concept wendeten die Autoren das Framework auf eine 16-Qubit-zufällige QUBO-Instanz mittels Simulation an. Sie evaluierten mehrere VQA-Konfigurationen unter Variation des CVaR-Parameters ( $\alpha \in \{0.15, 0.25, 0.50, 0.75, 1.00\}$ ) und der Anzahl der Schüsse ( $s \in \{1.000 \dots 100.000\}$ ), unter Verwendung des RealAmplitudes-Ansatzes und des COBYLA-Optimierers. Jede Konfiguration wurde über 400 Optimierungsdurchläufe getestet.

Wichtigste Erkenntnisse:

Machbarkeit: Die Machbarkeit stieg generell mit höheren $\alpha$ -Werten und höheren Shot-Zahlen ( $s$ ) an und erreichte schließlich eine Sättigung. Beispielsweise erreichte die Machbarkeit bei $\alpha=1.00$ bei $s=60.000$ einen Wert von 0,95.
Qualität: Ähnlich wie die Machbarkeit verbesserte sich die Qualität mit höheren $\alpha$ - und $s$ -Werten. Es wurde jedoch eine Sättigung für die meisten Fälle jenseits von $s=20.000$ beobachtet, mit Ausnahme von $\alpha=0.25$ .
Reproduzierbarkeit: Im Gegensatz zu den anderen Metriken war die Reproduzierbarkeit weitgehend unempfindlich gegenüber Änderungen von $s$ und $\alpha$ . Niedrigere Werte von $\alpha$ und $s$ lieferten gelegentlich eine höhere Reproduzierbarkeit, was wahrscheinlich darauf zurückzuführen ist, dass der Algorithmus vorzeitig abbrach, ohne diverse Lösungen zu explorieren.
Optimale Konfigurationen: Basierend auf den Auswahlkriterien ( $F_0=0.70, Q_0=1.20, R_0=0.60$ ) wurden die am besten geeigneten VQA-Konfigurationen als jene mit höheren $\alpha$ -Werten (speziell 0,75 und 1,00) und höheren Shot-Zahlen (im Bereich von 10.000 bis 100.000) identifiziert.

4. Zentrale Beiträge

Einheitliches Evaluierungsframework: Einführung einer strukturierten Methodik, die Machbarkeit, Qualität und Reproduzierbarkeit kombiniert, um die Lücke in der systematischen VQA-Benchmarking zu schließen.
Stochastische Charakterisierung: Geht über Metriken einzelner Durchläufe hinaus, indem sie VQA-Leistung als Wahrscheinlichkeitsverteilung behandelt und die Shannon-Entropie nutzt, um die Reproduzierbarkeit zu quantifizieren.
Qualitätsdiagramm: Schlägt ein visuelles und mathematisches Werkzeug vor, um die Trade-offs zwischen Erfolgswahrscheinlichkeit und Ressourcenverbrauch zu erfassen.
Entscheidungskriterium: Bietet einen formalen, schwellenwertbasierten Auswahlprozess zur Identifizierung optimaler VQA-Konfigurationen unter Ressourcenbeschränkungen.

5. Bedeutung und Ansprüche

Die Autoren behaupten, dass diese Arbeit zu einem prinzipienbasierten Ansatz für den Vergleich von VQAs in der NISQ-Ära beiträgt. Durch die explizite Berücksichtigung der stochastischen Natur variabler Algorithmen ermöglicht das Framework eine zuverlässigere Algorithmenselektion in hybriden quanten-klassischen Workflows.

Die Autoren rahmen ihre Ergebnisse bescheiden als Proof of Concept. Sie räumen Einschränkungen ein und merken an, dass die Analyse auf eine einzige QUBO-Instanz, einen einzigen Ansatz und einen einzigen Optimierer beschränkt war, die alle mittels Simulation evaluiert wurden. Die Autoren betonen, dass das Framework eine Grundlage für zukünftige Forschung bietet, einschließlich der Validierung auf realer Hardware, der Untersuchung diverser Ansätze und der Entwicklung adaptiver Selektionskriterien für großskalige Probleme. Sie beanspruchen keine unmittelbare Überlegenheit spezifischer Algorithmen gegenüber anderen in allen Kontexten, sondern heben vielmehr den Nutzen des Frameworks bei der systematischen Identifizierung der am besten performenden Algorithmen für eine gegebene QUBO-Instanz und ein gegebenes Ressourcenbudget.