Sequence and Image Transformations with Monarq: Quantum Implementations for NISQ Devices

Diese Arbeit stellt das Monarq-Framework vor, das QCrank-Encoding mit dem EHands-Protokoll integriert, um Signal- und Bildverarbeitungsaufgaben wie Faltung und Kantenerkennung auf aktuellen NISQ-Hardware-Geräten zu implementieren und deren Machbarkeit experimentell zu validieren.

Das Wesentliche

🎵 Der nervöse Quanten-Musiker: Wie Monarq Bilder bearbeitet

Stell dir vor, du hast einen extrem talentierten, aber sehr nervösen Musiker. Er kann die komplexesten Melodien spielen (das ist der Quantencomputer), aber seine Hände zittern ein wenig, und er kann sich nicht lange konzentrieren (das sind die Rauschen und Fehler auf heutigen Geräten).

Die Forscher in diesem Papier haben sich eine Frage gestellt: Können wir diesen nervösen Musiker trotzdem dazu bringen, nützliche Aufgaben zu erledigen, wie zum Beispiel ein Foto zu bearbeiten?

Bisher war die Antwort eher „Nein", weil die Fehler zu groß waren. Aber mit ihrem neuen Werkzeug, genannt Monarq, haben sie einen Weg gefunden, wie das zumindest für kleine Aufgaben funktioniert.

🧩 Das Problem: Zwei Sprachen, die nicht passen

Normalerweise ist es wie bei zwei Handwerkern, die zusammenarbeiten wollen:

1. Der eine (der QCrank) weiß, wie man Daten (z. B. Pixel eines Bildes) in den Quantencomputer „verpackt".
2. Der andere (das EHands-Protokoll) weiß, wie man damit rechnen kann (z. B. Bilder schärfen oder Muster finden).

Das Problem war bisher: Sie sprachen unterschiedliche Sprachen. Wenn der erste die Daten verpackte, konnte der zweite sie nicht verstehen, ohne sie erst umzubauen. Das kostet Zeit und macht Fehler wahrscheinlicher.

🔗 Die Lösung: Monarq – Der Dolmetscher

Die Forscher haben Monarq erfunden. Das ist wie ein universelles Adapterkabel.

• Die Idee: Beide Werkzeuge nutzen jetzt dieselbe „Sprache" (eine spezielle Art, Zahlen als Winkel zu speichern).
• Der Vorteil: Die Daten können direkt vom Verpacker zum Rechner weitergegeben werden, ohne Umwege. Das spart Zeit und reduziert die Fehler, die durch nervige Umwandlungen entstehen.

🛠️ Was haben sie getestet? (Die vier Aufgaben)

Um zu beweisen, dass Monarq funktioniert, haben sie vier klassische Bild- und Signalverarbeitungsaufgaben auf einem echten Quantencomputer (von IBM) und auf einem Simulator ausprobiert:

1. Das Mischen (Faltung):

   • Analogie: Stell dir vor, du hast zwei verschiedene Saucen und willst sie perfekt vermischen.
   • Aufgabe: Zwei Zahlenreihen wurden multipliziert.
   • Ergebnis: Es hat funktioniert, aber das Ergebnis war etwas „verwaschen" (wegen des Rauschens).

2. Das Radio-Tuning (Diskrete Fourier-Transformation):

   • Analogie: Du hörst ein Lied und willst herausfinden, welche Noten (Frequenzen) darin vorkommen.
   • Aufgabe: Ein Signal wurde in seine einzelnen Frequenzen zerlegt.
   • Ergebnis: Der Simulator (der ideale Computer) hat es perfekt gemacht. Der echte Computer war noch zu ungenau für diese Größe.

3. Das Kanten-Hervorheben (Gradienten):

   • Analogie: Du nimmst einen Stift und fährst über die Kanten eines Bildes, um zu sehen, wo sich Helligkeit stark ändert.
   • Aufgabe: Berechnung, wie stark sich ein Bild von links nach rechts ändert.
   • Ergebnis: Auf dem echten IBM-Computer hat das Bild zwar noch Rauschen, aber die wichtigen Kanten waren erkennbar.

4. Die Umrisse finden (Kantendetektion):

   • Analogie: Ein Maler, der die Umrisse eines Objekts auf einem Foto nachzeichnet und den Rest schwarz macht.
   • Aufgabe: Das System sollte automatisch erkennen, wo die Ränder eines Bakteriums im Bild sind.
   • Ergebnis: Auch hier: Es hat funktioniert! Das Bild war etwas verrauscht, aber man konnte die Bakterien klar erkennen.

⚖️ Das Ergebnis: Ein Prototyp, kein Tesla

Die Forscher waren ehrlich: Ihr System ist nicht schneller als ein normaler Computer. Wenn du ein Foto auf deinem Laptop bearbeitest, ist das viel schneller.

Aber: Sie haben bewiesen, dass es möglich ist.

• Sie haben gezeigt, dass man auf heutigen, noch fehleranfälligen Quantencomputern (die sie „NISQ" nennen) sinnvolle Rechnungen machen kann.
• Sie mussten die Ergebnisse am Ende etwas „glätten" (eine Kalibrierung), ähnlich wie man ein wackeliges Foto in der Nachbearbeitung zurechtrückt.
• Sie haben eine Blaupause geliefert, wie man in Zukunft komplexere Algorithmen bauen kann.

🚀 Fazit für die Zukunft

Stell dir Monarq wie den ersten Prototyp eines elektrischen Autos vor. Es fährt, aber es ist noch nicht so schnell wie ein Benziner. Doch es zeigt: Der Motor läuft.

Die Wissenschaftler sagen: „Wir haben die Grundlagen gelegt. Wenn die Quantencomputer in Zukunft weniger nervös werden (weniger Fehler haben), können wir mit diesem Werkzeug Monarq wirklich mächtige Dinge tun, die klassische Computer gar nicht schaffen."

Kurz gesagt: Sie haben einen Schlüssel gebaut, der in das Schloss des Quantencomputers passt, um erste Bilder zu bearbeiten. Es ist noch kein fertiges Produkt, aber ein riesiger Schritt in die richtige Richtung.

Technische Zusammenfassung

1. Problemstellung

Die Übertragung theoretischer Quantenalgorithmen in praktische Anwendungen auf Noisy Intermediate-Scale Quantum (NISQ)-Geräten stellt erhebliche Herausforderungen dar. Diese liegen primär in:

• Inhärentem Rauschen und begrenzten Kohärenzzeiten der Qubits.
• Eingeschränkter Qubit-Konnektivität, was tiefe Schaltungen erschwert.
• Der Notwendigkeit, klassische Datenverarbeitungsaufgaben (wie Signal- und Bildverarbeitung) effizient auf Quantenhardware abzubilden, ohne dabei durch Dekohärenz vor Abschluss der Berechnung zu scheitern.

Bisherige Ansätze für Quanten-Bildverarbeitung (QIMP) oder Signalverarbeitung scheiterten oft an zu tiefen Schaltungen oder fehlender Integration von effizienten Kodierungsschemata mit praktischen Verarbeitungsschritten. Das Ziel dieser Arbeit ist es, zuverlässige Ergebnisse für klassische Datenoperationen auf aktueller NISQ-Hardware zu demonstrieren, ohne dabei zwingend einen „Quantenvorteil" gegenüber klassischen Methoden zu beanspruchen, sondern vielmehr fundamentale Bausteine für zukünftige Algorithmen zu schaffen.

2. Methodik: Das Monarq-Framework

Die Autoren stellen Monarq vor, ein einheitliches Framework zur Quantendatenverarbeitung. Es integriert zwei Schlüsselkomponenten, die beide dasselbe Kodierungsschema nutzen, um eine nahtlose Pipeline zu ermöglichen:

• QCrank (Datenkodierung): Ein Schema zur effizienten Eingabe reeller Wertesequenzen in Quantenprozessoren. Es nutzt parallele Uniformly Controlled Rotation (UCR)-Gatter. Reale Werte $x \in [-1, 1]$ werden über Ry-Rotationen in den Erwartungswert des Pauli-Z-Operators kodiert (sogenanntes EVEN Encoding). Dies reduziert die Schaltungstiefe im Vergleich zu seriellen Implementierungen erheblich.
• EHands (Polynom-Transformationen): Ein Protokoll für elementare arithmetische Operationen (Multiplikation, Addition, Negation) auf kodierten Quantenzuständen. Es erlaubt die Berechnung von Polynomen mit flachen Schaltungen (lineare Skalierung der Qubits und Gatter).

Der Kern der Integration: Da sowohl QCrank als auch EHands das gleiche EVEN Encoding verwenden, können Daten, die von QCrank kodiert wurden, direkt von EHands-Operatoren verarbeitet werden, ohne Zwischenkonvertierung.

Anwendungsfälle (Schaltkreis-Konstruktionen):
Das Framework wurde für vier Anwendungen implementiert:

1. Faltung (Convolution): Elementweise Multiplikation zweier Sequenzen.
2. Diskrete Fourier-Transformation (DFT): Berechnung durch In-situ-Summation (Nicht-Messen der Adress-Qubits).
3. Quadratischer Gradient (Squared Gradient): Berechnung von Bildgradienten mittels zentraler Differenzen.
4. Kantenerkennung (Edge Detection): Kombination von Gradientenberechnung und Schwellenwert-Logik.

3. Wichtige Beiträge

1. Unified Framework: Einführung von Monarq als Pipeline, die Kodierung und Berechnung vereint.
2. Validierung: Implementierung und Benchmarking von vier unterschiedlichen Algorithmen.
   • Faltung und quadratischer Gradient wurden auf IBM-Quantenhardware (NISQ) ausgeführt.
   • DFT und Kantenerkennung wurden auf idealen Simulatoren für größere Problemgrößen validiert.
3. Methodologie zur Genauigkeitsbewertung: Entwicklung eines Ansatzes zur Bewertung der Verarbeitungsqualität durch Vergleich der Root Mean Square Error (RMSE) mit klassischen Ground-Truth-Ergebnissen. Dies beinhaltet eine Kalibrierung zur Kompensation systematischer Dämpfung auf der Hardware.

4. Ergebnisse

Die Experimente wurden auf IBM-QPUs (Pittsburgh, Kingston, Aachen) und idealen Simulatoren durchgeführt.

• Faltung (Convolution):
  • Auf IBM Pittsburgh (7 Qubits, 32.000 Shots).
  • Erzielte einen RMSE von 0.065 nach Kalibrierung.
  • Zeigte, dass zuverlässige Berechnungen möglich sind, solange die transpilieren Schaltungen unter 200 CNOT-Gattern bleiben.
• Diskrete Fourier-Transformation (DFT):
  • Auf idealen Simulatoren (20 Qubits).
  • Testfall: Synthetisches Gravitationswellen-Signal (Chirp).
  • Ergebnisse zeigten hohe Übereinstimmung mit der klassischen Ground Truth (Amplitude und Phase).
• Quadratischer Gradient (Squared Gradient):
  • Auf IBM Aachen (8 Qubits, 100.000 Shots pro Circuit).
  • Bildgröße: 32x32 Pixel (aufgeteilt in 64 Streifen).
  • Starke visuelle Korrespondenz zwischen Quantenergebnissen und klassischer Gradientenberechnung.
• Kantenerkennung (Edge Detection):
  • Auf idealen Simulatoren (20 Qubits, 30 Millionen Shots).
  • Bildgröße: 192x128 Pixel (aufgeteilt in 24 Kacheln).
  • Das System identifizierte erfolgreich Kanten und Strukturen in einem Bakterien-Bild und unterdrückte Rauschen.

Fehleranalyse:
Die Gesamtfehler setzen sich aus Shot-Noise und kumulativer Gate-Ungenauigkeit zusammen. Auf Hardware wurde eine systematische Dämpfung der Signalamplitude beobachtet, die durch einen einzelnen Skalierungsfaktor (z.B. 1,96 für Faltung, 2,9 für Gradient) im Post-Processing korrigiert wurde.

5. Bedeutung und Ausblick

• Praktische Machbarkeit: Die Arbeit beweist, dass komplexe Bild- und Signalverarbeitungsaufgaben (wie Faltung und Kantenerkennung) auf aktuellen NISQ-Geräten durchführbar sind, solange die Schaltungstiefe und die Anzahl der Qubits innerhalb der Hardware-Grenzen bleiben.
• Brücke zur Theorie: Monarq schließt die Lücke zwischen theoretischen Quantenalgorithmen und praktischen Implementierungen, indem es eine Pipeline von der klassischen Eingabe über die Quantentransformation bis zur interpretierbaren Ausgabe bietet.
• Skalierbarkeit: Für größere Bilder wurden Strategien wie „Tiling" (Aufteilung in Kacheln) erfolgreich eingesetzt, um Hardware-Beschränkungen zu umgehen.
• Zukunft: Obwohl noch kein Quantenvorteil gegenüber klassischen Methoden erreicht wird, legt dies den Grundstein für zukünftige Anwendungen in maschinellem Lernen und hybriden klassisch-quanten Ansätzen. Die Autoren sehen NISQ-Geräte als wichtige „Stepping Stones" für das Verständnis von Datenverarbeitungsalgorithmen vor dem Aufkommen fehlertoleranter Quantencomputer.

Fazit: Monarq demonstriert einen vielversprechenden Weg zur Nutzung von NISQ-Hardware für reale Datenverarbeitungsaufgaben durch die Kombination von effizienter Kodierung (QCrank) und flachen arithmetischen Schaltungen (EHands).