Resource-efficient Quantum Algorithms for Selected Hamiltonian Subspace Diagonalization

Die Autoren stellen einen ressourceneffizienten Quantenalgorithmus für die Hamiltonian-Subraum-Diagonalisierung vor, der auf dem CI-Matrix-Rahmenwerk basiert und durch eine Kombination aus Fehlermitigation, stochastischer Trotterisierung und einem hybriden Quanten-Klassischen-Ansatz (QSHCI) die Genauigkeit klassischer Methoden bei deutlich geringerem Qubit-Bedarf erreicht.

Das Wesentliche

Das große Problem: Der unübersichtliche Schrank

Stellen Sie sich vor, Sie wollen das perfekte Rezept für einen Kuchen finden. Aber statt nur ein paar Zutaten zu haben, haben Sie einen riesigen, chaotischen Schrank mit Millionen von Zutaten (Elektronen und Orbitale in einem Molekül). Um den besten Kuchen zu backen, müssten Sie theoretisch jede mögliche Kombination von Zutaten ausprobieren.

In der klassischen Welt (mit normalen Computern) ist das unmöglich. Je mehr Zutaten Sie haben, desto schneller explodiert die Anzahl der Möglichkeiten. Das ist wie der Versuch, alle Bücher in einer Bibliothek zu lesen, um das eine perfekte Buch zu finden – es dauert zu lange und braucht zu viel Platz.

Die alte Lösung: Der Versuch-und-Irrtum-Ansatz

Früher haben Quantencomputer versucht, das Problem mit einem "Variations-Ansatz" zu lösen. Das ist wie ein Koch, der blind nach Rezepten sucht, immer wieder Zutaten hinzufügt und entfernt, bis es schmeckt. Das Problem dabei: Der Koch (der Algorithmus) verirrt sich oft in einer Sackgasse, braucht sehr viele Versuche und ist empfindlich gegenüber Störungen (Rauschen), wenn die Küche (der Quantencomputer) nicht perfekt sauber ist.

Die neue Idee: Der intelligente Sucher (QSCI)

Die Autoren dieses Papiers haben eine klügere Methode entwickelt, die sie QSCI nennen. Stellen Sie sich das so vor:

1. Der Quanten-Scanner: Der Quantencomputer macht nicht den ganzen Kuchen. Er macht nur einen schnellen "Scan" durch den Schrank. Er schaut kurz hinein und sagt: "Hey, diese 500 Zutaten-Kombinationen sehen vielversprechend aus! Die anderen 99% sind wahrscheinlich Müll."
2. Der klassische Koch: Der klassische Computer nimmt nur diese 500 vielversprechenden Kombinationen und berechnet daraus genau, welcher Kuchen am besten schmeckt.

Das ist viel effizienter, weil der Quantencomputer nur die "wichtigen" Teile aussortiert und der klassische Computer den Rest macht.

Die drei großen Verbesserungen dieses Papiers

Die Autoren haben diese Methode jetzt noch weiter verbessert, damit sie auf den heutigen, noch etwas fehleranfälligen Quantencomputern funktioniert. Hier sind die drei Tricks:

1. Der effiziente Koffer (CIM-Framework)

Bisher mussten die Quantencomputer für diese Suche riesige Koffer mitnehmen (viele Qubits), weil sie die Zutaten in einer komplizierten Sprache (zweiter Quantisierung) beschrieben haben.

• Die Neuerung: Die Autoren haben eine neue Sprache (CIM) erfunden. Sie packen die Zutaten so kompakt in einen Koffer, dass er viel kleiner wird.
• Der Vorteil: Sie brauchen viel weniger Platz (weniger Qubits). Das ist wie der Unterschied zwischen einem riesigen Umzugswagen und einem kleinen Rucksack. Für die heutigen kleinen Quantencomputer ist das ein riesiger Gewinn.

2. Der Sicherheitsgurt (Fehlerkorrektur)

Quantencomputer sind laut und ungenau. Manchmal "verrutscht" ein Bit (eine 0 wird zur 1). Das ist wie wenn beim Kochen versehentlich Salz statt Zucker in den Teig kommt.

• Die Neuerung: Sie haben einen cleveren "Sicherheitsgurt" eingebaut. Wenn das Ergebnis eines Messvorgangs physikalisch unmöglich ist (z. B. eine ungerade Anzahl von Elektronen, wo es gerade sein müsste), wird es einfach verworfen.
• Der Vorteil: Sie opfern dafür nur ein kleines Extra-Qubit (wie einen zusätzlichen Sicherheitsgurt im Auto), retten aber viele schlechte Ergebnisse. Das macht die Suche viel sauberer.

3. Der Zufalls-Wegweiser (Stochastische Evolution)

Um die richtigen Zutaten zu finden, muss der Quantencomputer eine Art "Weg" durch den Schlang laufen. Der klassische Weg ist sehr lang und mühsam.

• Die Neuerung: Sie nutzen eine Methode namens qDRIFT. Statt den ganzen Weg genau zu gehen, machen sie viele kleine, zufällige Sprünge.
• Der Vorteil: Der Weg wird viel kürzer. Der Quantencomputer muss nicht so lange "arbeiten", bevor er das Ergebnis liefert. Das spart Zeit und Energie.

Das Ergebnis: Ein neuer Champion (QSHCI)

Am Ende haben sie noch einen weiteren Trick entwickelt, den sie QSHCI nennen.

• Das Problem: Die reine Quanten-Suche war gut, aber ein klassischer "Super-Koch" (Heat-Bath CI) war immer noch etwas besser und schneller.
• Die Lösung: Sie haben die klassische Suche mit der Quanten-Suche gemischt. Der Quantencomputer sagt: "Hier sind die vielversprechenden Kandidaten," und der klassische Algorithmus wählt daraus die allerbesten aus.
• Das Ergebnis: Diese Mischung ist so gut wie der beste klassische Koch, braucht aber viel weniger Ressourcen vom Quantencomputer.

Zusammenfassung für den Alltag

Stellen Sie sich vor, Sie suchen einen bestimmten Namen in einem Telefonbuch mit einer Million Einträgen.

• Der alte Weg: Sie lesen jedes Buch von vorne bis hinten durch (zu langsam).
• Der alte Quanten-Weg: Sie werfen das Buch in die Luft und hoffen, dass der Name herausfällt (zu ungenau).
• Der neue Weg (dieses Papier): Sie nutzen einen Scanner (Quantencomputer), der Ihnen sofort sagt: "Der Name ist in den Seiten 400 bis 450." Dann blättern Sie nur noch in diesem kleinen Bereich (klassischer Computer). Und dank der neuen Tricks (kleinerer Koffer, Sicherheitsgurt, Zufallssprünge) können Sie das sogar mit einem billigen, kleinen Scanner machen, den Sie heute schon kaufen können.

Fazit: Die Autoren haben gezeigt, wie man Quantencomputer effizienter nutzt, um Moleküle zu simulieren (z. B. für neue Medikamente oder Materialien), indem sie die "Suche" klüger gestalten und die "Reise" für den Computer verkürzen.

Technische Zusammenfassung

Titel: Ressourceneffiziente Quantenalgorithmen für die Diagonalisierung ausgewählter Hamilton-Unterräume

Autoren: Vincent Graves et al. (National Quantum Computing Centre, UK)
Datum: 16. März 2026

---

1. Problemstellung

Die Berechnung molekularer Energien ist für große Moleküle klassisch oft nicht mehr lösbar, da die Größe des Hilbert-Rums exponentiell mit der Anzahl der Elektronen und Orbitale wächst. Während der Variational Quantum Eigensolver (VQE) ein vielversprechender Ansatz für Noisy Intermediate-Scale Quantum (NISQ)-Geräte ist, leidet er unter Problemen wie „barren plateaus" (flache Gradientenlandschaften), fehlenden unteren Schranken für die Energie und hoher Anfälligkeit gegenüber Rauschen.

Alternativ wurden stochastische Algorithmen wie die Quantum Selected Configuration Interaction (QSCI) und Sample-based Quantum Diagonalization (SQD) entwickelt. Diese nutzen einen Quantencomputer, um eine Teilmenge der elektronischen Konfigurationen (Subraum) zu identifizieren, die für den Zielzustand (meist der Grundzustand) relevant sind, und diagonalisieren den zugehörigen Hamilton-Operator klassisch.
Das Hauptproblem bisheriger Ansätze: Diese Algorithmen wurden bisher in der zweiten Quantisierung (Fock-Raum) formuliert. Dies führt zu einer ineffizienten Nutzung von Qubits, da die Anzahl der benötigten Qubits proportional zur Anzahl der Orbitale ist, was für komplexe Moleküle die Ressourcenanforderungen übersteigt.

---

2. Methodik

Die Autoren stellen einen neuen Algorithmus vor, der auf dem CI-Matrix (CIM)-Framework in der ersten Quantisierung basiert.

A. CIM-QSCI (Quantum Selected CI im CIM-Rahmen)

1. Eingabematrix (CIM): Statt der zweiten Quantisierung wird die Konfigurationswechselwirkungs-Matrix (CI-Matrix) in einer Basis von Slater-Determinanten (oder Konfigurationszustandsfunktionen, CSFs) verwendet.
   • Vorteil: Die Anzahl der Qubits skaliert optimal mit $\lceil \log_2(N_{CSF}) \rceil$, wobei $N_{CSF}$ die Größe der CI-Matrix ist. Dies ist deutlich effizienter als die lineare Skalierung in der zweiten Quantisierung.
   • Speichereffizienz: Die Matrix kann in einfacher Genauigkeit (Single-Precision) konstruiert werden, was den Speicherbedarf halbiert.
2. Zerlegung (FWHT): Die CI-Matrix wird mittels der Fast Walsh-Hadamard Transform (FWHT) in eine gewichtete Summe von Pauli-Strings zerlegt, um den Qubit-Hamiltonian zu erhalten.
3. Approximative Trotter-Evolution: Anstatt einer vollen Trotterisierung wird ein stochastischer Ansatz basierend auf qDRIFT verwendet.
   • Die Hamilton-Terme werden probabilistisch basierend auf ihrer Stärke ausgewählt und die Evolution wird mehrfach wiederholt.
   • Dies reduziert die Schaltungstiefe (Circuit Depth) erheblich, was für NISQ-Geräte essenziell ist.
4. Fehlermitigation (Single-Bit-Flip): Ein neuartiges Schema zur Fehlermitigation wird eingeführt. Durch Hinzufügen eines zusätzlichen Qubits wird sichergestellt, dass die Summe der Bits in den Bitstrings immer gerade oder ungerade ist (abhängig von der physikalischen Symmetrie).
   • Bit-Flip-Fehler führen zu nicht-physikalischen Zuständen, die durch Post-Selection verworfen werden können.
   • Ein Recovery-Mechanismus erlaubt es, nicht-physikalische Bitstrings, die durch einen einzelnen Bit-Flip entstanden sind, den korrekten physikalischen Zuständen zuzuordnen, anstatt sie zu verwerfen.
5. Klassische Nachverarbeitung: Die gemessenen Bitstrings werden verwendet, um einen Subraum-Hamiltonian zu konstruieren, der klassisch diagonalisiert wird, um die Eigenwerte zu erhalten.

B. CIM-QSHCI (Quantum Selected Heat-Bath CI)

Da CIM-QSCI und SQD in Tests die Leistung der klassischen Heat-Bath Configuration Interaction (HCI) nicht erreichten, wurde eine erweiterte Variante entwickelt:

• Prinzip: Ersetzt das deterministische Sampling der klassischen HCI durch das probabilistische Sampling des Quantencomputers innerhalb des QSCI-Rahmens.
• Akzeptanzkriterium: Anstatt eines festen Toleranzwerts $\epsilon$ wird ein dynamisches Kriterium verwendet, das von der auf dem Quantencomputer gemessenen Wahrscheinlichkeitsverteilung der Konfigurationen abhängt. Dies ermöglicht eine effizientere Auswahl der Determinanten.

---

3. Wichtige Beiträge

1. Erster CIM-basierter QSCI-Algorithmus: Einführung von CIM-QSCI, der die erste Quantisierung nutzt und eine optimale Qubit-Skalierung von $O(\log N)$ erreicht.
2. Ressourceneffizienz: Deutlich geringerer Qubit- und Gate-Bedarf im Vergleich zu bestehenden SQD-Methoden (z. B. LUCJ-SQD, SqDRIFT).
3. Neue Fehlermitigation: Entwicklung eines Single-Bit-Flip-Mitigationsschemas für den CIM-Rahmen, das ähnlich effektiv ist wie die Erhaltung der Elektronenzahl in der zweiten Quantisierung, aber mit nur einem zusätzlichen Qubit auskommt.
4. Hybrid-Ansatz (QSHCI): Einführung von QSHCI, das die Stärken von HCI (hohe Genauigkeit, kleine Subräume) mit der Quanten-Sampling-Fähigkeit von QSCI kombiniert.

---

4. Ergebnisse

Die Algorithmen wurden an zwei Benchmark-Molekülen getestet: Stickstoff ($N_2$) (Bindungsdehnung, stark korreliert) und Naphthalin (polycyclischer aromatischer Kohlenwasserstoff).

• Vergleich mit SQD-Methoden:
  • CIM-QSCI erreichte eine vergleichbare oder bessere Genauigkeit als LUCJ-SQD und SqDRIFT bei signifikant weniger Quantenressourcen (weniger Qubits, geringere Gate-Tiefe).
  • Für Naphthalin wurde mit CIM-QSCI die gleiche Genauigkeit wie mit SqDRIFT erreicht, jedoch mit einem Bruchteil der benötigten Schaltkreise.
• Vergleich mit klassischen Methoden:
  • Reines CIM-QSCI konnte die Genauigkeit der klassischen HCI nicht erreichen.
  • CIM-QSHCI hingegen erzielte eine Genauigkeit, die mit der klassischen HCI vergleichbar ist, und übertraf dabei alle anderen QSCI-Varianten.
• Hardware-Tests:
  • Simulationen auf einem Emulator (mit Rauschmodell) und auf echter Hardware (Rigetti Ankaa-3) zeigten, dass die Algorithmen robust sind.
  • Für die Hardware-Tests wurde eine Circuit-Kompression (Approximation Degree 0.5) verwendet, um die Schaltungstiefe zu reduzieren, was die Genauigkeit trotz Rauschens verbesserte.
• Spezifische Beobachtungen:
  • Bei $N_2$ (hohe Korrelation) nahm die Genauigkeit mit zunehmender Bindungslänge ab, da die Überlappung des Hartree-Fock-Anfangszustands mit dem Grundzustand sinkt.
  • CIM-QSHCI benötigte deutlich kleinere Subraum-Hamiltonians (1,5 % bis 10,5 % der vollen Größe) als CIM-QSCI (80 %), um ähnliche Genauigkeiten zu erreichen.

---

5. Bedeutung und Ausblick

• NISQ-Tauglichkeit: Die vorgestellten Algorithmen sind speziell für die aktuellen NISQ-Geräte optimiert, da sie mit wenigen Qubits und kurzen Schaltkreisen auskommen.
• Speicherersparnis: Die Möglichkeit, die CI-Matrix in Single-Precision zu konstruieren, ermöglicht die Behandlung größerer Systeme auf klassischen Hochleistungsrechnern, die durch Speicherbeschränkungen bei Double-Precision limitiert wären.
• Quantenvorteil: Der potenzielle Quantenvorteil liegt primär in der Speichernutzung (durch Single-Precision und logarithmische Qubit-Skalierung) und der Genauigkeit (durch QSHCI). Ein Geschwindigkeitsvorteil gegenüber klassischen iterativen Diagonalisierungsmethoden ist bei der aktuellen Vorverarbeitungskosten ($O(N^2 \log N)$) noch nicht gegeben, könnte aber bei dichten Matrizen oder zukünftigen Optimierungen erreicht werden.
• Zukunft: Die Autoren sehen die größte Herausforderung darin, die Auswahlstrategie der Determinanten in QSHCI weiter zu verbessern, um die Effizienz der rein klassischen HCI vollständig zu erreichen oder zu übertreffen.

Fazit: Das Papier demonstriert einen erfolgreichen Schritt hin zu ressourceneffizienten Quantenalgorithmen für die Quantenchemie, indem es die erste Quantisierung nutzt und durch hybride Ansätze (QSHCI) die Lücke zwischen rein quantenmechanischen Sampling-Methoden und etablierten klassischen Hochpräzisionsmethoden schließt.