Ground-state energies of Ising models calculated using the samples from a quantum computer that simulates short-time evolution

Dieser Artikel demonstriert die Berechnung von Grundzustandsenergien für homogene und Zufalls-Kopplungs-Ising-Modelle auf bis zu 63 Qubits unter Verwendung des Cascaded Variational Quantum Eigensolver mit einem Guided-Sampling-Ansatz und legt dabei die Fehlergrenzen sowie Leistungseinblicke für die Quantennützlichkeit in naher Zukunft auf Heavy-Hex-Gitter-Architekturen fest.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, den absolut tiefsten Punkt in einem weitläufigen, nebligen Gebirge zu finden. Dieser „tiefste Punkt" repräsentiert den stabilsten, ruhigsten Zustand eines komplexen Systems (in diesem Fall ein magnetisches Material namens Ising-Modell). Auf einem klassischen Computer ist der Versuch, jedes einzelne Tal und jeden einzelnen Gipfel in einem riesigen Gebirge zu kartieren, wie der Versuch, jeden einzelnen Sandkorn an einem Strand zu zählen; es dauert zu lange und ist praktisch unmöglich.

Dieser Artikel beschreibt ein Experiment, bei dem Forscher einen Quantencomputer verwendeten, um diesen tiefsten Punkt zu finden, jedoch mit einer Wendung: Sie warteten nicht darauf, dass der Computer perfekt ist. Stattdessen nutzten sie einen „gut genug"-Ansatz, der auch dann funktioniert, wenn der Computer etwas verrauscht und fehleranfällig ist.

Hier ist eine Aufschlüsselung ihrer Methode und Ergebnisse unter Verwendung alltäglicher Analogien:

Das Problem: Der neblige Berg

Die Forscher untersuchen eine bestimmte Art magnetischen Systems (das Ising-Modell). Sie wollen seine „Grundzustandsenergie" kennen, was nur eine elegante Umschreibung für Folgendes ist: Was ist die entspannteste, energieärmste Anordnung dieser magnetischen Spins?

Bei großen Systemen verirren sich klassische Computer im Nebel. Sie können die Antwort nicht berechnen, weil es zu viele Möglichkeiten gibt.

Die Lösung: Eine geführte Wanderung (Der CVQE-Algorithmus)

Anstatt den ganzen Berg auf einmal zu lösen, verwendeten die Forscher eine Methode namens Cascaded Variational Quantum Eigensolver (CVQE) mit einem Guided-Sampling Ansatz (GSA).

Stellen Sie es sich so vor:

1. Die kurze Wanderung: Stellen Sie sich vor, Sie sind blind und werden auf einem Berg abgesetzt. Sie können den Boden nicht sehen. Also unternehmen Sie einen sehr kurzen, schnellen Spaziergang (kurze Zeitentwicklung) in eine bestimmte Richtung. Sie erreichen nicht den Boden, aber Sie landen in einem Tal, das tiefer liegt als Ihr Ausgangspunkt.
2. Die Probe: Sie machen eine Momentaufnahme davon, wo Sie gelandet sind. Sie tun dies viele Male (in ihrem Experiment 1.000 Mal).
3. Die Karte: Sie geben all diese Momentaufnahmen an einen klassischen Computer (einen normalen Laptop). Der Laptop betrachtet alle besuchten Orte und sagt: „Okay, wenn wir all diese spezifischen Orte kombinieren, können wir eine kleine, detaillierte Karte der vielversprechendsten Täler erstellen."
4. Die Berechnung: Der klassische Computer löst die Mathematik für genau diese kleine Karte, um den wahren tiefsten Punkt zu finden.

Der Teil „Guided-Sampling" ist der Schlüssel. Der Quantencomputer rät nicht einfach zufällig; er unternimmt diesen kurzen, schnellen Spaziergang, um die Suche in den richtigen Bereich zu „führen" und die unnützen Teile des Berges herauszufiltern.

Das Experiment: IBMs „Heavy-Hex"-Spielplatz

Die Forscher verwendeten einen IBM-Quantencomputer namens Torino. Dieser Computer hat ein spezifisches Layout von Qubits (den Quantenbits), das wie ein Heavy-Hex-Gitter aussieht (ein Muster verbundener Sechsecke). Sie mapperten ihr magnetisches Problem direkt auf diese Form ab, damit der Computer es effizient verarbeiten konnte.

Sie testeten zwei Arten magnetischer Systeme:

1. Homogen: Wo alle Magnete auf exakt die gleiche Weise miteinander wechselwirken (wie ein perfekt einheitlicher Wald).
2. Random-Coupling: Wo die Wechselwirkungen zufällig und chaotisch sind (wie ein Wald, in dem einige Bäume verwickelt sind, einige weit voneinander entfernt stehen und der Wind überall unterschiedlich weht). Dies ist schwieriger zu lösen und ähnelt einem „Spin-Glas".

Sie testeten Systeme mit bis zu 63 Qubits (Spins).

Die Ergebnisse: Wann gewinnt der Nebel?

Die Forscher stellten fest, dass diese Methode gut funktioniert, aber es gibt eine Grenze.

• Der Sweet Spot: Für kleinere Systeme und schwächere magnetische Wechselwirkungen leitete der Quantencomputer sie erfolgreich zu einer sehr genauen Antwort.
• Der Kipppunkt: Als das System größer wurde (mehr Qubits) oder die magnetischen Wechselwirkungen stärker wurden, begann das „Rauschen" (Fehler) im Quantencomputer, das Signal zu übertönen. Es ist wie der Versuch, ein Flüstern in einem Hurrikan zu hören; irgendwann kann man nicht mehr unterscheiden, ob man sich in einem Tal befindet oder nur auf einem windigen Grat.

Sie entdeckten eine „Grenze", an der der Quantencomputer aufhört, nützlich zu sein. Wenn das System zu groß oder zu komplex ist, machen die Fehler die Antwort unzuverlässig.

Der „Informations-Score" (Wie wissen wir, dass es richtig ist?)

Einer der klügsten Teile des Artikels ist, wie sie überprüften, ob ihre Antwort gut war, ohne die Antwort im Voraus zu kennen.

Sie erstellten ein „Informationsverhältnis":

• Stellen Sie sich vor, der Quantencomputer ist ein Detektiv, der Hinweise (Proben) sammelt.
• Stellen Sie sich vor, der klassische Computer ist der Detektiv, der versucht, den Fall mit diesen Hinweisen zu lösen.
• Wenn der Detektiv mehr Hinweise sammelt, als tatsächlich benötigt werden, um den Fall zu lösen, ist er zuversichtlich, die richtige Antwort zu haben.
• Wenn der Detektiv weniger Hinweise sammelt als benötigt, rät er nur.

Sie stellten fest, dass, wenn ihr „Informationsverhältnis" positiv war, die Antwort wahrscheinlich korrekt war. Wenn es unter null fiel, hatten die Quantenfehler die Oberhand gewonnen, und das Ergebnis war unzuverlässig.

Die große Erkenntnis

Der Artikel kommt zu dem Schluss, dass Ising-Modelle ein perfekter Kandidat für die heutigen „verrauschten" Quantencomputer sind.

Obwohl die Quantencomputer noch nicht perfekt sind, ist die Mathematik hinter diesen magnetischen Modellen einfach genug, damit die „kurze Wanderung"-Methode funktioniert. Die Anzahl der benötigten Hinweise (Proben), um die Antwort zu finden, explodiert nicht exponentiell, wenn das System größer wird; sie wächst langsam. Dies deutet darauf hin, dass wir aktuelle, unvollkommene Quantencomputer nutzen können, um physikalische Probleme zu lösen, die für klassische Computer unmöglich sind, speziell für das Verständnis magnetischer Materialien und Spin-Gläser.

Kurz gesagt: Sie lehrten einen verrauschten Quantencomputer, ein paar schnelle Schritte zu unternehmen, um die richtige Nachbarschaft zu finden, und verwendeten dann einen normalen Computer, um das genaue Haus zu finden. Es funktioniert hervorragend für mittelgroße Probleme, aber wenn die Nachbarschaft zu riesig wird, wird das Rauschen zu laut, um die Anweisungen zu hören.

Technische Zusammenfassung

1. Problemstellung

Das Papier adressiert die Herausforderung der Berechnung von Grundzustandsenergien für das Transversalfeld-Ising-Modell auf kurzfristigen Quantencomputern (NISQ-Geräte).

• Die Herausforderung: Viele Quantenalgorithmen erfordern lange Kohärenzzeiten und tiefe Schaltkreise, die derzeit aufgrund von Rauschen und Dekohärenz nicht durchführbar sind.
• Das spezifische Ziel: Zu ermitteln, ob Kurzzeitentwicklungs-Simulationen effektiv genutzt werden können, um einen Ansatz zur Bestimmung von Grundzustandsenergien zu konstruieren, speziell für Systeme mit bis zu 63 Qubits.
• Der Kontext: Die Autoren zielen darauf ab, im Bereich der „Quantennützlichkeit" zu operieren, in dem Quantencomputer Probleme lösen können, die klassisch unlösbar (oder ohne spezifische Heuristiken schwer zu approximieren) sind, jedoch noch keine vollständige Fehlertoleranz erfordern. Sie konzentrieren sich sowohl auf homogene als auch auf zufällig gekoppelte (Spin-Glas-)Modelle auf einem Heavy-Hex-Gitter, das der Architektur von IBM-Quantenprozessoren entspricht.

2. Methodik

Die Autoren verwenden einen hybriden quanten-klassischen Ansatz, der den Kaskadierten Variationalen Quanten-Eigensolver (CVQE) mit einem Geführten-Abtastungs-Ansatz (GSA) kombiniert.

A. Kurzzeitentwicklung (Diabatische Vorbereitung)

Anstelle einer langsamen adiabatischen Entwicklung (die lange Kohärenzzeiten erfordert), verwenden die Autoren eine Kurzzeitentwicklung ($T \sim \Delta t$).

• Hamiltonoperator: Sie definieren einen zeitabhängigen Hamiltonoperator $\hat{H}(t)$, bei dem die Kopplungsstärke $\Omega_{ij}(t)$ über die Zeit $T$ von 0 auf $J_{ij}$ ansteigt.
• Trotter-Suzuki-Zerlegung: Der Evolutionsoperator wird unter Verwendung einer einstufigen (oder mehrstufigen) Trotter-Zerlegung approximiert.
• Mechanismus: Selbst wenn die Entwicklung nicht perfekt adiabatisch ist, wirkt die Kurzzeitentwicklung als Filter. Sie unterdrückt exponentiell hochenergetische Zustände außerhalb eines Fensters $\Delta E \sim 1/\Delta t$ und führt das System in einen Unterraum, der den Grundzustand enthält.

B. Geführter-Abtastungs-Ansatz (GSA)

Der Quantencomputer wird verwendet, um einen „leitenden Zustand" zu generieren, anstatt direkt die endgültige Lösung zu liefern.

1. Abtastung: Der Quantencomputer führt den Kurzzeitentwicklungs-Schaltkreis aus und führt $N_S$ Schüsse durch, um Basiszustände $|\Phi_s\rangle$ zu messen.
2. Unterraum-Konstruktion: Diese gemessenen Zustände bilden eine Menge $B$. Die Autoren konstruieren dann einen größeren Unterraum $B_1$, indem sie den Hamiltonoperator $\hat{H}$ einmal auf jeden Zustand in $B$ anwenden (d. h. $B_1 = \{ \hat{H}|\Phi_s\rangle \}$).
3. Klassische Diagonalisierung: Der Hamiltonoperator wird auf diesen Unterraum $B_1$ projiziert, um eine Matrix $\hat{H}^{(1)}$ zu bilden. Diese Matrix wird auf einem klassischen Computer diagonalisiert, um den kleinsten Eigenwert (die effektive Grundzustandsenergie) zu finden.
4. Effizienz: Die Methode beruht auf der Tatsache, dass für Ising-Modelle die Größe des Unterraums $|B_1|$ mit der Systemgröße subexponentiell wächst, was die klassische Diagonalisierung machbar macht.

C. Entropische Analyse (Fehlermetrik)

Um die Zuverlässigkeit der Ergebnisse zu bewerten, ohne den exakten Grundzustand zu kennen, führen die Autoren eine informationstheoretische Metrik ein:

• Schuss-Entropie ($S_B$): Misst die Information, die aus Quantenmessungen gewonnen wird.
• Verteilungs-Entropie ($S_\Psi$): Misst die Information, die erforderlich ist, um den konstruierten Grundzustand zu beschreiben.
• Informationsverhältnis ($R$): Definiert als $R = \log_2 \left( \frac{I_B}{K I_\Psi} \right)$, wobei $I_B$ die Information vom Quantencomputer ist, $I_\Psi$ die für den Ansatz benötigte Information und $K$ ein Kopplungsfaktor.
  • $R > 0$: Zeigt an, dass der Quantencomputer ausreichende Informationen geliefert hat, um einen genauen Zustand zu konstruieren (erfolgreich).
  • $R < 0$: Zeigt an, dass der Quantencomputer unzureichende Informationen geliefert hat, wahrscheinlich aufgrund von Rauschen (Fehler).

3. Hauptbeiträge

• Nachweis der Quantennützlichkeit: Erfolgreiche Berechnung von Grundzustandsenergien für Ising-Modelle mit bis zu 63 Qubits auf dem IBM Torino-Prozessor (Heron r1), einem Maßstab, bei dem eine brute-force-klassische Simulation unmöglich ist.
• Neuartige Fehlermetrik: Entwicklung des Informationsverhältnisses ($R$), um quantitativ die Grenze akzeptabler Quantenfehler zu bestimmen. Dies ermöglicht es Forschern, physikalische Abweichungen von hardwarebedingten Fehlern zu unterscheiden, ohne Vorwissen über die exakte Lösung zu haben.
• Unterraum-Analyse: Bereitstellung von Beweisen, dass die Anzahl der Basiszustände, die zur Approximation des Grundzustands für Ising-Modelle erforderlich sind, im Regime, in dem $|J| \sim |B|$ gilt, polynomiell (linear bis kubisch) und nicht exponentiell mit der Systemgröße wächst. Dies validiert die Effizienz des CVQE/GSA-Ansatzes für diese spezifischen Probleme.
• Zufällige Kopplung (Spin-Glas): Erweiterung der Methode auf Modelle mit zufälliger Kopplung (Spin-Gläser), eine Klasse von Problemen, die für klassische Algorithmen berüchtigt schwierig sind, und zeigt, dass die Methode bis zu bestimmten Fehlerschwellen robust bleibt.

4. Ergebnisse

• Homogenes Modell:
  • Der Algorithmus verfolgte erfolgreich die Grundzustandsenergie und den durchschnittlichen Spin als Funktion der Kopplungsstärke ($J_0$) und der Systemgröße ($N_Q$).
  • Fehlerschwelle: Abweichungen von glatten physikalischen Kurven korrelierten mit $R < 0$. Mit zunehmendem $N_Q$ und $|J_0|$ verschlechterte Quantenrauschen (Gatterfehler und Auslesefehler) die Ergebnisse, was schließlich dazu führte, dass die Methode für die größten Systeme bei hoher Kopplung versagte.
• Modell mit zufälliger Kopplung:
  • Die Methode bewältigte die Unordnung von Spin-Gläsern effektiv.
  • Das Informationsverhältnis ($R$) identifizierte erfolgreich Bereiche, in denen Quantenfehler die Ergebnisse dominierten (unten rechts im Parameterraum), während $R > 0$ in anderen Bereichen zuverlässige Ergebnisse anzeigte.
• Skalierung des Unterraums:
  • Die Analyse der Struktur der Basiszustände zeigte, dass die Anzahl der signifikanten Basiszustände (jene mit nicht vernachlässigbarer Wahrscheinlichkeit) für sowohl homogene als auch zufällige Modelle subexponentiell (ungefähr linear bis kubisch) mit der Anzahl der Qubits skaliert.
  • Dies bestätigt, dass der „effektive" Hilbert-Raum für den Grundzustand klein genug ist, um eine klassische Nachverarbeitung zu ermöglichen.

5. Bedeutung und Schlussfolgerung

• Durchführbarkeit von NISQ-Algorithmen: Das Papier zeigt, dass Kurzzeitentwicklung in Kombination mit geführter Abtastung eine praktikable Strategie für kurzfristige Quantencomputer ist. Sie umgeht die Notwendigkeit tiefer, fehlerkorrigierter Schaltkreise.
• Physikalische Erkenntnisse: Die Fähigkeit, zufällig gekoppelte Ising-Modelle (Spin-Gläser) auf Quantenhardware zu simulieren, ebnet den Weg zur Entdeckung neuer physikalischer Eigenschaften ungeordneter magnetischer Systeme, die derzeit unbekannt sind.
• Ausblick: Die Autoren kommen zu dem Schluss, dass zwar die aktuelle Hardware die Genauigkeit für die größten Systeme bei hoher Kopplung begrenzt, die Informationsanforderungen für den Grundzustand jedoch mit der Systemgröße nicht signifikant zunehmen. Wenn sich die Quantenhardware verbessert (niedrigere Gatterfehler), wird erwartet, dass sich diese Methode weiter skalieren lässt und potenziell Probleme löst, die für klassische Computer strikt unlösbar sind.

Zusammenfassend bietet diese Arbeit einen konkreten Weg, um aktuelle Quantenhardware zur Lösung komplexer Vielteilchenphysik-Probleme zu nutzen, indem sie Kurzzeitdynamik und hybride quanten-klassische Unterraum-Erweiterung nutzt, validiert durch eine neuartige informationstheoretische Fehlermetrik.