Quantifying the Hadamard Resilience Law: Discovery of the Coherence Gap in NISQ-Era Classifiers

Dieser Artikel berichtet, dass der Hadamard-Test-Wahrnehmungsneuron zwar auf dem IBM Kingston-Prozessor trotz signifikanter Signalzusammenbrüche eine hohe Genauigkeit beibehält, jedoch bei hohen Merkmaltiefen eine kritische „Kohärenzlücke" entsteht, da kohärente Phasenfehler die Hardwaregrenzen überschreiten, wodurch diese Fehler und nicht das Depolarisationsrauschen als primäre Barriere für die Skalierung quantenmechanischer linearer Schichten identifiziert werden.

Das Wesentliche

Das große Ganze: Ein lautes Quanten-Klassenzimmer

Stellen Sie sich vor, Sie versuchen, einem Schüler (dem Quantencomputer) beizubringen, handschriftliche Zahlen zu erkennen (wie die Ziffern 0–9 im MNIST-Datensatz). In einer perfekten Welt hat der Schüler einen kristallklaren Blick auf die Zahlen. Aber in der realen Welt ist das „Klassenzimmer" unglaublich laut. Die Lichter flackern, Menschen schreien, und die Augen des Schülers sind verschwommen.

Dieses Papier untersucht eine spezifische Frage: Kann dieser laute Schüler trotzdem die richtige Antwort finden, auch wenn er die Details nicht klar sehen kann?

Die Forscher testeten dies auf einem echten Quantencomputer (dem „ibm kingston"-Prozessor) und entdeckten zwei Hauptdinge: eine „Superkraft", die der Computer hat, und eine „Mauer", die ihn daran hindert, bei großen Problemen zu funktionieren.

---

1. Die „Kingston-Konstante": Die Schrumpfung des Signals

Zuerst untersuchten die Forscher, wie stark das Rauschen die Daten verfälschte.

• Die Analogie: Stellen Sie sich vor, Sie versuchen, einen Freund zu hören, der in einem überfüllten, lauten Stadion ein Geheimnis flüstert. Die Lautstärke seiner Stimme (das Signal) wird vom Rauschen erdrückt.
• Die Erkenntnis: Auf dem IBM Kingston-Prozessor wurde das „Flüstern" um 93 % erdrückt. Das Signal schrumpfte so stark, dass es fast wie statisches Rauschen aussah. Die Forscher nennen diese massive Schrumpfung die „Kingston-Konstante".
• Das Ergebnis: Obwohl das Signal um 93 % kleiner war, konnte der Computer immer noch den Unterschied zwischen einer „1" und einer „2" erkennen. Es war, als würde man ein so leises Flüstern hören, dass man die Worte nicht verstehen konnte, aber man konnte immer noch erkennen, wer sprach.

2. Das „Hadamard-Resilienz-Gesetz": Die Superkraft der Rangfolge

Dies ist die Hauptentdeckung des Papiers. Normalerweise denken wir, wenn das Signal zu schwach wird, versagt der Computer. Aber dieses Papier fand ein „Gesetz", das das Gegenteil besagt.

• Die Analogie: Stellen Sie sich ein Rennen vor, bei dem die Läufer in dichten Nebel gehüllt sind. Sie können ihre Gesichter oder ihre genaue Geschwindigkeit nicht sehen. Sie können jedoch immer noch sehen, dass Läufer A vor Läufer B ist und Läufer B vor Läufer C.
• Die Erkenntnis: Der Quantencomputer verwendet einen Trick namens „Hadamard-Test". Obwohl das Rauschen die Zahlen (die Geschwindigkeit der Läufer) schrumpft, verwirbelt es nicht die Reihenfolge (wer gewinnt).
• Das Gesetz: Solange der Computer herausfinden kann, welche Zahl „gewinnt" (den höchsten Rang hat), ist es egal, ob die Zahlen winzig oder riesig sind. Deshalb erreichte der Computer immer noch 93,9 % Genauigkeit beim Test, trotz dieses 93%igen Signalverlusts. Der Computer ist „resilient", weil er nur die Reihenfolge kennen muss, nicht den genauen Wert.

3. Die „Kohärenz-Lücke": Die unsichtbare Mauer

Die Superkraft hat jedoch eine Grenze. Die Forscher versuchten, das Problem schwieriger zu machen, indem sie mehr Merkmale verwendeten (den „Nebel" dicker und das Rennen länger machten).

• Die Analogie: Stellen Sie sich vor, die Rennstrecke wird so lang, dass die Läufer stundenlang laufen müssen. Irgendwann wird der Nebel so dicht, dass die Läufer anfangen, übereinander zu stolpern oder verwirrt sind, in welcher Spur sie laufen. Die Reihenfolge wird durcheinandergebracht.
• Die Erkenntnis: Als die Forscher die Komplexität auf 256 Merkmale erhöhten (eine tiefe Schaltung), versagte der Computer plötzlich.
  • Die Simulation: Eine Computersimulation (ein „Digitaler Zwilling"), die nur zufälliges Rauschen berücksichtigte, funktionierte immer noch perfekt.
  • Die echte Hardware: Der echte Quantencomputer stürzte ab. Die Genauigkeit sank auf etwa 53 % (im Wesentlichen raten wie bei einem Münzwurf).
• Die „Kohärenz-Lücke": Dieser enorme Unterschied zwischen der Simulation und der echten Maschine wird als Kohärenz-Lücke bezeichnet. Sie beweist, dass das Problem nicht nur „zufälliges Rauschen" (wie statisches Rauschen) ist; es ist eine spezifische Art von „systematischem Fehler" (wie ein kaputter Kompass). Die Quantenbits (Qubits) geraten bezüglich ihrer Timing und Phase in Verwirrung, wodurch die „Reihenfolge" der Läufer durcheinandergebracht wird.

4. Die „Kohärenz-Mauer"

Das Papier identifiziert einen spezifischen Punkt, an dem der Computer auf eine Mauer trifft.

• Die Analogie: Denken Sie an eine Batterie. Wenn Sie eine kleine Schaltung betreiben, hält die Batterie. Wenn Sie versuchen, eine riesige Schaltung zu betreiben (wie die mit 256 Merkmalen), stirbt die Batterie, bevor die Aufgabe abgeschlossen ist.
• Die Erkenntnis: Die Schaltung für das große Problem war etwa 10.000 Schritte tief, aber der IBM Kingston-Prozessor kann nur etwa 3.500 Schritte bewältigen, bevor das Signal vollständig ausfällt.
• Die Schlussfolgerung: Das „Hadamard-Resilienz-Gesetz" funktioniert hervorragend für kleine Probleme, stößt aber auf eine „Kohärenz-Mauer", wenn das Problem für die aktuelle Hardware zu groß wird.

Zusammenfassung des „Goldenen Pfads"

Die Forscher fanden einen klugen Weg, ihre Theorie zu beweisen, ohne Millionen langsame Tests durchzuführen:

1. Sie führten ein paar schnelle Tests durch, um genau zu messen, wie stark die „Kingston-Konstante" das Signal schrumpft.
2. Sie verwendeten diese Daten, um einen „Digitalen Zwilling" zu erstellen (eine perfekte Simulation der lauten Maschine).
3. Sie bewiesen, dass wenn das einzige Problem zufälliges Rauschen wäre, der Computer perfekt funktionieren würde.
4. Da der echte Computer bei der großen Größe versagte, bewiesen sie, dass der wahre Übeltäter nicht zufälliges Rauschen ist, sondern kohärente Fehler (Timing/Phasenfehler), die aktuelle Simulatoren nicht erkennen.

Das Fazit

• Gute Nachricht: Quantencomputer sind überraschend robust. Sie können Zahlen immer noch korrekt klassifizieren, selbst wenn das Signal 93 % schwächer ist als es sein sollte, solange die „Reihenfolge" der Antworten gleich bleibt.
• Schlechte Nachricht: Sie stoßen auf eine harte Mauer, wenn die Probleme zu groß werden (256 Merkmale). Die Hardware ist nicht stabil genug, um die „Reihenfolge" für tiefe, komplexe Schaltungen aufrechtzuerhalten.
• Die Lösung: Um größer zu werden, können wir nicht einfach mehr Rauschen hinzufügen; wir müssen die „Timing"-Fehler (Kohärenz) beheben oder das große Problem in kleinere Teile aufspalten, die auf die aktuelle Hardware passen.

Technische Zusammenfassung

Technische Zusammenfassung: Quantifizierung des Hadamard-Resilienzgesetzes und Entdeckung der Kohärenzlücke

Problemstellung
Der Übergang von Quanten-Machine-Learning-Algorithmen (QML) von der Theorie zu Noisy Intermediate-Scale Quantum (NISQ)-Hardware wird häufig durch systemische Dekohärenz behindert. Während theoretische Modelle oft eine hohe Gattertreue voraussetzen, leiden physikalische supraleitende Prozessoren unter Signalzerfall, der tiefe Quantenschaltkreise wirkungslos machen kann. Insbesondere fehlt es an Verständnis dafür, ob die Entscheidungsgrenzen von Quantenklassifizierern dem katastrophalen Kollaps der Signalstärke standhalten können, der auf aktueller Hardware beobachtet wird. Diese Arbeit untersucht die Robustheit des Hadamard-Tests – eines fundamentalen Bausteins für Quanten-Linearschichten – gegenüber dem spezifischen Rauschprofil des ibm_kingston-Prozessors.

Methodik
Die Autoren verfolgten einen hybriden Ansatz, der die Ausführung auf physikalischer Hardware mit einer kalibrierten „Digitalen Zwilling"-Simulation kombinierte:

1. Hardware-Kalibrierung: Unter Verwendung von 100 persistenten Sonden, die aus trainierten MNIST-Gewichtsmatrizen abgeleitet wurden, führte das Team Hadamard-Tests auf dem ibm_kingston-Backend durch. Diese Ergebnisse wurden mit einem idealen Simulator verglichen, um ein Rauschmodell zu kalibrieren und spezifische Gatterrausch- ($\lambda$) und Auslesefehler- ($\epsilon$) Parameter zu identifizieren.
2. Stochastischer vs. physikalischer Vergleich: Die Studie verglich die Leistung eines stochastischen Rauschmodells (Digitaler Zwilling) mit der Ausführung auf physikalischer Hardware. Dies umfasste die Analyse der Signalcompression, der Erhaltung des Rangs und der Klassifizierungsgenauigkeit über variierende Merkmals-Tiefen ($N$), wobei speziell $N=16$ und $N=256$ getestet wurden.
3. Parametrische Analyse: Die Autoren führten eine parametrische Sweep durch, um kritische Schwellenwerte zu identifizieren, bei denen der „Argmax"-Operator (zur Klassifizierung verwendet) versagt, das Signal wiederherzustellen, und führten eine Tiefen-Ablationsstudie durch, um den Einfluss der Schaltkreistiefe auf die Kohärenz zu isolieren.

Hauptbeiträge
Die Arbeit stellt vier primäre Konzepte und Erkenntnisse vor:

• Die Kingston-Konstante ($\kappa \approx 0,07$): Eine Charakterisierung der systemischen Signalcompression des ibm_kingston-Prozessors. Die Hardware zeigt einen Kollaps der Signalstärke um 93 %, wobei theoretische Erwartungswerte (Bereich $[-15, 15]$) in einen schmalen Hardware-Bereich (ca. $[-1, 1]$) abgebildet werden.
• Das Hadamard-Resilienzgesetz: Ein vorgeschlagenes Gesetz, das besagt, dass Quantenklassifizierer eine hohe Inferenzgenauigkeit (>93 %) aufrechterhalten können, selbst wenn die numerische Treue aufgrund von Depolarisationsrauschen kollabiert. Diese Resilienz wird der Erhaltung der Rangordnung der Klassenwahrscheinlichkeiten zugeschrieben, nicht deren absoluten Größen. Der Argmax-Operator wirkt als nichtlinearer Filter und bleibt funktionsfähig, solange der hardware-komprimierte Rand die statistische Schussrauschen-Basislinie übersteigt.
• Der Resilienzschwellenwert ($\epsilon_{crit} \approx 0,65$): Ein identifizierter parametrischer Grenzwert, bei dem der Argmax-Operator versagt, das Signal wiederherzustellen. Unterhalb dieses Gatterrausch-Schwellenwerts behält das System eine hohe Rangkorrelation bei; oberhalb davon geht das Signal durch statistische Varianz verloren.
• Die Kohärenzlücke ($\Delta\rho \approx 0,91$): Eine kritische Divergenz, die bei hohen Merkmals-Tiefen ($N=256$) entdeckt wurde. Während stochastische Simulationen eine hohe Resilienz vorhersagen, kollabiert die Leistung der physikalischen Hardware. Diese Lücke isoliert kohärente Phasenfehler und Übersprechen (anstatt Depolarisationsrauschen) als die primäre Barriere für die Skalierung von Quanten-Linearschichten.

Experimentelle Ergebnisse

• Signalzerfall und Rang-Erhaltung: Trotz des Kollapses der Signalstärke um 93 % blieb der monotone Trend des Signals bei geringeren Tiefen intakt, was eine korrekte Klassifizierung ermöglichte. Der Digitale Zwilling (stochastisches Modell) erreichte eine Genauigkeit von 94,2 % mit einem Spearman-$\rho$ von 0,9856 und bestätigte so die theoretische Resilienz.
• Die Kohärenzwand bei $N=256$: Auf dem physikalischen ibm_kingston-Prozessor überschritt die Schaltkreistiefe für 256 Merkmale ($D \approx 10.392$) das charakteristische Kohärenzlimit der Hardware ($D_{max} \approx 3.465$). Dies führte zu einer „Kohärenzwand", bei der der Spearman-$\rho$ auf 0,0763 sank und die Vorzeichentreue auf 53,0 % fiel (effektiv zufälliges Raten), obwohl der Digitale Zwilling eine robuste Leistung vorhersagte.
• Schussrauschen-Effizienz: Die Studie ergab, dass sich die Rangkorrelation mit der Anzahl der Schüsse schnell stabilisiert. Bei 512 Schüssen erreichte das System einen Spearman-$\rho$ von 0,9096, was darauf hindeutet, dass statistisches Schussrauschen nicht die primäre Engstelle für aktuelle NISQ-Implementierungen ist.
• Ressourcenanalyse: Die Analyse bestätigte, dass die „Kohärenzlücke" durch die Akkumulation kohärenter Phasenfehler in tiefen, CNOT-dichten Schaltkreisen verursacht wird, die die für das Hadamard-Resilienzgesetz erforderliche Rangordnung durcheinanderbringen.

Bedeutung und Behauptungen
Die Arbeit beansprucht, zwei kritische Säulen für das Quanten-Machine-Learning der NISQ-Ära zu etablieren:

1. Gültigkeit des Hadamard-Resilienzgesetzes: Sie zeigt, dass der Hadamard-Test, gekoppelt mit einem Argmax-Operator, mathematisch robust gegenüber Depolarisationsrauschen ist. Eine hochleistungsfähige Klassifizierung ist auch dann erreichbar, wenn die Signalstärken um über 90 % kollabieren, vorausgesetzt, das Rauschen ist stochastisch und uniform.
2. Identifizierung der Kohärenzlücke: Die Arbeit definiert die Skalierungsgrenzen von Quantenklassifizierern neu. Sie argumentiert, dass die Barriere für die Skalierung nicht der stochastische Rausch-Boden ist (den das Resilienzgesetz überwindet), sondern die Akkumulation kohärenter Phasenfehler in tiefen Schaltkreisen. Diese „Kohärenzlücke" dient als neuer Benchmark für NISQ-Backends und legt nahe, dass die zukünftige Hardware-Entwicklung die Unterdrückung kohärenter Phasendrift und Übersprechen priorisieren muss, anstatt nur die Gattertreue zu verbessern.

Die Autoren schließen, dass das Hadamard-Resilienzgesetz zwar einen theoretischen Pfad für funktionale Nutzbarkeit bei Klassifizierungsaufgaben Jahrzehnte vor der vollständigen Fehlerkorrektur bietet, die aktuelle Hardware jedoch durch eine „Kohärenzwand" bei $N=256$ begrenzt ist. Sie schlagen vor, dass die Überwindung dieser Grenze architektonische Verschiebungen erfordert, wie z. B. verteilte lineare Transformationen (Quantum MapReduce), um die Schaltkreistiefe unter das Kohärenzlimit zu senken.