🤖 machine learning

AQKA: Active Quantum Kernel Acquisition Under a Shot Budget

Dieser Beitrag stellt AQKA vor, ein neuartiges Framework für die aktive Quantenkernel-Akquisition, das die Schusszuweisung unter Budgetbeschränkungen optimiert, indem eine geschlossene Paar-für-Paar-Akquisitionstheorie hergeleitet und eine überlegene Klassifikationsleistung gegenüber bestehenden einheitlichen und Unterabtastungsmethoden sowohl auf simulierter als auch auf echter IBM-Quantenhardware nachgewiesen wird.

Ursprüngliche Autoren: Jian Xu, Chao Li, Delu Zeng, John Paisley, Qibin Zhao

Veröffentlicht 2026-05-15

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jian Xu, Chao Li, Delu Zeng, John Paisley, Qibin Zhao

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

Das große Problem: Das „pixelige" Quantenfoto

Stellen Sie sich vor, Sie versuchen, mit einer sehr teuren, langsamen Kamera (einem Quantencomputer) ein hochauflösendes Foto einer komplexen Szene zu machen. Um das vollständige Bild zu erstellen, müssen Sie Millionen winziger Details messen (in einem mathematischen Raster als „Einträge" bezeichnet).

Ihre Kamera hat jedoch ein strenges Batterielimit (das „Shot-Budget"). Jedes Mal, wenn Sie ein Detail aufnehmen, entlädt sich die Batterie. Wenn Sie versuchen, jedes einzelne Detail mit der gleichen Menge an Batterie zu fotografieren, gehen Ihnen die Ressourcen aus, bevor Sie fertig sind, und das endgültige Foto ist unscharf und voller statisches Rauschen (Rauschen).

In der Welt des Quantencomputings ist dieses „Foto" ein Quanten-Kernel, eine Karte, die einem Computer hilft, Muster zu erkennen. Das aktuelle Problem besteht darin, dass bestehende Methoden versuchen, Batterie zu sparen, indem sie einfach einige zufällige Stellen auswählen, um sie sorgfältig zu messen, oder indem sie jede Stelle mit der gleichen winzigen Menge an Batterie messen. Sie erkennen nicht, dass einige Stellen im Foto für das Endergebnis viel wichtiger sind als andere.

Die Lösung: AQKA (Der intelligente Fotograf)

Die Autoren stellen eine neue Methode namens AQKA (Active Quantum Kernel Acquisition) vor. Stellen Sie sich AQKA als einen intelligenten Fotografen vor, der genau weiß, wo er die Batterie einsetzen muss.

Anstatt 10 Fotos von jedem einzelnen Pixel zu machen, fragt AQKA: „Welche Pixel sind tatsächlich wichtig, um das Gesicht auf dem Foto zu erkennen?"

Die „heißen" Stellen: Es identifiziert die kritischsten Pixel (diejenigen, die das Lernen vorantreiben). Es gibt dort viel Batterie aus, um ein kristallklares Bild zu erhalten.
Die „kalten" Stellen: Es erkennt, dass einige Pixel nur Hintergrundrauschen sind. Es gibt dort fast keine Batterie aus und akzeptiert eine leicht unscharfe Version, da dies das Endergebnis nicht beeinträchtigt.
Die „genau richtige" Balance: Es verwendet eine mathematische Formel, um genau zu berechnen, wie viele Fotos von jeder Stelle gemacht werden müssen, um das bestmögliche Ergebnis zu erzielen, ohne einen einzigen Tropfen Batterie zu verschwenden.

Wie es funktioniert: Die „Ziel-Füllen"-Strategie

Die meisten anderen Methoden versuchen, die Wichtigkeit einer Stelle zu erraten und sie dann zufällig zu beproben. Die Autoren fanden heraus, dass dies wie der Versuch ist, einen Eimer zu füllen, indem man Wasserbomben darauf wirft; man könnte das Ziel verfehlen oder Wasser verschwenden.

AQKA verwendet eine „Ziel-Füllen"-Strategie.

Schritt 1 (Das Aufwärmen): Es macht ein paar schnelle, zufällige Schnappschüsse der gesamten Szene, um eine grobe Vorstellung davon zu bekommen, was dort ist.
Schritt 2 (Der Plan): Basierend auf diesen schnellen Aufnahmen berechnet es ein „Ziel" dafür, wie viele Fotos jeder spezifische Stelle benötigt.
Schritt 3 (Das Füllen): Dann füllt es systematisch die Lücken auf. Wenn eine Stelle 50 Fotos benötigt und nur 5 hat, fügt es 45 hinzu. Wenn eine Stelle 2 benötigt und 2 hat, lässt es sie in Ruhe. Es rät nicht; es füllt das Kontingent auf.

Die Ergebnisse: Was passierte im Labor?

Die Autoren testeten dies auf echten Quantencomputern (IBM's „Heron"-Chips) und in simulierten Umgebungen. Hier ist, was sie herausfanden:

Wenn das Budget knapp ist (Niedrige Batterie): AQKA ist ein großer Gewinner. Bei einer bestimmten Art von Problem (bei der nur wenige Datenpunkte wichtig sind), verbesserte es die Genauigkeit um 26 bis 32 Prozentpunkte im Vergleich zur alten Methode der „gleichen Verteilung". Das ist wie der Übergang von einer unscharfen, unverkennbaren Skizze zu einem klaren Porträt.
Auf echter Hardware: Sie führten dies live auf einem 156-Qubit-Quantencomputer durch. Selbst mit dem realen Rauschen und den Fehlern der Maschine schlug AQKA die Standardmethoden immer noch mit einem signifikanten Vorsprung (etwa 17 Punkte in einem Test).
Der „Sweet Spot": AQKA funktioniert am besten, wenn Sie sich in einem „budgetbegrenzten" Regime befinden (Sie haben nicht genug Aufnahmen, um alles perfekt zu messen). Wenn Sie unendliche Batterie hätten, würden andere Methoden aufholen, aber in der realen Welt haben wir fast immer ein Budgetlimit.

Der „Aha!"-Moment: Warum es wichtig ist

Das Papier löst eine spezifische Engstelle: Messkosten.
Derzeit sind Quantencomputer zu langsam und zu teuer, um jedes einzelne Detail zu messen, das für komplexe Lernaufgaben benötigt wird. AQKA beweist, dass Sie nicht alles gleichmäßig messen müssen. Indem Sie klug darüber sind, was Sie messen und wie viel Sie messen, können Sie mit den gleichen Ressourcen viel bessere Ergebnisse erzielen.

Zusammenfassende Analogie

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Verbrechen aufzuklären, mit einer begrenzten Zeit, um Zeugen zu interviewen.

Der alte Weg: Sie interviewen 100 Personen jeweils für 1 Minute. Sie erhalten viele oberflächliche, verwirrende Informationen.
Der AQKA-Weg: Sie scannen die Menge schnell, erkennen, dass 5 Personen das Verbrechen gesehen haben und 95 nur vorbeigegangen sind. Sie verbringen 20 Minuten damit, die 5 wichtigsten Zeugen zu interviewen, und ignorieren den Rest. Sie lösen den Fall viel schneller und genauer.

AQKA ist die Methode, die dem Quantencomputer genau sagt, auf welche „Zeugen" (Datenpunkte) es sich konzentrieren muss, um das Problem mit dem geringsten Aufwand zu lösen.

Technische Zusammenfassung: AQKA: Aktive Quanten-Kernel-Akquisition unter einem Schuss-Budget

1. Problemstellung

Quanten-Kernel-Methoden, die klassische Eingaben auf einen Quanten-Feature-Raum abbilden, um Fidelitäten $K(x_i, x_j) = |\langle \phi(x_j)|\phi(x_i)\rangle|^2$ zu berechnen, gehören zu den am leichtesten zugänglichen Workloads für Noisy Intermediate-Scale Quantum (NISQ)-Hardware. Ihr praktischer Einsatz wird jedoch durch Messkosten begrenzt. Die Schätzung einer $N \times N$ -Kernel-Matrix erfordert $\Theta(N^2 S)$ Schaltungsausführungen (Shots), wobei $S$ die Anzahl der Shots pro Eintrag ist, um eine gewünschte Präzision zu erreichen. Auf aktueller Hardware, bei der Schaltungslatenzen im Bereich von Millisekunden bis Sekunden liegen, begrenzt diese Skalierung die einsetzbaren Problemgrößen auf wenige Hundert.

Bestehende budgetsparende Strategien (z. B. Nyström-QKE, ShoFaR, Kernel-Ziel-Ausrichtung) adressieren dies durch Sub-Sampling, welche Einträge gemessen werden sollen (z. B. Auswahl von Landmark-Spalten oder Trainingspunkten). Diese Methoden weisen das Schuss-Budget jedoch typischerweise uniform innerhalb ihrer gewählten Teilmengen zu. Sie berücksichtigen nicht die Heterogenität darin, wie stark jeder spezifische Kernel-Eintrag zur Leistung des nachgelagerten Klassifikators beiträgt. Die zentrale unbeantwortete Frage lautet: Gegeben ein festes Schuss-Budget $B$ , wie sollten Shots auf Paarebene zugewiesen werden, um den Verlust der nachgelagerten Aufgabe zu minimieren?

2. Methodik: AQKA

Die Autoren formulieren das lernbasierte Quanten-Kernel-Problem unter Schuss-Budget als Optimierungsproblem, das den erwarteten Verlust $\mathbb{E}[L(\hat{K})]$ unter der Nebenbedingung eines Gesamt-Schuss-Budgets $\sum s_{ij} \leq B$ minimiert.

Theoretische Herleitung

Mittels einer Analyse erster Ordnung (Delta-Methode) in Kombination mit den Karush-Kuhn-Tucker (KKT)-Bedingungen leiten die Autoren eine geschlossene optimale Zuweisungsregel her. Für einen Kernel-Eintrag $K_{ij}$ , der mit $s_{ij}$ Shots geschätzt wird, beträgt die Varianz $K_{ij}(1-K_{ij})/s_{ij}$ . Die optimale Zuweisung $s^*_{ij}$ , die die Varianz des Verlustschätzers minimiert, ist proportional zur Sensitivität des Verlusts gegenüber diesem Eintrag:
$s^*_{ij} \propto |g_{ij}| \sqrt{K_{ij}(1-K_{ij})}$
wobei $g_{ij} = \partial L / \partial K_{ij}$ der Gradient des Verlusts bezüglich des Kernel-Eintrags ist.

Für Kernel-Ridge-Regression (KRR): Der Gradient wird explizit als $g_{ij} = -2\lambda^2(\beta_i \alpha_j + \beta_j \alpha_i)$ hergeleitet, wobei $\alpha = (K+\lambda I)^{-1}y$ und $\beta = (K+\lambda I)^{-1}\alpha$ .
Für Support Vector Machines (SVM): Unter Verwendung des Envelope-Theorems (Danskin-Theorem) wird der Gradient als $g_{ij} = -y_i y_j \eta^*_i \eta^*_j$ hergeleitet, wobei $\eta^*$ die optimalen dualen Variablen sind.

Algorithmische Implementierung

Die Autoren schlagen AQKA (Active Quantum Kernel Acquisition) vor, einen einsetzbaren Algorithmus, der in Runden arbeitet:

Warm-up: Ein kleiner Bruchteil des Budgets ( $\eta_w B$ ) wird uniform ausgegeben, um eine initiale Kernel-Schätzung $\hat{K}$ zu initialisieren.
Sensitivitätsschätzung: Der Algorithmus löst das KRR- (oder SVM-)Problem auf $\hat{K}$ , um die gradientenbasierten Sensitivitätsscores $g_{ij}$ zu berechnen.
Target-Fill-Zuweisung: Anstatt Shots aus einer multinomialen Verteilung zu sampeln (was Pairs mit geringer Sensitivität aufgrund stochastischer Spitzen verhungern lassen kann), verwendet AQKA einen deterministischen „Target-Fill"-Ansatz. Er berechnet die Ziel-Shot-Anzahl $s^*_{ij}$ und addiert die Differenz $\max(0, s^*_{ij} - s_{ij})$ zu jedem Paar.
Exploration: Ein kleiner Explorationsanteil ( $\eta_e B$ ) wird uniform hinzugefügt, um zu verhindern, dass der Algorithmus Paare vollständig ignoriert, die aufgrund höherer Ordnungseffekte oder Schätzrauschen wichtig werden könnten.

3. Hauptbeiträge

1. Vollständige Regime-Zerlegung

Die Arbeit liefert eine prinzipielle Charakterisierung, wann verschiedene Zuweisungsstrategien optimal sind:

AQKA dominiert im budget-limitierten Regime ( $B \lesssim 16 n_{pairs}$ ) bei KRR-Aufgaben mit spärlicher Sensitivität.
Nyström-QKE (niedrigrangige Rekonstruktion) gewinnt bei sättigenden Budgets auf gepflanzten spärlichen Daten, wo die niedrigrangige Struktur vollständig wiederhergestellt werden kann.
ShoFaR-ähnliche Methoden sind nur in extrem niedrig-budgetierten Regimen konkurrenzfähig.

2. Geschlossene Paar-Ebenen-Akquisitionstheorie

KKT-optimale Zuweisung: Herleitung des geschlossenen Gradienten $g_{ij}$ für KRR und SVM unter Schuss-Rauschen.
Korrigierte spärlichkeitsbewusste Schranken: Die Autoren leiten eine Cauchy-Schwarz-Schranke für das erreichbare Varianzreduktionsverhältnis $\rho$ her. Sie korrigieren die naive Skalierung $\Theta(m^2/N^2)$ (unter der Annahme, dass $g$ auf $S \times S$ unterstützt ist) zu einer genaueren Skalierung $\Theta(m/N)$ ( $\rho \leq 2m/N$ für KRR). Dies spiegelt den strukturellen Fakt wider, dass selbst wenn der Lösungsvektor $\alpha$ spärlich ist, der Sensitivitätsvektor $\beta = (K+\lambda I)^{-1}\alpha$ generisch dicht ist, was bedeutet, dass jedes Paar, das den Support-Satz berührt, eine nicht-null Sensitivität aufweist.
Regret-Schranken: Eine explizit-konstante Plug-in-Regret-Schranke wird bereitgestellt, die zeigt, dass der Fehler gegen das Oracle-Optimum konvergiert, wenn das Warm-up-Budget steigt.

3. Einsetzbarer Target-Fill-Algorithmus

Die Arbeit zeigt, dass ein deterministisches Target-Fill-Schema die natürliche multinomiale Stichprobenziehung übertrifft, insbesondere im budget-limitierten Regime. Multinomiale Stichproben neigen dazu, sich aggressiv auf wenige hochbewertete Paare zu konzentrieren, andere zu verhungern lassen und Rauschen bei der Matrixinversion zu verstärken; Target-Fill hält eine minimale Abdeckungsbasis aufrecht.

4. Erste Multi-Seed Live-Online-Anpassung auf Quantenhardware

Die Autoren berichten über die erste veröffentlichte Demonstration einer online adaptiven Schuss-Zuweisung auf aktuellen 156-Qubit-IBM-Heron-Klasse-Geräten.

IBM Aachen (N=20): +17,0 ± 4,8 Prozentpunkte gegenüber uniformer Zuweisung (3,5 $\sigma$ -Signifikanz).
IBM Berlin (N=30): +14,0 ± 8,5 Prozentpunkte bei höheren Budgets.

4. Experimentelle Ergebnisse

Synthetische und simulierte Settings

Gepflanzte spärliche KRR: Auf synthetischen Daten mit spärlichen Lösungsvektoren erreicht AQKA (Target-Fill mit geschätzter Sensitivität) +8 bis +25 Prozentpunkte gegenüber uniformer Zuweisung, wenn $N$ von 225 auf 1000 skaliert.
Rauschfreie Quanten-Kernel: Die Gewinne übertragen sich auf rauschfreie 4-Qubit-ZZFeatureMap-Simulationen und zeigen +13 bis +18 Punkte gegenüber uniformer Zuweisung.
Hardware-Resampling-Ablation: Unter Verwendung eines auf IBM Pittsburgh (156 Qubit) gemessenen Kernels und Resampling mit Schuss-Rauschen erreicht AQKA +26,3 ± 6,1 Punkte bei $B = n_{pairs}$ und +31,9 ± 7,2 Punkte bei $B = 4n_{pairs}$ gegenüber uniformer Zuweisung.

Benchmarks mit Real-Daten

Brustkrebs (Dichtes $\alpha$ ): Auf einem realen Datensatz, bei dem der Lösungsvektor dicht (nicht spärlich) ist, dominiert AQKA nicht uniform. Es ist konkurrenzfähig, zeigt jedoch regimeabhängige Leistung, was unterstreicht, dass der Vorteil der Methode auf einer hohen Heterogenität der Paar-Sensitivität beruht.
SVM vs. KRR: Die Arbeit stellt fest, dass sich zwar das theoretische Rahmenwerk auf SVM erstreckt, die Plug-in-Version jedoch aufgrund der Instabilität des Support-Satzes unter noisy Warm-ups brüchiger ist. In kleinen-N, noisy-warm-up-Regimen kann AQKA für SVM gegenüber uniformer Zuweisung schlechter abschneiden, während die KRR-Version robust bleibt.

5. Bedeutung und Behauptungen

Die Arbeit behauptet, die Lücke zwischen theoretischer Schuss-Budget-Optimierung und praktischem Einsatz auf NISQ-Hardware zu schließen. Ihre primäre Bedeutung liegt in:

Überwindung uniformer Zuweisung: Demonstration, dass nicht-uniforme, sensibilitätsbewusste Schuss-Zuweisung für das kurzfristige Quanten-Kernel-Lernen entscheidend ist, insbesondere wenn Budgets knapp sind.
Hardware-Validierung: Bereitstellung der ersten Multi-Seed, Live-Online-Validierung einer adaptiven Schuss-Zuweisungsstrategie auf echter Quantenhardware, was beweist, dass die theoretischen Gewinne Geräte-Rauschen und Kalibrierungsdrift überstehen.
Regime-Bewusstsein: Etablierung, dass keine einzelne Methode universell überlegen ist; AQKA ist speziell für das budget-limitierte, spärlich-sensitivitäts-Regime konzipiert, welches die operationell relevante Zone für aktuelle Hardware darstellt.

Die Autoren sind in ihren Behauptungen bescheiden und räumen ein, dass für Probleme mit dichter Sensitivität oder sättigende Budgets andere Methoden (wie Nyström) oder uniforme Zuweisung vorzuziehen sein können. Sie identifizieren auch das SVM-Plug-in-Rauschen als aktuelle Einschränkung, die zukünftige Arbeiten erfordert (z. B. margenstabilisierte Akquisition).