Pure and mixed Dicke state ansatz for equality and inequality constraints in variational quantum eigensolver

Dieses Paper führt einen durch Durchführbarkeit bewahrten gemischten Dicke-State-Ansatz für den Variational Quantum Eigensolver ein, der strukturell sowohl Gleichheits- als auch Ungleichheits-Hamminggewicht-Beschränkungen kodiert, um die Notwendigkeit von Straftermen zu eliminieren, wobei eine überlegenere Leistung gegenüber der Zufallssuche bei der kombinatorischen Portfolio-Optimierung demonstriert und gleichzeitig verbleibende Herausforderungen für den Einsatz auf NISQ-Hardware hervorgehoben wird.

Das Wesentliche

Das große Ganze: Das beste Team in einer Flut von Optionen finden

Stellen Sie sich vor, Sie sind ein Manager, der versucht, das perfekte Team aus einem Pool von 100 Kandidaten zusammenzustellen. Sie haben zwei Hauptziele:

1. Die Leistung maximieren (die besten Ergebnisse erzielen).
2. Strenge Regeln befolgen (z. B. „Sie müssen genau 5 Personen auswählen“ oder „Sie müssen zwischen 3 und 7 Personen auswählen“).

In der Welt der Finanzen nennt man das Portfolio-Optimierung. Anstatt Mitarbeiter wählen Sie Aktien aus. Anstatt nach Leistung suchen Sie nach hohen Renditen bei geringem Risiko.

Das Problem ist, dass mit der Anzahl der Kandidaten die Anzahl der möglichen Teams explodiert. Jede einzelne Kombination zu prüfen (wie eine Brute-Force-Suuche), dauert ewig. Hier kommt der Quantencomputer ins Spiel. Er verspricht, diese massiven Möglichkeiten viel schneller zu erforschen als ein herkömmlicher Computer.

Das Problem: Die „Strafen“-Falle

In der Vergangenheit versuchten Wissenschaftler, dies mit Quantencomputern mittels einer Methode namens Variational Quantum Eigensolver (VQE) zu lösen. Betrachten Sie VQE als einen Schüler, der versucht, eine Matheaufgabe zu lösen.

Um sicherzustellen, dass der Schüler die Regeln befolgt (wie „wähle genau 5 Aktien“), fügt der Lehrer normalerweise eine Strafe hinzu.

• Lehrer: „Wenn du 6 Aktien wählst, bekommst du einen großen roten Strich auf deinem Papier.“
• Schüler: „Okay, ich werde versuchen, den roten Strich zu vermeiden.“

Das Problem ist, dass der Lehrer raten muss, wie groß dieser rote Strich sein sollte. Wenn die Strafe zu klein ist, ignoriert der Schüler die Regeln. Wenn sie zu groß ist, wird der Schüler verwirrt und findet keine optimale Lösung. Das Einstellen dieser „Strafe“ ist ein riesiger Aufwand und führt oft zu schlechten Ergebnissen.

Die Lösung: Die Regeln in den Bauplan einbauen

Diese Arbeit führt einen neuen Weg vor, um den „Schüler“ des Quantencomputers (einen sogenannten Ansatz) aufzubauen. Anstatt Strafen im Nachhinein hinzuzufügen, bauen die Autoren die Regeln direkt in die DNA des Schülers ein.

Sie verwenden etwas namens Dicke-Zustände.

• Die Analogie: Stellen Sie sich eine magische Box vor, die nur Teams von genau 5 Personen ausspuckt. Sie können die Box nicht bitten, 4 oder 6 Personen zu liefern. Es ist physisch unmöglich für die Box, die Regel zu brechen.
• Reiner Dicke-Zustand: Dies ist die Box, die nur Teams von genau 5 Personen ausspuckt. Dies löst die „Gleichheitsbedingung“ (muss genau 5 sein).
• Gemischter Dicke-Zustand: Dies ist die große Innovation der Arbeit. Stellen Sie sich eine Box vor, die Teams von 3, 4, 5, 6 oder 7 Personen ausgeben kann, aber niemals 2 oder 8. Es ist eine „Mischung“ aus verschiedenen gültigen Teamgrößen. Dies löst die „Ungleichheitsbedingung“ (muss zwischen 3 und 7 liegen).

Durch die Verwendung von Dichtematrizen (einem schicken mathematischen Weg, um eine Mischung von Möglichkeiten zu beschreiben) haben die Autoren einen Quanten-Schaltkreis entwickelt, der nur jemals gültige Lösungen erforscht.

• Keine Strafen nötig: Da die Maschine physisch niemals ein ungültiges Team generieren kann, benötigen Sie keine roten Striche oder Strafen.
• Kein Tuning nötig: Sie müssen nicht raten, wie streng die Regeln sein sollten; die Regeln sind fest in die Maschine eingebaut.

Wie sie es getestet haben

Die Autoren testeten diese Idee anhand eines Problems der „kombinatorischen Portfolio-Optimierung“ (die Auswahl der besten Mischung von Aktien). Sie erstellten drei Szenarien, vergleichbar mit dem Besteigen eines Berges mit zunehmender Schwierigkeit:

1. Szenario 1 (Kleiner Hügel): Wähle bis zu 4 Aktien aus 11 Optionen.
2. Szenario 2 (Mittlerer Hügel): Wähle zwischen 3 und 6 Aktien aus 11 Optionen.
3. Szenario 3 (Großer Berg): Eine komplexe Mischung, bei der verschiedene Gruppen von Aktien unterschiedlichen Regeln unterliegen (z. B. „Wähle genau 3 aus Energie“, „Wähle 1 oder 2 aus Finanzen“).

Sie verglichen ihre neue „Regel-eingebaute“ Quantenmethode mit einer Zufallssuche (das bloße zufällige Auswählen gültiger Teams).

Die Ergebnisse:

• Als die Anzahl der möglichen gültigen Teams größer wurde (von Szenario 1 zu 3), wurde ihre Methode viel besser als das zufällige Raten.
• Zufälliges Raten ist wie das Werfen von Dartpfeilen mit verbundenen Augen; irgendwann treffen Sie vielleicht das Bullseye, aber es dauert lange. Ihre Methode ist wie eine Lenkwaffe, die nur auf die gültigen Ziele zusteuert.
• Sie fanden qualitativ hochwertige Lösungen (Portfolios an der „effizienten Grenze“, also dem bestmöglichen Gleichgewicht zwischen Risiko und Ertrag) viel schneller als durch Zufallssuche.

Der Haken: Rauschen in der realen Welt

Die Autoren testeten dies auch auf echten Quantencomputern (den verrauschten Maschinen von IBM).

• Das Problem: Echte Quantencomputer sind wie empfindliche Instrumente; sie sind „verrauscht“. Ein winziger Eingriff kann ein Bit kippen lassen (eine 0 in eine 1 verwandeln).
• Das Risiko: Wenn ein Bit kippt, kann aus einem gültigen Team von 5 versehentlich ein Team von 6 werden, was die Regel bricht.
• Das Ergebnis: Die Autoren fanden heraus, dass ihre „gemischte“ Methode (die Box, die 3, 4, 5, 6 oder 7 erlaubt) tatsächlich robuster gegenüber diesen Fehlern ist als die strikte „reine“ Methode. Wenn ein einzelner Fehler auftritt, ist die „gemischte“ Box wahrscheinlicher in der Lage, innerhalb des gültigen Bereichs zu bleiben als die strikte Box.
• Der Realitätscheck: Trotz dieses Vorteils ist die echte Hardware immer noch sehr verrauscht. Die Ergebnisse auf echten Maschinen wiesen eine Fehlerrate von etwa 50 % im Vergleich zu Simulationen auf. Die Arbeit kommt zu dem Schluss, dass die Idee zwar brillant ist, wir aber eine bessere „Rauschunterdrückungstechnologie“ benötigen, bevor dies für echtes Geldmanagement eingesetzt werden kann.

Zusammenfassung

Diese Arbeit schlägt einen cleveren Trick für Quantencomputer vor: Hören Sie auf, schlechte Antworten zu bestrafen; bauen Sie stattdessen eine Maschine, die gar keine schlechten Antworten geben kann. Durch die strukturelle Kodierung der Regeln (wie „wähle 3 bis 7 Aktien“) direkt in den Quanten-Schaltkreis mittels „gemischter Dicke-Zustände“ eliminierten sie die Notwendigkeit für schwieriges Penalty-Tuning. Ihre Experimente zeigten, dass diese Methode die besten Lösungen viel schneller findet als das zufällige Raten, insbesondere bei komplexen Problemen, obwohl das Rauschen der realen Hardware weiterhin eine Hürde darstellt.

Technische Zusammenfassung

Technisches Resümee: Reiner und gemischter Dicke-Zustands-Ansatz für Gleichheits- und Ungleichheitsbedingungen im Variational Quantum Eigensolver

Problemstellung
Die Arbeit befasst sich mit einer zentralen Herausforderung bei der Anwendung von Variational Quantum Algorithms (VQAs), insbesondere des Variational Quantum Eigensolver (VQE), auf kombinatorische Optimierung: dem Entwurf eines Ansatzes, der aussagekräftig genug ist, um den zulässigen Unterraum des Hilbert-Raums zu explorieren und gleichzeitig Problembeschränkungen zu berücksichtigen. Traditionelle Ansätze verlassen sich häufig auf Strafterme im Zielfunktions-Objekt, um Beschränkungen (wie etwa Hamming-Gewicht-Limits) durchzusetzen, was eine schwierige Abstimmung von Lagrange-Multiplikatoren erfordert. Zudem steigt mit der Skalierung der Anzahl von Variablen und Beschränkungen der Rechenaufwand für das Finden optimaler Lösungen exponentiell an, was klassische exakte Methoden unpraktikabel macht und die Abhängigkeit von suboptimalen Approximationen erzwingt. Das spezifische Problemgebiet, das hervorgehoben wird, ist die kombinatorische Portfolio-Optimierung, bei der das Ziel darin besteht, eine Teilmenge von Vermögenswerten auszuwählen, um die Rendite zu maximieren und gleichzeitig das Risiko unter Einhaltung von Beschränkungen bezüglich der Anzahl der ausgewählten Vermögenswerte (Hamming-Gewicht) zu minimieren.

Methodik
Die Autoren schlagen ein Framework zur Erhaltung der Durchführbarkeit vor, das sowohl Gleichheits- als auch Ungleichheitsbeschränkungen strukturell direkt in den Quantenschaltkreis-Ansatz kodiert und somit die Notwendigkeit von Straftermen eliminiert.

1. Reine und gemischte Dicke-Zustände:

   • Gleichheitsbeschränkungen: Für Beschränkungen, die eine exakte Anzahl ausgewählter Vermögenswerte ($k=b$) erfordern, nutzen die Autoren einen parametrisierten reinen Dicke-Zustands-Ansatz. Dieser Zustand ist eine Superposition von Rechenbasiszuständen mit einem festen Hamming-Gewicht $k$, was die Suche natürlich auf den zulässigen Unterraum einschränkt.
   • Ungleichheitsbeschränkungen: Für Beschränkungen, die Ober- oder Untergrenzen beinhalten ($k \leq b$ oder $k \geq b$), erweitern die Autoren das Formalismus zu gemischten Dicke-Zuständen. Durch die Verwendung der Dichtematrix-Formalismen und der Theorie offener Quantensysteme konstruieren sie einen Ansatz, der ein Ensemble (eine Mischung) von Dicke-Zuständen mit variierenden Hamming-Gewichten innerhalb des zulässigen Bereichs darstellt.
   • Implementierung: Der gemischte Zustand wird unter Verwendung von Ancilla-Qubits erzeugt, die die konditionale Präparation verschiedener Dicke-Zustände steuern. Die reduzierte Dichtematrix des Systems (erhalten durch das Spurieren der Ancilla aus) beschreibt die Mischung. Die VQE-Zielfunktion wird verallgemeinert, um das Skalarprodukt der Spur der Dichtematrix und des Problem-Hamiltonoperators zu minimieren: $\min \text{tr}(\sigma H)$.

2. Tensorprodukt-Struktur:
   Das Framework lässt sich auf Probleme mit mehreren Beschränkungsgruppen (z. B. verschiedene Sektoren in einem Portfolio) generalisieren, indem der globale Ansatz als Tensorprodukt der individuellen reinen oder gemischten Dicke-Zustands-Dichtematrizen konstruiert wird. Dies ermöglicht die gleichzeitige Erfüllung diverser Beschränkungstypen (Gleichheits- und Ungleichheit) über verschiedene Teilmengen von Variablen hinweg.

3. Experimenteller Aufbau:
   Der Ansatz wurde mittels kombinatorischer Portfolio-Optimierung mit drei Szenarien zunehmender Komplexität validiert:

   • Szenario I: 11 Vermögenswerte mit einer Obergrenzen-Beschränkung ($k \leq 4$).
   • Szenario II: 11 Vermögenswerte mit einer Bereichs-Beschränkung ($3 \leq k \leq 6$).
   • Szenario III: Ein Multi-Sektor-Portfolio (4 Sektoren, jeweils 5 Vermögenswerte) mit einer Mischung aus Gleichheits- und Ungleichheitsbeschränkungen unter Verwendung eines Tensorprodukt-Ansatzes.
     Die Optimierung wurde unter Verwendung des CMA-ES (Covariance Matrix Adaptation Evolution Strategy) Optimierers, einer gradientenfreien Methode, durchgeführt und gegen eine Random-Search verglichen, die auf den zulässigen Suchraum beschränkt war. Simulationen wurden auf klassischer Hardware (CPU/GPU) durchgeführt und auf IBM NISQ-Prozessoren validiert.

Wichtigste Ergebnisse

• Sucheffizienz: Mit zunehmender Größe des zulässigen Suchraums (von 561 in Szenario I bis zu 45.000 in Szenario III) zeigte der vorgeschlagene VQE-Dicke-Framework einen klaren Vorteil gegenüber der Zufallssuche. Es waren signifikant weniger Aufrufe der Zielfunktion erforderlich, um qualitativ hochwertige Lösungen bzw. die optimale Lösung zu identifizieren.
• Lösungsqualität: In allen Szenarien bildeten die aus der optimierten Verteilung gezogenen Bitstrings Portfolios ab, die auf oder nahe der klassischen Effizienzkante lagen. Selbst wenn der Optimierer die Dichtematrix nicht vollständig auf den einzelnen optimalen Bitstring konzentrierte, blieben die gezogenen Lösungen qualitativ hochwertige, zulässige Kandidaten.
• Hardware-Leistung: Experimente auf IBM NISQ-Prozessoren bestätigten die theoretische Durchführbarkeit, zeigten jedoch praktische Einschränkungen auf. Der Ansatz wies relative Fehler von etwa 50 % auf Quantenprozessoren (QPUs) auf. Die Autoren merken an, dass der gemischte Zustandsansatz zwar eine größere theoretische Robustheit gegenüber Single-Bit-Flip-Fehlern bietet (welche einen reinen Zustand aus dem zulässigen Set verschieben könnten), die kumulativen Rauschanteile durch Zwei-Qubit-Gatter jedoch eine signifikante Herausforderung bleiben.

Bedeutung und Ansprüche
Das Paper beansprucht, den ersten Durchführbarkeits-erhaltenden gemischten Dicke-Zustands-Ansatz eingeführt zu haben, der sowohl Gleichheits- als auch Ungleichheitsbeschränkungen in VQE ohne Strafterme handhaben kann. Die primäre Bedeutung liegt in:

1. Strukturelle Kodierung von Beschränkungen: Durch die Einbettung von Beschränkungen direkt in den Ansatz via Dichtematrix-Formalismus eliminiert die Methode die Notwendigkeit der Abstimmung von Lagrange-Multiplikatoren und reduziert die Komplexität der Optimierungslandschaft.
2. Skalierbarkeit: Der Ansatz ist besonders effektiv in Regimen, in denen der zulässige Suchraum groß genug ist, um eine erschöpfende Zufallssampling-Methode unpraktikabel zu machen, aber klein genug, um einen Bruchteil des gesamten Hilbert-Raums darzustellen ($O(n^k)$ vs. $O(2^n)$).
3. Generalisierbarkeit: Obwohl für die Portfolio-Optimierung validiert, wird behauptet, dass das Framework direkt auf andere kombinatorische Probleme mit Hamming-Gewicht-Beschränkungen anwendbar ist, wie etwa Feature-Selection und Ensemble-Selection.

Die Autoren nehmen eine bescheidene Haltung hinsichtlich der praktischen Implementierung ein und räumen ein, dass Rauschminderung und Transpilations-Optimierungen weiterhin offene Herausforderungen für die NISQ-Ära darstellen. Sie betonen, dass die vorliegende Arbeit als theoretische und experimentelle Validierung des Potenzials des Ansatzes dient und nicht als voll einsatzbereite kommerzielle Lösung.