🔬 condensed matter

Nonequilibrium steady states induced by stochastic mid-circuit measurements and resets on a quantum computer

Diese Arbeit präsentiert eine verrauschte diskrete Zeit-Theorie und deren experimentelle Validierung auf einem supraleitenden Quantenprozessor mit bis zu sieben Qubits, wobei demonstriert wird, dass stochastische Messungen und Resets während der Schaltkreis-Laufzeit interagierende Quantensysteme erfolgreich in Nichtgleichgewichts-Stationärzustände treiben können, die theoretischen Vorhersagen quantitativ entsprechen und Signaturen von Gleichgewichts-Quantenphasenübergängen aufweisen.

Ursprüngliche Autoren: Jakob Murauer, Sabine Tornow, Gabriele Perfetto

Veröffentlicht 2026-06-19

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Jakob Murauer, Sabine Tornow, Gabriele Perfetto

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

Stellen Sie sich vor, Sie versuchen, einer Gruppe von Freunden (den Qubits) eine komplexe Tanzchoreografie (die Quantendynamik) beizubringen. Normalerweise passiert es, dass sie bei einem Fehler einfach weitertanzen, wodurch die Choreografie immer chaotischer wird, bis sie nicht mehr wiederzuerkennen ist.

In dieser Arbeit geht es um einen neuen Weg, den Tanz organisiert zu halten, selbst wenn es laut und chaotisch zugeht. Die Forscher nutzten einen echten Quantencomputer (einen supraleitenden Prozessor), um eine Strategie namens Stochastisches Resettieren (Stochastic Resetting) zu testen.

Hier ist die Aufschlüsselung dessen, was sie getan und gefunden haben, unter Verwendung einfacher Analogien:

1. Das Problem: Der „vergessliche“ Tanz

In der Quantenwelt sind Systeme zerbrechlich. Wenn man sie einfach auf sich selbst überlassen lässt, werden sie durch „Rauschen“ korrumpiert (wie statisches Rauschen im Radio oder ein Freund, der die Schritte vergisst). Die Forscher wollten sehen, ob sie das System in einen stabilen, organisierten Zustand (einen Nicht-Gleichgewichts-Stationären Zustand) zwingen können, indem sie den Tanz in zufälligen Abständen unterbrechen.

zig 2. Die Lösung: Der „Zufällige Reset“

Denken Sie an Stochastisches Resettieren wie an ein Spiel wie „Simon sagt“, bei dem der Schiedsrichter zufällig „Reset!“ ruft.

Die Regel: In zufälligen Momenten hält das System inne, was es gerade tut, und wird gezwungen, zu einer bestimmten Ausgangsposition (dem „Reset-Zustand“) zurückzukehren.
Der Clou: In diesem Experiment haben sie nicht einfach blind zurückgesetzt. Sie verwendeten zwei Methoden:
1. Unbedingtes Resettieren (Unconditional Reset): Das System wird ohne Fragen zurück zum Start gezwungen.
2. Bedingtes Resettieren (Conditional Reset): Das System hält kurz inne, die Forscher machen eine schnelle „Momentaufnahme“ (eine Messung) der Tänzer und entscheiden dann, wohin sie sie zurücksetzen. Zum Beispiel: Wenn die meisten Tänzer nach „Oben“ schauen, setzt das System alle zu „Oben“ zurück. Wenn die meisten nach „Unten“ schauen, setzt es alle zu „Unten“ zurück.

3. Das Experiment: Die „rauschende“ Realität

Die Forscher testeten dies an einem echten Quantencomputer (ibm_marrakesh) mit bis zu 7 Qubits.

Die Herausforderung: Reale Quantencomputer sind „rauschbehaftet“. Die „Momentaufnahmen“ (Messungen) sind nicht perfekt, und die „Reset“-Knöpfe funktionieren manchmal fehlerhaft. Es ist, als würde man versuchen, ein Foto von einem sich bewegenden Objekt mit einer wackeligen Kamera zu machen; das Bild könnte verschwommen sein und man könnte die Position des Tänzers falsch einschätzen.
Das Modell: Da die Hardware nicht perfekt ist, erstellten die Forscher ein mathematisches „Rauschmodell“. Sie erkannten, dass der Computer beim Versuch, das System zurückzusetzen, manchmal versehentlich einige Bits umkehrt (wie ein Tänzer, der versehentlich in die falsche Richtung dreht). Dies nannten sie einen „verrauschten Reset-Zustand“.

4. Die Ergebnisse: Den „Sweet Spot“ finden

Sie testeten dies mit einer spezifischen Tanzchoreografie, dem Floquet-Transversalfeld-Ising-Modell. Dies ist eine sehr fachsprachliche Art zu beschreiben, dass ein System in zwei Hauptzuständen sein kann:

Geordnet: Alle schauen in dieselbe Richtung (wie ein Ferromagnet).
Ungeordnet: Alle schauen in zufällige Richtungen aufgrund von „Quantenfluktuationen“ (dem transversalen Feld).

Was sie herausfanden:

Übereinstimmung: Ihr „verrauschtes“ mathematisches Modell sagte exakt das voraus, was der echte Quantencomputer tat. Selbst mit den Fehlern und Glitches stimmte die Theorie perfekt mit dem Experiment überein.
Der Phasenübergang: Während sie das „Quantenrauschen“ (das transversale Feld) erhöhten, ging das System reibungslos von einem hochgradig geordneten Zustand (alle schauen in dieselbe Richtung) in einen ungeordneten Zustand über. Dies ähnelt dem Schmelzen von Eis zu Wasser. Der Quantencomputer zeigte dieses „Schmelzverhalten“ erfolgreich, selbst trotz der Fehler.
Der Unterschied: Das „Bedingte Resettieren“ (bei dem sie den Scoreboard prüften, bevor sie zurücksetzten) war viel schwieriger korrekt auszuführen als das „Unbedingte Resettieren“. Da der Computer messen, nachdenken und dann sofort handeln musste, verursachte der „Wackelkamera-Effekt“ (Messfehler) mehr Fehler. Ihr Rauschmodell war jedoch dennoch in der Lage, diese Fehler präzise vorherzusagen.

5. Das Fazit

Die Arbeit beweist, dass man Messungen während des Schaltkreises (Mid-Circuit Measurements – das Beobachten des Systems während des Laufs) und bedingte Resets (das Korrigieren des Systems basierend auf dem, was man sieht) nutzen kann, um stabile, kollektive Zustände auf aktuellen, unperfekten Quantencomputern zu erzeugen.

Einfach ausgedrückt: Sie haben gezeigt, dass man selbst dann ein organisiertes Muster aufrechterhalten kann, wenn der Quantencomputer etwas fehlerhaft ist, indem man gelegentlich die „Reset“-Taste drückt und auf die Anzeigetafel schaut, um zu sehen, in welche Richtung man zurücksetzen muss. Dies ebnet den Weg, um solche „Reset-Tricks“ in Zukunft für bessere Quantenalgorithmen zu nutzen, ohne zuerst eine perfekte, fehlerfreie Maschine zu benötigen.

Technische Zusammenfassung: Nichtgleichgewichts-Stationärzustände induziert durch stochastische Mid-Circuit-Messungen und Resets auf einem Quantencomputer

Problemstellung
Stochastisches Resetting ist ein vielseitiges Protokoll, bei dem ein Prozess zu zufälligen Zeiten unterbrochen und von einer Anfangskonfiguration aus neu gestartet wird, was bekanntlich klassische und Quantensysteme in Nichtgleichgewichts-Stationärzustände (Nonequilibrium Steady States, NESS) mit spezifischen Korrelationen treibt. Während theoretische Rahmenbedingungen nahelegen, dass bedingtes Resetting – bei dem der Reset-Zustand durch Mid-Circuit-Messungen bestimmt wird – kollektive NESS in wechselwirkenden Quanten-Viele-Körper-Systemen erzeugen kann, fehlte bisher eine Hardware-Validierung dieser Zustände. Die Realisierung solcher Zustände auf Quantenhardware ist aufgrund von Mid-Circuit-Auslesefehlern, Hardware-Rauschen und Dekohärenz anspruchsvoll, da diese den Reset-Vorgang korrumpieren und den resultierenden Stationärzustand verändern können. Diese Arbeit adressiert die Lücke zwischen den theoretischen Vorhersagen von durch stochastisches Resetting induzierten NESS und deren experimenteller Realisierung auf verrauschten Quantenprozessoren der NISQ-Ära (Noisy Intermediate-Scale Quantum).

Methodik
Die Autoren formulieren eine verrauschte diskrete Zeit-Theorie und implementieren diese auf einem supraleitenden Quantenprozessor (ibm_marrakesh) für Systeme von bis zu $N=7$ Qubits.

Theoretischer Rahmen:
- Unbedingtes Resetting: Das System entwickelt sich über unitäre Gatter $U$ oder wird mit einer Wahrscheinlichkeit $r$ auf einen Reset-Zustand $|0\rangle$ projiziert. Die resultierende NESS-Dichtematrix $\rho_{ness}$ wird als statistische Mischung von Überlebenswahrscheinlichkeiten abgeleitet.
- Bedingtes Resetting: Der Reset-Zustand wird basierend auf einer globalen projektiven Messung aus einer Menge von Zuständen (speziell $|+\rangle = |\uparrow\dots\uparrow\rangle$ oder $|-\rangle = |\downarrow\dots\downarrow\rangle$ ) gewählt. Ein „Mehrheitsentscheid“-Protokoll (Majority Vote) bestimmt den nachfolgenden Reset-Zustand: Wenn die Mehrheit der gemessenen Spins „up“ ist, setzt das System zu $|+\rangle$ zurück; andernfalls zu $|-\rangle$ . Dies definiert einen semi-Markovschen Prozess.
- Rauschmodellierung: Um Hardware-Imperfektionen zu berücksichtigen, führen die Autoren ein Rauschmodell ein, bei dem die Reset-Operationen unvollkommen sind. Anstatt reiner Reset-Zustände wird das System in einem gemischten Zustand $\rho_r$ initialisiert, der Bit-Flip-Fehler relativ zu den idealen geordneten Zuständen enthält. Dieses Modell gruppiert Zustände nach der Anzahl der Bit-Flips ( $n_{bf}$ ) und nutzt die $Z_2$ -Symmetrie, um die Anzahl der Fitting-Parameter zu reduzieren.
Modellsystem:
- Die unitären Dynamiken werden durch das wechselwirkende Floquet-Transversalfeld-Ising-Modell (FTFIM) gesteuert. Das unitäre Gatter $U_\theta$ besteht aus einem Transversalfeld-Term ( $U_x$ ) und einem Ising-Wechselwirkungsterm ( $U_{zz}$ ), parametrisiert durch einen Winkel $\theta$ .
- Der Ordnungsparameter für den Phasenübergang ist die longitudinale Magnetisierungsdichte $m$ . Für unbedingtes Resetting wird $\langle m \rangle_{ness}$ untersucht; für bedingtes Resetting verschwindet aufgrund der $Z_2$ -Symmetrie die durchschnittliche Magnetisierung, weshalb die quadrierte Magnetisierungsdichte $\langle m^2 \rangle_{ness}$ als Observabel verwendet wird.
Experimentelle Implementierung:
- Hardware: Die Experimente wurden auf dem ibm_marrakesh-Prozessor (127-Qubit Heavy-Hex-Gitter) durchgeführt.
- Unbedingtes Protokoll: Um aktive Mid-Circuit-Resets zu vermeiden, nutzten die Autoren die Erneuerungsstruktur (Renewal Structure) der Dynamik. Sie simulierten Trajektorien, indem sie eine rein unitäre Entwicklung für die seit einem stochastisch zugewiesenen Reset-Ereignis vergangene Zeit durchführten. Dies ermöglichte die umfassende Anwendung von Fehlerminderungs-Techniken (Dynamische Entkopplung, Auslesefehler-Mitigation, Zero-Noise-Extrapolation und Pauli-Twirling).
- Bedingtes Protokoll: Dies erforderte aktive Mid-Circuit-Interventionen. Der Schaltkreis beinhaltete unitäre Evolution, Mid-Circuit- $Z$ -Basis-Messungen, Echtzeit-Klassik-Verarbeitung (Majority Vote) und bedingte Einzelqubit-Rotationen ( $X$ -Gatter), um die Minderheits-Spins an die Mehrheit anzupassen. Aufgrund von Latenz- und Kohärenzzeitbeschränkungen wurde fortgeschrittene Fehlerminderung nicht in die bedingten Feedback-Schleifen integriert.
- Datenerhebung: Die Ergebnisse wurden über $M=10^4$ Auslesungen pro Reset-Realisierung und $10^3$ Quantentrajektorien gemittelt.

Wichtigste Ergebnisse

Quantitative Übereinstimmung: Die verrauschte Theorie des bedingten Resetting zeigt eine exzellente quantitative Übereinstimmung mit den experimentellen Daten für $N=3, 5$ und $7$ Qubits. Das theoretische Modell, welches das spezifische Bit-Flip-Rauschmodell beinhaltet, reproduziert die experimentellen Trends erfolgreich.
Phasenübergangs-Crossover: Die Experimente demonstrieren ein Crossover-Verhalten in der stationären Magnetisierung, das dem Gleichgewichts-Quantenphasenübergang des FTFIM ähnelt.
- Bei unbedingtem Resetting (mit großem $\theta=2.0$ ) zeigt das System Merkmale digitaler Quantendynamik, einschließlich lokaler Maxima in der Magnetisierung aufgrund von Floquet-Quasienergie-Entartungen für kleine $N$ .
- Bei bedingtem Resetting (mit kleinem $\theta=0.1$ , das dem Kontinuum-Limit nahekommt) nimmt die ferromagnetische Ordnung ( $\langle m^2 \rangle_{ness}$ ) mit zunehmendem Transversalfeld $h$ monoton ab und zeigt einen glatten Crossover um den kritischen Punkt $h=1$ .
Rauschanalyse:
- Die experimentellen Daten für unbedingtes Resetting stimmen gut mit der rauschfreien Theorie überein, was auf die effektive Nutzung von Fehlerminderung und die Vermeidung von dynamischen Schaltkreisen zurückzuführen ist.
- Die Daten für bedingtes Resetting zeigen einen signifikanten Downshift gegenüber der rauschfreien Theorie. Das vorgeschlagene „Reset-State-Error“-Modell (das Bit-Flips in der Reset-Präparation und Auslesefehler berücksichtigt, die zu falschen bedingten Gattern führen) liefert eine sehr gute Anpassung.
- Vergleiche mit alternativen Rauschmodellen (Depolarisierung, Phasen-Dämpfung, Amplituden-Dämpfung und korreliertes $ZZ$-Rauschen) im ergänzenden Material zeigen, dass das Reset-State-Error-Modell für $N=3$ und $N=5$ am effektivsten ist und auch für $N=7$ trotz weniger Fitting-Parameter wettbewerbsfähig bleibt.

Bedeutung und Ansprüche
Das Paper beansprucht, die erste Demonstration von stochastisch-resetting-induzierten Nichtgleichgewichts-Stationärzuständen auf Quantenhardware für wechselwirkende Viele-Körper-Systeme zu liefern. Die Ergebnisse validieren, dass kollektive Stationärzustände, die aus wechselwirkender Dynamik und Resets entstehen, zuverlässig auf hochmodernen, verrauschten Quantenprozessoren implementiert werden können.

Die Autoren betonen, dass ihre Arbeit das stochastische Resetting mit dem breiteren Nutzen von klassischem Feed-Forward (über dynamische Schaltkreise und Echtzeit-Logik) als Ressource für die Zustandspräparation auf Near-Term-Quantenmaschinen verbindet. Sie schließen, dass während Quantensimulationen für große Systemgrößen aufgrund von Kohärenzlimits und Latenzen in Feedback-Schleifen weiterhin eine Herausforderung darstellen, ihre Analyse den Weg für die Präparation kollektiver Stationärzustände auf verrauschten Geräten ebnet und praktische Einblicster für die Entwicklung von Quantenalgorithmen bietet, die Mid-Circuit-Messungen nutzen. Das Paper merkt bescheiden an, dass zukünftige Arbeiten darauf abzielen werden, anspruchsvollere Fehlerminderungs-Protokolle in die bedingten Feedback-Schleifen zu integrieren, um eine systematische Skalierung auf größere Systemgrößen zu ermöglichen.

1. Das Problem: Der „vergessliche“ Tanz

zig 2. Die Lösung: Der „Zufällige Reset“

3. Das Experiment: Die „rauschende“ Realität

4. Die Ergebnisse: Den „Sweet Spot“ finden

5. Das Fazit

Mehr davon