⚛️ quantum physics

StableShots: Online Shot Stopping for Quantum Circuit Execution

StableShots ist eine Black-Box-Online-Stoppregel, die dynamisch die optimale Anzahl an Messungen für statische Quantenschaltkreise bestimmt, indem sie die Stabilität der Verteilung überwacht, und dadurch feste Shot-Baselines hinsichtlich Genauigkeit und Shot-Effizienz über verschiedene Schaltkreisfamilien und verrauschte Backends hinweg übertrifft.

Ursprüngliche Autoren: Giuseppe Bisicchia, Alessandro Bocci, Ernesto Pimentel, Antonio Brogi

Veröffentlicht 2026-06-23

📖 3 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Giuseppe Bisicchia, Alessandro Bocci, Ernesto Pimentel, Antonio Brogi

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, das Geschmacksprofil einer riesigen, geheimnisvollen Suppe zu erraten, indem Sie winzige Löffel davon probieren.

In der Welt des Quantencomputings ist das Ausführen eines „Schaltkreises“ (einer Berechnung) wie das Nehmen dieser Löffel. Jedes Mal, wenn Sie den Schaltkreis ausführen, erhalten Sie ein Ergebnis, einen „Shot“. Um das volle Bild dessen zu verstehen, was der Computer tut, müssen Sie viele Shots nehmen und sehen, wie oft verschiedene Ergebnisse auftreten.

Das Problem: Das „Fester-Löffel-Dilemma“
Derzeit müssen Entwickler schon vor dem Start festlegen, wie viele Löffel sie nehmen werden. Sie müssen eine feste Zahl wählen, wie zum Beispiel: „Ich werde genau 5.000 Löffel nehmen.“

Das Risiko: Wenn sie zu wenige wählen (sagen wir 100), übersehen sie vielleicht die seltenen Aromen und bekommen eine falsche Vorstellung von der Suppe.
Die Verschwendung: Wenn sie zu viele wählen (sagen wir 100.000), verschwenden sie Zeit und Geld, indem sie Löffel nehmen, lange nachdem sie das Aroma bereits erschmeckt haben.
Die Realität: Verschiedene Suppen (Quantenschaltkreise) benötigen unterschiedliche Mengen an Verkostungen. Eine einfache Suppe lässt sich vielleicht mit 500 Löffeln verstehen, während eine kompleente eine Menge von 50.000 benötigt. Eine einzige Zahl für alles festzulegen, ist eine schlechte Strategie.

Die Lösung: StableShots (Der „kluge Verkoster“)
Das Paper stellt ein neues Werkzeug namens StableShots vor. Anstatt vorab eine feste Anzahl an Löffeln festzulegen, agiert StableShots wie ein kluger Verkoster, der in kleinen Chargen probiert und eine einfache Frage stellt: „Verändert sich die Suppe noch?“

So funktioniert es, Schritt für Schritt:

In Chargen probieren: Es nimmt eine kleine Charge von Shots (z. B. 50 Löffel).
Vergleichen: Es vergleicht das aktuelle „Geschmacksprofil“ (die Verteilung der Ergebnisse) mit dem Profil von vor einigen Chargen.
Auf Stabilität prüfen: Wenn die neue Charge das Geschmacksprofil nicht stark verändert, macht es weiter. Aber wenn es sieht, dass sich das Aroma über mehrere Chargen hinweg nicht mehr verändert hat, weiß es, dass die Suppe „stabil“ ist.
Stoppen: Sobald es sieht, dass diese Stabilität mehrmal hintereinander eintritt, stoppt es das Experiment.

Warum ist das besser?
Die Forscher haben dies an 180 verschiedenen „Suppen“ (Quantenschaltkreisen) unterschiedlicher Größe und Komplexität getestet. Sie verglichen StableShots mit der alten Methode des „festen Wertes“.

Der alte Weg: Einige feste Zahlen waren zu niedrig (ergaben schlechte Ergebnisse), andere waren zu hoch (verschwendeten Zeit). Keine einzelne feste Zahl funktionierte gut für alle.
Der StableShots-Weg: Er fand den „idealen Punkt“ für jeden einzelnen Schaltkreis.
- Es erreichte ein hohes Maß an Genauigkeit (das Aroma war richtig) bei 100 % der Tests.
- Dies geschah mit einem Median von 7.650 Shots.
- Im Gegensatz dazu waren die festen Methoden entweder oft ungenau oder mussten viel mehr Shots verwenden (wie z. B. 18.000), um das gleiche Ergebnis zu erzielen.

Der „Black Box“-Vorteil
Das Paper betont, dass StableShots eine „Black Box“ ist. Das bedeutet, es muss nicht das geheime Rezept der Suppe (die interne Mathematik des Schaltkreises) oder die spezifischen Eigenheiten der Küche (das Rauschen der Hardware) kennen. Es betrachtet lediglich die Ergebnisse, die es erhält. Dies macht es einfach, StableShots in jedes Quantencomputersystem einzubinden, ohne spezielle Berechtigungen oder tiefes technisches Wissen zu benötigen.

Das Faz-it
StableShots verwandelt die Entscheidung darüber, „wie viele Shots zu nehmen ist“, von einem Raten in einen intelligenten, automatisierten Prozess. Es spart Zeit und Geld, indem es genau dann stoppt, wenn es genügend Informationen hat, anstatt eine Zahl zu raten, die entweder zu niedrig oder zu hoch sein könnte. Es ist wie ein Verkoster, der genau weiß, wann die Suppe fertig ist, anstatt zu verlangen, dass jeder ungeachtet dessen genau 5.000 Löffel essen muss.

Technische Zusammenfassung: StableShots: Online-Shot-Stopping für die Ausführung von Quantenschaltkreisen

Problemstellung
Die Ausführung von Quantenschaltkreisen beruht auf wiederholten Messungen (Shots), um Ausgabeverteilungen zu schätzen. Aktuelle Arbeitsabläufe erfordern in der Regel, dass Entwickler ein fest definiertes Shot-Budget (z. B. 1.000 oder 10.000 Shots) vorab festlegen. Dieser statische Ansatz wird als „brüchig“ beschrieben: Ein niedriges Budget kann die Verteilung unterproportional sampeln, was zu einer schlechten Fidelität führt, während ein hohes Budget Rechenressourcen und Warteschlangenzeiten verschwendet. Das optimale Budget ist nicht universell; es hängt von der Schaltkreisfamilie, der Größe, dem Backend-Rauschen und der Sparsamkeit (Sparsity) der Ausgabe ab. Dieses Problem wird nicht bloß als statistisches Stichprobenkomplexitätsproblem betrachtet, sondern als eine Herausforderung des Quantum Software Engineering (QSE) hinsichtlich der Frage, wie Software systematisch, messbar und auditierbar ausgeführt werden kann. Die Arbeit konzentriert sich spezifisch auf statische Quantenschaltkreise, bei denen die Struktur und die Parameter während der Ausführung unverändert bleiben, wodurch sie sich von variativen Schleifen unterscheidet, bei denen die Zielverteilung bauartbedingt variiert.

Methodik: STABLESHOTS
Die Autoren schlagen STABLESHOTS vor, eine leichtgewichtige, Black-Box-basierte Online-Stoppregel für die Ausführung statischer Schaltkreise. Die Methode fungiert als Wrapper um Standard-Ausführungsschnittstellen, die Count-Werte auf Batch-Ebene zurückgeben, und erfordert keine Inspektion des Schaltkreises, der Backend-Kalibrierungsdaten oder der Rauschmodelle.

Der Kernmechanismus umfasst:

Batch-Ausführung: Der Schaltkreis wird in kleinen Batches von $b$ Shots ausgeführt.
Überwachung: Nach jedem Batch berechnet das System die Total Variation Distance (TVD) zwischen der aktuellen kumulativen empirischen Verteilung ( $\hat{P}_N$ ) und einer vorherigen kumulativen Verteilung ( $\hat{P}_{N-\ell b}$ ), wobei $\ell$ ein Look-back-Fenster in Batches ist.
Stoppkriterium: Die Ausführung stoppt erst, nachdem $k$ aufeinanderfolgende Prüfungen beobachtet wurden, bei denen die marginale TVD unter einem Schwellenwert $\epsilon$ liegt. Wenn Stabilität nicht erreicht wird, setzt sich die Ausführung fort, bis ein maximales Budget $B$ erreicht ist.

Die Parameter ( $b, \ell, \epsilon, k$ ) steuern die Entscheidungsgranularität, die Vergleichsfenster und die Konservativität des Stabilitätskriteriums. Die Regel ist bewusst heuristisch; sie zertifiziert nicht, dass die empirische Verteilung innerhalb einer spezifischen Distanz zur unbekannten wahren Backend-Verteilung liegt. Stattdessen operationalisiert sie ein Signal „abnehmender Grenzerträge“: Wenn neue Batches die beobachtete Verteilung nicht materiell verändern, ist eine weitere Stichprobenentnahme unwahrscheinlich, das für den Entwickler sichtbare Ergebnis zu beeinflussen.

Experimentelles Design
Die Evaluierung nutzte 180 Spuren aus dem QSimBench-Datensatz, die sechs Schaltkreisfamilien (dj, qaoa, qft, qnn, random, vqe), sechs Größen (4 bis 14 Qubits) und fünf verrauschte IBM-Simulations-Backends abdeckten.

Referenz: Eine empirische Verteilung von 20.000 Shots diente als Offline-Referenz für die Berechnung der TVD, obwohl STABLESHOTS diese während der Entscheidungsfindung nie beobachtete.
Protokoll: Die Studie verwendete eine strikte Validierungs-/Test-Aufteilung mit 100 Wiederholungen. In jeder Wiederholung wurde ein Backend als Testset zurückgehalten, während die übrigen vier für die Validierung verwendet wurden. Dies stellte sicher, dass die gewählte Konfiguration nicht auf spezifische Backend-Rauschprofile überangepasst (overfitted) war.
Baselines: Die Leistung wurde mit festen Shot-Budgets von 5.000, 10.000 und 18.000 Shots verglichen.

Wichtigste Ergebnisse
Die gewählte STABLESHOTS-Konfiguration (Batches von 50, 3-Batch Look-back, 5 aufeinanderfolgende Stabilitätsprüfungen, $\epsilon=0,005$ ) demonstrierte überlegene Kosten-Fidelitäts-Trade-offs im Vergleich zu festen Baselines:

Erfolgsrate: STABLESHOTS erreichte eine TVD $\le 0,05$ gegenüber der Referenz in 100 % der gehaltenen Test-Evaluierungen. Im Gegensatz dazu erreichten die festen Baselines diesen Schwellenwert in nur 54,1 % (5k Shots), 66,7 % (10k Shots) und 83,3 % (18k Shots) der Evaluierungen.
Effizienz: Die mediane Shot-Anzahl für STABLESHOTS lag bei 7.650, was signifikant niedriger ist als die 18.000 Shots, die die leistungsstärkste feste Baseline für eine ähnliche Zuverlässigkeit erforderte.
Adaptivität: Die Methode zeigte ein spurenabhängiges Verhalten. Kleine Schaltkreise (4–8 Qubits) und spezifische Familien (dj, vqe) stoppten frühzeitig mit niedrigen Shot-Anzahlen. Größere Schaltkreise (10–14 Qubits) und diffuse Verteilungen (qft, qnn, random) näherten sich oft dem 20.000-Shot-Limit an, da sie korrekt identifizierten, dass die lokale Stabilität noch nicht erreicht worden war.
Fehlermodus: Wenn die Policy das Limit erreichte, signalisierte sie, dass die Ziel-Fidelität innerhalb des Budgets nicht erreicht werden konnte, und lieferte so einen informativen Fehlerzustand, anstatt stillschweigend eine instabile Schätzung zurückzugeben.

Bedeutung und Ansprüche
Das Paper beansprucht STABLESHOTS als einen Beitrag zum Quantum Software Engineering und nicht als eine statistische Garantie für die Nähe zur Verteilung. Die Bedeutung liegt in:

Auditierbarer Ausführung: Es transformiert das Shot-Budget von einer vor der Ausführung festgelegten Konstante in eine nachvollziehbare Ausführungsrichtlinie. Die Stopp-Entscheidung leitet sich direkt aus den beobachteten Counts ab, was Reproduzierbarkeit und Provenance-Tracking ermöglicht.
Black-Box-Anwendbarkeit: Da die Methode ausschließlich auf Bitstring-Counts basiert, ist sie mit verschiedenen SDKs, Simulatoren und Hardware-Anbietern kompatibel, ohne internes Wissen über Compiler oder Hardware zu benötigen.
Praktische Governance: Es bietet einen Mittelweg zwischen einer willkürlichen Low-Shot-Ausführung und verschwenderischen High-Shot-Festbudgets. Die Autoren argumentieren, dass die Shot-Anzahl als ein kontrollierbarer Softwareparameter behandelt werden sollte, der kalibriert, protokolliert und revidiert werden kann.

Die Autoren bleiben bescheiden hinsichtlich des Umfangs und merken an, dass die Methode voraussetzt, dass die durch das Backend induzierte Verteilung während der Ausführung stabil bleibt und dass die 20.000-Shot-Referenz endlich ist. Sie stellen explizit klar, dass STABLESHOTS keine distributionsfreie Garantie bietet und dass die spezifische Parameterkonfiguration datensatzbezogen und nicht universell optimal ist. Die Arbeit wird als eine abstimmbare Policy präsentiert, die eine praktische Ausführungs-Governance unterstützt; als zukünftige Arbeiten werden die Live-Evaluierung auf QPUs, adaptive Batch-Größen und Anwendungen auf iterative Workloads vorgeschlagen.

Mehr davon