From Circuits to Hardware: Benchmarking Standard and Qubit-Efficient Quantum Optimization on Real Hardware

Stellen Sie sich vor, Sie versuchen, ein riesiges, verworrenes Puzzle mit einem brandneuen, super-zerbrechlichen Roboterarm zu lösen. Sie haben eine ganze Reihe verschiedener Strategien: Einige versuchen, das ganze Puzzle auf einmal zu greifen, andere versuchen, das Puzzle so weit zu schrumpfen, dass es in Ihre Tasche passt, und wieder andere versuchen, die Teile umzuordnen, noch bevor Sie überhaupt anfangen. Dieses Paper ist wie ein riesiger, realer Stresstest dieser Roboterarme an vier sehr unterschiedlichen Arten von Puzzles, unter Verwendung echter Quantencomputer (die „Roboterarme“) anstatt nur am Computerbildschirm zu simulieren.

Hier ist die Kurzfassung dessen, was passierte, als sie diese Strategien auf echter Hardware testeten.

Das große Ganze: Die „Taschenpuzzle“-Falle

Die wichtigste Erkenntnis ist ein Realitätscheck. Lange Zeit dachten die Leute, der beste Weg, schwierige Probleme auf Quantencomputern zu lösen, sei es, das Problem kleiner zu machen, damit es auf weniger „Qubits“ (die Finger des Roboters) passt. Die Idee war: Weniger Finger = leichter zu lösen.

Aber dieses Paper legt nahe, dass dies nicht immer wahr ist. Während das Schrumpfen des Puzzles (unter Verwendung „qubit-effizienter“ Methoden) es ermöglicht, größere Probleme auf die Maschine zu bringen, garantiert es nicht, dass man auch eine gute Antwort erhält. Tatsächlich bewirkt das Schrumpfen des Puzzles manchmal, dass der Roboterarm vor lauter Rauschen so sehr wackelt, dass er die Teile einfach fallen lässt. Die Autoren haben dies auf echten IBM Heron-Prozessoren gemessen und festgestellt: Nur weil eine Methode weniger Qubits verwendet, bedeutet das nicht, dass sie besser funktioniert. Es ist, als würde man versuchen, einen schweren Karton in einem winzigen Rucksack zu tragen; der Rucksack ist zwar klein, aber wenn der Karton zu schwer für Ihren Rücken ist, lassen Sie ihn trotzdem fallen.

Die vier Puzzles: Eine Geschichte von vier Problemen

Die Forscher testeten vier verschiedene Arten von „NP-schweren“ Problemen (was einfach bedeutet, dass sie auch für normale Computer super schwer sind). Jedes verhielt sich unterschiedlich:

1. Das mehrdimensionale Rucksackproblem (MDKP): Stellen Sie sich eine Backpacking-Reise vor, bei der Sie Gegenstände einpacken müssen, die schwer sind, Platz einnehmen und in bestimmte Fächer passen müssen.

   • Was passierte: Dies war das „goldene Mittelmaß“. Alle Methoden, von den großen bis zu den winzigen komprimierten, schafften es tatsächlich, irgendwelche gültigen Lösungen zu finden. Die komprimierten Methoden (PCE und QRAO) funktionierten hier gut und bewiesen, dass das Schrumpfen des Problems helfen kann – aber nur, wenn der Roboterarm stabil genug ist.

2. Das Maximum Independent Set (MIS): Stellen Sie sich eine Party vor, bei der Sie so viele Gäste wie möglich einladen wollen, aber keine zwei Gäste Feinde sein dürfen (sie dürfen nicht nebeneinander sitzen).

   • Was passierte: Dies war die „Klippe“. Für kleine Partys arbeiteten die Roboter großartig. Aber als die Partys größer wurden, hörten die Roboter plötzlich auf zu arbeiten. Das Paper zeigt eine scharfe „Machbarkeitsklippe“: Sobald das Problem etwas zu groß wird, macht das Rauschen auf der echten Hardware es unmöglich, überhaupt eine gültige Gästeliste zu finden. Es ist, als würde man versuchen, ein Kartenhaus im Orkan zu balancieren; für ein paar Karten funktioniert es, aber dann – puf – bricht alles zusammen.

3. Das quadratische Zuweisungsproblem (QAP): Stellen Sie sich vor, Sie weisen 10 oder 12 Personen 10 oder 12 Schreibtische zu, aber die Kosten hängen davon ab, wie weit sie voneinander entfernt sitzen und wer mit wem spricht.

   • Was passierte: Dies war das „totale Versagen“. Das Paper stellt explizit fest, dass keine der getesteten Methoden eine einzige gültige Lösung für dieses Problem auf echter Hardware zurückgegeben hat. Warum? Weil die Regeln so streng sind (wie eine spezifische Permutation), dass die gültigen Antworten unglaublich selten sind – nur etwa 1 zu $10^{23}$ bis $10^{34}$ mögliche Anordnungen sind korrekt. Das Rauschen auf dem Computer hat das Signal so komplett überdeckt, dass die Roboter nur herumgeraten haben. Die Autoren argumentieren, dass dies nicht nur ein „Wir brauchen bessere Computer“-Problem ist; die Struktur des Problems selbst ist für die aktuelle Technik zu dicht.

4. Das Marktanteilsproblem (MSP): Stellen Sie sich vor, Sie versuchen, eine Pizza so aufzuteilen, dass jeder genau die Stückgröße bekommt, die er bestellt hat.

   • Was passierte: Dies war das „Kompressions-Paradoxon“. Die komprimierten Methoden (PCE und QRAO) schrumpften das Problem auf nur 7–11 Qubits (winzig!), während die normalen Methoden bis zu 156 benötigten. Aber hier ist der Clou: Die winzigen Methoden lieferten schreckliche Ergebnisse. Sie konnten die Zielvorgaben nicht erreichen. Die normalen, größeren Methoden schnitten tatsächlich besser ab. Dies beweist, dass das Verkleinern des Problems nicht automatisch die Antwort verbessert.

Der „Rausch“-Faktor: Wenn der Roboter wackelt

Das Paper führt eine coole Art ein, zu messen, wie sehr der Computer wackelt. Sie nennen es einen „Fidelity Proxy“ ($F_{est}$). Denken Sie an ihn als ein „Signal-zu-Rauschen“-Meter.

• Wenn das Meter hoch ist (um 0,1 oder 10%), ist der Roboter stabil genug, um die Anweisungen zu hören.
• Wenn das Meter unter 0,001 (0,1%) fällt, ist der Roboter so wackelig, dass er im Grunde nur auf der Stelle tritt.

Sie fanden heraus, dass der Roboter bei vielen „QAOA“-artigen Methoden (eine populäre Algorithmenfamilie) so wackelig war, dass die Ergebnisse nicht von einer rein zufälligen Antwort zu unterscheiden waren. Das Paper führte einen Kontrolltest durch, bei dem sie den Output des Roboters mit einer gleichmäßigen Zufallswahl verglichen. Für die meisten der großen, komplexen Schaltkreise war der Roboter nicht besser als eine Zufallswahl. Tatsächlich war es für einen speziellen Fall, eine „Warm-Start“-Methode, ein seltener Ausnahmefall, dass er etwas besser als der Zufall abschnitt, aber das war die Regel nicht.

Was das Paper ausschließt

Die Autoren sind sehr vorsichtig zu sagen, was sie nicht gefunden haben:

• Sie schließen aus, dass „weniger Qubits = bessere Leistung“ gilt. Die Daten zeigen, dass das Schrumpfen der Schaltung oft andere Probleme einführt (wie tiefere Schaltungen nach der Übersetzung), die die Vorteile wieder zunichtemachen.
• Sie schließen aus, dass QAOA-Methoden derzeit bereit für den Einsatz bei diesen schweren Problemen sind. Nachdem der Computer die Anweisungen in seine eigene Sprache übersetzt hat (Transpilierung), werden die Schaltungen so riesig und verrauscht, dass sie scheitern. Selbst wenn sie versucht hätten, das Routing (wie der Roboter seine Finger bewegt) zu optimieren, wären die Schaltungen immer noch zu wackelig, um zu funktionieren.
• Sie schließen aus, dass Simulationsergebnisse (das Vortäuschen auf einem perfekten Computer) die ganze Geschichte erzählen. Die Lücke zwischen der „perfekten Simulation“ und der „echten Hardware“ ist riesig. Eine Methode, die in einer Simulation großartig aussieht, scheitert auf echter Hardware oft kläglich, weil die zusätzlichen Schritte nötig sind, um sie zum Laufen zu bringen.

Wie sicher sind sie?

Die Autoren sind sich sehr sicher darüber, was sie gemessen haben. Sie haben nicht geraten; sie haben 247 verschiedene Kombinationen von Methoden und Problemen auf echten IBM Heron-Prozessoren (speziell den Versionen r1 und r2) getestet. Sie haben jeden einzelnen Schritt protokolliert, von der Übersetzung des Codes bis zum Endergebnis.

• Sie haben die exakte Anzahl der Gates (Schritte) gemessen, die der Roboter ausführen musste.
• Sie haben die Fehlerraten der spezifischen Chips, die sie verwendeten, gemessen.
• Sie haben Teile simuliert, um eine Baseline zu haben, sind aber klar dabei, dass die Simulationsergebnisse nur ein Referenzwert sind, nicht die endgültige Antwort.

Sie behaupten nicht, dass Quantencomputer nutzlos sind. Sie sagen, dass für diese spezifischen Probleme und diese spezifischen aktuellen Maschinen die „Schrumpf-Strategie“ Grenzen hat, und manche Probleme (wie das QAP) derzeit einfach zu schwer sind. Sie schlagen vor, dass wir das Gesamtbild betrachten müssen – die Größe des Problems, das Rauschen und wie der Code übersetzt wird – anstatt nur die Qubits zu zählen.

Das Faz-so-für einen neugierigen Teenager

Denken Sie an Quantenoptimierung wie den Versuch, eine Nachricht durch einen verrauschten Raum zu senden.

• Der „Standard“-Weg ist, die ganze Nachricht laut und deutlich zu rufen. Es ist laut, aber wenn der Raum zu groß ist, wird die Nachricht vom Lärm übertönt.
• Der „komprimierte“ Weg ist, eine codierte Nachricht zu flüstern. Sie ist leiser und braucht weniger Platz, aber wenn der Code zu komplex ist oder der Raum zu laut, kann niemand den Code entschlüsseln, und man erhält nur Kauderwelsch.

Dieses Paper sagt: „Hey, Flüstern ist nicht immer die Antwort! Manchmal ist der Lärm im Raum so schlimm, dass selbst der beste Code verloren geht. Und für manche wirklich kniffligen Puzzles (wie das QAP) ist der Raum einfach zu laut für unsere aktuellen Roboter, um sie zu lösen.“

Die Autoren sagen nicht: „Gebt auf.“ Sie sagen: „Hört auf vorzugeben, dass wir das Problem gelöst haben, nur weil wir es kleiner gemacht haben. Wir müssen das ganze Chaos betrachten – das Rauschen, die Übersetzung und das tatsächliche Ergebnis –, um zu sehen, was wirklich funktioniert.“