Quantum Noise Mitigation with Adaptive Zero-Noise Extrapolation: A Contextual Multi-Armed Bandits Approach

Stellen Sie sich vor, Sie versuchen, den perfekten Kuchen zu backen, aber Ihr Ofen ist ein wenig fehlerhaft. Manchmal läuft er zu heiß, manchmal zu kalt, und die Temperatur ändert sich während des Backens ständig. In der Welt des Quantencomputings werden diese „Öfen“ als Quantenprozessoren bezeichnet, und die „Fehler“ werden als Rauschen (Noise) bezeichnet. Dieses Rauschen entsteht durch winzige Vibrationen, Hitze und elektromagnetische Interferenzen, die die empfindlichen Berechnungen durcheinanderbringen, die Quantencomputer zu führen versuchen. Wissenschaftler arbeiten derzeit mit Maschinen, die leistungsstark, aber immer noch sehr verrauscht sind – eine Phase, die als „Noisy Intermediate-Scale Quantum“ (oder kurz NISQ) bezeichnet wird. Um nützliche Ergebnisse zu erzielen, nutzen Forscher einen Trick namens „Error Mitigation“ (Fehlerabschwächung), was so ist, als würde man versuchen zu erraten, wie der Kuchen schmecken würde, wenn der Ofen perfekt wäre, obwohl man ihn nur in dem fehlerhaften Ofen backen kann. Eine beliebte Methode, genannt Zero-Noise Extrapolation (ZNE), funktioniert so, dass man das Rauschen absichtlich verstärkt (wie etwa den Ofen auf Maximum zu stellen) und dann mathematisch errät, was das Ergebnis wäre, wenn das Rauschen null wäre. Es gibt jedoch einen Haken: Die meisten Menschen verwenden ein festes Rezept dafür, wie viel sie das Rauschen hochdrehen, unter der Annahme, dass sich der Ofen jedes Mal gleich verhält. In der Realität sind Quantenöfen jedoch unvorhersehbar; ihre „Fehler“ ändern sich von Moment zu Moment.

Dieses Papier stellt eine clevere neue Art und Weise vor, mit diesen unvorhersehbaren Öfen umzugehen. Anstatt ein starres, vordefiniertes Rezept zu verwenden, schlagen die Autoren ein System vor, das wie ein intelligenter, adaptiver Koch agiert. Sie kombinieren den Trick der Rauschverstärkung (ZNE) mit einer Entscheidungsstrategie namens „Contextual Multi-Armed Bandits“. Denken Sie an das als einen Spielautomaten, bei dem jeder Hebel (oder „Arm“) eine andere Art darstellt, das Rauschen zu verstärken. Ein kluger Spieler zieht die Hebel nicht einfach zufällig; er betrachtet die aktuelle Situation (den „Kontext“, wie etwa wie tief der Kuchen ist oder wie heiß sich der Ofen gerade anfühlt) und wählt den Hebel, der das beste Ergebnis für den geringsten Aufwand liefert. Das Papier legt nahe, dass wir durch das Lernen eines Computers, welche Strategie zur Rauschverstärkung in Echtzeit am besten funktioniert, präzisere Ergebnisse erzielen können, während wir weniger Zeit und Geld für unnötige Backversuche verschwenden.

Das Problem: Der fehlerhafte Quantenofen

Quantencomputer sind erstaunlich, weil sie bestimmte Probleme viel schneller lösen können als reguläre Computer. Aber im Moment sind sie wie eine High-Tech-Küche, in der sich die Aromen der Zutaten ständig ändern, bevor man sie messen kann. Dies liegt am „Rauschen“ – unerwünschten Interferenzen aus der Umgebung, die die Berechnung ruinieren. Wenn man versucht, ein komplexes Programm (einen sogenannten Variational Quantum Circuit oder VQC) auf diesen Maschinen auszuführen, macht das Rauschen das Ergebnis falsch.

Um dies zu beheben, nutzen Wissenschaftler eine Technik namens Zero-Noise Extrapolation (ZNE). Stellen Sie sich vor, Sie möchten wissen, wie ein Kuchen ohne Zucker schmeckt, aber Sie können nur Kuchen mit Zucker schmecken. Sie backen einen mit ein bisschen Zucker, einen mit doppeltem und einen mit dreifachem Zucker. Dann probieren Sie diese und ziehen eine Linie durch die Punkte, um zu erraten, wie der Kuchen mit null Zucker schmecken würde. In Quantentermen verstärkt man das Rauschen absichtlich, indem man Teile des Schaltkreises wiederholt (ein Prozess namens „Folding“), und errät dann mathematisch, was das Ergebnis ohne jegliches Rauschen wäre.

Das Problem ist, dass die meisten Menschen einen festen Plan verwenden. Sie entscheiden: „Ich werde immer mit 1x, 3x und 5x Rauschen testen“, ungeachtet dessen, was der Computer gerade macht. Aber echte Quantencomputer sind chaotisch. Das Rauschen ändert sich im Laufe der Zeit durch Temperaturschwankungen oder Kalibrierungsdrifts. Ein fester Plan kann in einer Minute großartig funktionieren und in der nächsten völlig nutzlos sein, was dazu führt, dass wertvolle Zeit und Geld damit verschwendet werden, denselben Schaltkreis immer und immer wieder durchlaufen zu lassen.

Die Lösung: Der intelligente, adaptive Koch

Die Autoren dieses Papiers schlagen einen neuen Ansatz namens CMAB-ZNE vor. Sie behandeln die Wahl der Rauschverstärkung als ein Spiel der „Contextual Multi-Armed Bandits“.

In diesem Spiel:

• Die Arme: Jeder „Arm“ ist ein anderes Set von Rauschniveaus, die getestet werden sollen. Ein Arm könnte beispielsweise Rauschniveaus von 1 und 3 testen, während ein anderer 1, 3 und 5 testet.
• Der Kontext: Dies ist die Information, die das System betrachtet, bevor es eine Entscheidung trifft. Dazu gehören Informationen darüber, wie tief der Quantenschaltkreis ist, wie viele Parameter er hat und der aktuelle Zustand der Hardware (wie „rauschig“ sich die Umgebung gerade anfühlt).
• Die Belohnung (Reward): Nach dem Test erhält das System eine „Punktzahl“. Diese Punktzahl balanciert zwei Dinge aus: wie genau die Antwort ist und wie hoch der Aufwand war, um dorthin zu gelangen (in Bezug auf Zeit, Datentransfer und Computernutzung).

Das System lernt während des Betriebs. Wenn das Rauschen niedrig und der Schaltkreis einfach ist, wählt der „Koch“ vielleicht einen günstigen, flachen Arm (der weniger Rauschniveaus testet), weil dies schnell geht und ausreichend ist. Wenn das Rauschen hoch und der Schaltkreis komplex ist, lernt das System, einen tieferen Arm zu wählen (der mehr Stufen testet), um eine bessere Schätzung zu erhalten, selbst wenn dies mehr kostet. Es passt seine Strategie ständig basierend auf dem „Kontext“ des Augenblicks an.

Was sie herausgefunden haben

Die Forscher haben diese Idee mithilfe von Simulationen und echten Experimenten auf tatsächlicher Quantenhardware getestet. Hier ist, was sie entdeckten:

1. Tiefere Schaltkreise werden verrauschter: Je komplexer (tiefer) die Quantenschaltkreise werden, desto mehr Rauschen sammeln sie an, was die Antworten weniger genau macht und mehr Versuche erfordert, um ein gutes Ergebnis zu erzielen.
2. ZNE funktioniert, braucht aber die richtigen Einstellungen: Zero-Noise Extrapolation kann die Fehler korrigieren, aber nur, wenn man die richtigen „Folding-Level“ wählt. Wählt man die falschen Stufen, korrigiert man den Fehler unter Umständen gar nicht.
3. Der adaptive Ansatz gewinnt: Ihre neue CMAB-ZNE-Methode war deutlich besser als die alten festen Methoden.
   • Sie reduzierte die Anzahl der Durchläufe des Schaltkreises um bis zu 40 %.
   • Sie reduzierte die Menge der zurückgesendeten Daten um bis zu 35 %.
   • Sie senkte die Gesamtkosten um bis zu 30 % (unter einem spezifischen Budget von 10 Mbps).
   • Vor allem verbesserte sie die Genauigkeit des Endergebnisses um bis zu 6,9 % im Vergleich zu den besten festen Methoden.

Sie testeten dies auf zwei verschiedenen Bilderkennungsaufgaben (CIFAR-10 und EuroSAT) und fanden heraus, dass das intelligente, adaptive System konsequent den „Sweet Spot“ zwischen Genauigkeit und Kosten fand.

Tests in der realen Welt

Um sicherzustellen, dass dies nicht nur eine Computersimulation war, führten die Autoren auch einen Test auf einem echten Quantencomputer von Rigetti (dem Cepheus-1-108Q) durch. Sie haben das gesamte Modell nicht auf der echten Maschine trainiert (da dies zu teuer wäre), sondern nutzten die echte Maschine, um die finalen Antworten zu testen.

Die Ergebnisse auf der echten Hardware bestätigten ihre Theorie: Der flache, günstigere Arm (der weniger Rauschniveaus testet) lieferte oft eine ebenso gute Genauigkeit wie der teure, tiefe Arm, aber zu einem viel geringeren Preis. Dies bewies, dass man nicht immer die teuerste, komplexeste Lösung benötigt; manchmal ist eine kluge, adaptive Wahl besser.

Das Fazit

Dieses Papier legt nahe, dass die Zukunft des Quantencomputings nicht nur darin besteht, größere, verrauschtere Maschinen zu bauen, sondern intelligentere Software zu entwickeln, die weiß, wie sie mit dem Rauschen umgehen muss. Indem wir die Fehlerkorrektur als ein dynamisches Lernproblem statt als ein festes Rezept behandeln, können wir schneller und kostengünstiger bessere Ergebnisse erzielen. Während die Autoren anmerken, dass ihr Realwelt-Test an spezifische Bedingungen gebunden war und weitere Arbeit nötig ist, um alle Eigenheiten echter Hardware zu bewältigen, zeigen ihre Simulationen und ersten Hardware-Tests einen sehr vielversprechenden Weg auf, um Quantencomputer in der verrauschten Welt, in der wir leben, tatsächlich nützlich zu machen.