Qudit-ADAPT-VQE: an adaptive variational algorithm with counterdiabatic-inspired improvements for qudits

Im Wettlauf um den Bau nützlicher Quantencomputer verlassen sich Wissenschaftler seit langem auf einen grundlegenden Baustein namens Qubit. Stellen Sie sich ein Qubit wie einen winzigen Schalter vor, der aus, an oder in einer seltsamen Superposition aus beidem sein kann, ganz ähnlich wie eine Münze, die auf einem Tisch rotiert. Diese binäre Natur spiegelt die Nullen und Einsen klassischer Computer wider, was Qubits zur Standardsprache des Feldes macht. Doch so wie eine einzelne Münze nur zwei Seiten zeigen kann, ist ein Qubit auf zwei Zustände beschränkt. Die Natur bietet im Gegensatz dazu Systeme mit weit mehr Möglichkeiten. Ein Kreisel beispielsweise kann in vielen verschiedenen Richtungen zeigen, nicht nur in zwei. In der Quantenwelt werden diese Mehrzustandssysteme als Qudits bezeichnet. Die Verwendung von Qudits anstelle von Qubits könnte es Forschern ermöglichen, mehr Informationen in weniger Teilchen zu packen, was Quantencomputer potenziell kleiner, effizienter und besser für bestimmte Arten komplexer Probleme geeignet machen könnte, wie etwa das Aufteilen einer Gruppe von Objekten in drei oder mehr Kategorien statt nur in zwei.

Die Herausforderung bei diesen fortschrittlichen Systemen besteht darin, dass sie notorisch schwer zu kontrollieren sind. Wenn Wissenschaftler versuchen, einen Quantencomputer zu programmieren, um ein Problem zu lösen, verwenden sie oft eine Methode namens Variationsalgorithmus. Dieser Prozess ist vergleichbar mit dem Einstellen eines Radios: Der Computer rät eine Lösung, prüft, wie nah er am Ergebnis ist, und passt dann seine Einstellungen an, um besser zu werden. Das Problem ist, dass das Signal oft im Rauschen verloren geht, wenn das System größer wird. Die Anpassungen werden so winzig, dass der Computer nicht mehr erkennt, in welche Richtung er den Regler drehen soll – ein Phänömen, das als „Barren Plateau“ (kahles Plateau) bekannt ist. Zudem kann der Computer, wenn er mit einer schlechten Vermutung beginnt, in einer lokalen Falle stecken bleiben, indem er glaubt, die beste Lösung gefunden zu haben, obwohl er nur eine mittelmäßige gefunden hat. Diese Hindernisse haben es schwierig gemacht, das Quantencomputing zu skalieren, selbst mit den leistungsfähigeren Qudits.

Ein Forscherteam in Chile hat einen neuen Weg vorgeschlagen, um diese Schwierigkeiten zu bewältigen, speziell für Qudit-basierte Maschinen. Sie passten eine bestehende Strategie namens ADAPT-VQE an, die das Programm des Computers Schritt für Schritt aufbaut, anstatt zu versuchen, das Ganze auf einmal zu entwerferen. Anstatt die gesamte Struktur vorab zu erraten, fügt der Algorithmus Stück für Stück ein Teil hinzu und wählt stets das Teil aus, das das Ergebnis am stärksten verbessert. Um dies noch effektiver zu gestalten, liehen sich die Forscher ein Konzept aus der Physik namens „counterdiabatic driving“ (kontradiabatische Steuerung). Vereinfacht gesagt ist dies eine Technik, die verwendet wird, um einen Prozess zu beschleunigen, ohne Fehler zu verursachen – ähnlich wie ein erfahrener Fahrer, der leicht vor einer Kurve lenkt, um einen sanften Pfad beizubehalten. Durch die Verwendung dieser „Steuerungslogik“, um zu entscheiden, welche Teile dem Programm hinzugefügt werden, entwickelten sie einen neuen Algorithmus namens Qudit-ADAPT.

Das Team testete seine Methode an einem klassischen Rätsel, bekannt als das Max 3-Cut-Problem. Stellen Sie sich ein Netzwerk von Städten vor, die durch Straßen verbunden sind, wobei das Ziel darin besteht, die Städte in drei verschiedene Gruppen aufzuteilen, sodass die Anzahl der Straßen, die verschiedene Gruppen verbinden, so hoch wie möglich ist. Dies ist ein Problem, das von Natur aus zur Drei-Zustands-Natur von Qudits passt. Die Forscher simulierten ihren Algorithmus auf einem Computer, um zu sehen, wie er sich im Vergleich zu einem Standardansatz mit festem Programm verhält. Die Ergebnisse waren beeindruckend. Ihr adaptiver Ansatz fand Lösungen, die signifikant genauer waren und den Fehler oft um mehr als das Zehnfache im Vergleich zum festen Ansatz reduzierten. Darüber hinaus erreichte er diese hohe Genauigkeit mit wesentlich weniger Schritten und einer weniger komplexen Schaltung, was entscheidend ist, um Quantencomputer in der verrauschten Umgebung der heutigen Technologie stabil zu halten.

Über das Finden besserer Antworten hinaus enthüllte die Studie, warum die Methode so gut funktioniert. Die Forscher untersuchten die „Landschaft“ des Problems und betrachteten, wie sich der Algorithmus durch verschiedene mögliche Lösungen bewegte. Sie fanden heraus, dass der standardmäßige feste Ansatz oft in einem Labyrinth aus lokalen Fallen verloren ging, in denen der Computer aufhörte sich zu verbessern, weil er keinen besseren Pfad voraussehen konnte. Im Gegensatz dazu war der Qudit-ADAPT-Algorithmus mit seinem schrittweisen Aufbau und seinen klugen Startpunkten in der Lage, sich durch diese Fallen zu graben. Er blieb nicht einfach stecken; er fügte dem Programm ständig neue Teile hinzu, gestaltete die Landschaft neu und fand den Weg hinunter zur wahren Lösung. Dies deutet darauf hin, dass die Methode robust gegenüber dem Barren-Plateau-Problem ist, bei dem das Signal normalerweise verschwindet, da sie den Computer bei jedem Schritt auf die vielversprechendsten Richtungen fokussiert hält.

Das Team untersuchte auch, wie die Komplexität der „Steuerungslogik“ die Ergebnisse beeinflusste. Sie testeten zwei Versionen ihres Operator-Pools: eine mit einem einfacheren Satz von Regeln und eine mit einem detaillierteren, höherwertigen Satz. Für viele der Testfälle funktionierten beide Versionen gut, aber die detailliertere Version brachte die Genauigkeit konsistent näher an die Perfektion, insbesondere bei den komplexesten und am stärksten vernetzten Netzwerken. Dies deutet darauf hin, dass die Basismethode zwar leistungsstark ist, das Hinzufügen einer anspruchsvolleren Führung das System jedoch in der Lage macht, schwierigere Probleme mit größerer Präzision zu lösen. Die Studie behauptete nicht, alle Herausforderungen des Quantencomputings gelöst zu haben, und sie führte diese Tests auch nicht auf einer physischen Quantenmaschine durch. Stattdessen basieren die Erkenntnisse auf strengen numerischen Simulationen, die modellieren, wie der Algorithmus auf echter Hardware agieren würde.

Letztendlich bietet diese Arbeit eine vielversprechende Roadmap für die Zukunft des Quantencomputings mit Qudits. Durch die Kombination eines adaptiven, schrittweisen Aufbauprozesses mit physik-inspirierter Führung haben die Forscher einen Weg aufgezeigt, die häufigen Fallstricke zu umgehen, die den Fortschritt auf diesem Gebiet verlangsamt haben. Ihr Ansatz legt nahe, dass wir nicht auf perfekte Hardware warten müssen, um komplexe Probleme zu lösen; stattdessen können wir intelligentere Software entwickeln, die um die Einschränkungen heutiger Maschinen herumarbeitet. Wenn sich das Feld weiterentwickelt, könnte dieser flexible Rahmen zu einem Standardwerkzeug werden, das Wissenschaftlern hilft, das volle Potenzial von Multi-Zustands-Quantensystemen auszuschöpfen, um Optimierungsprobleme anzugehen, die derzeit noch außer Reichweite liegen.