A Case Study on Noise Resilient Operator Selection in Adaptive Variational Quantum Algorithms

Um die Chemie der Welt um uns herum zu verstehen, von den Materialien in unseren Smartphones bis hin zu den Medikamenten, die uns heilen, müssen Wissenschaftler zuerst verstehen, wie sich Elektronen innerhalb von Molekülen anordnen. Die stabilste Anordnung dieser Elektronen wird als Grundzustand bezeichnet, und das Finden desselben ist wie das Lösen eines komplexen Puzzles, bei dem sich die Teile ständig verschieben. Seit Jahrzehnten kämpfen klassische Computer mit dieser Aufgabe, da die Anzahl der möglichen Anordnungen so schnell wächst, dass selbst die leistungsfähigsten Supercomputer selbst bei den einfachsten Molekülen nicht mehr mithalten können. Quantencomputer bieten einen anderen Weg. Anstatt zu versuchen, jede Möglichkeit einzeln zu berechnen, nutzen sie die seltsamen Regeln der Quantenmechanik, um viele Möglichkeiten gleichzeitig zu erforschen. Eine der vielversprechendsten Methoden zur Nutzung dieser Maschinen ist ein Verfahren namens Variational Quantum Eigensolver, der wie eine geführte Suche agiert, die eine Vermutung schrittweise verfeinert, bis sie den Zustand der niedrigsten Energie findet. Dennoch stecken die heutigen Quantencomputer noch in den Kinderschuhen; sie sind verrauscht, was bedeutet, dass ihre Komponenten häufig kleine, winzige Fehler machen können, die die gesamte Berechnung durcheinanderbringen können.

Eine spezifische Version dieser Suchmethode, bekannt als ADAPT-VQE, hat Aufmerksamkeit erregt, weil sie ihre Lösung Schritt für Schritt aufbaut und dabei die hilfreichsten Teile auswählt, während sie vorgeht. Diese Anpassungsfähigkeit macht sie effizienter als ältere Methoden, führt aber auch eine neue Schwachstelle ein: den Schritt, in dem der Computer entscheidet, welches Teil er als Nächstes hinzufügen soll. Wenn das Rauschen in der Maschine das Signal verzerrt, das zur Treffentscheidung verwendet wird, könnte der Algorithmus das falsche Teil wählen und sich so in eine Sackgasse führen. Die Forscher Soorya Haravu, Mafalda Ramôa und Bharath Sambasivam unternahmen den Versuch, genau zu untersuchen, wie dieses Rauschen diesen kritischen Entscheidungsprozess beeinflusst. Sie bauten für diese Studie keinen physischen Quantencomputer, sondern erstellten stattdessen eine hochdetaillierte Simulation auf einem klassischen Computer, um nachzuahmen, wie sich ein echter Quantenprozessor unter verschiedenen Arten von Rauschen verhalten würde. Ihr Testfall war ein einfaches Molekül aus drei Wasserstoffatomen, die in einer Linie angeordnet sind – ein System, das klein genug ist, um es genau zu simulieren, aber komplex genug, um die subtilen Effekte von Fehlern aufzuzeigen.

Das Team simulierte zwei breite Kategorien von Rauschen, die reale Quantenhardware plagen. Die erste Art, genannt inkohärentes Rauschen, ist wie das Rauschen auf einer Radiolinie; es ist zufällig und unvorhersehbar und führt dazu, dass das System Informationen auf eine Weise verliert, die schwer umkehrbar ist. Die zweite Art, kohärentes Rauschen, ähnelt eher einer konstanten, leichten Fehlstellung in einem Kompass; die Maschine macht immer denselben kleinen Fehler in dieselbe Richtung, was ebenso schädlich sein kann, da sich diese Fehler gegenseitig aufbauen. In ihren Simulationen injizierten die Forscher diese Fehler gezielt in den Moment, in dem der Algorithmus den „Gradienten“ misst – einen Wert, der dem Computer mitteilt, wie sehr ein potenzielles neues Teil die Lösung verbessern würde. Sie fanden heraus, dass selbst eine geringe Menge an Rauschen diese Messungen verzerren kann, wodurch die Landschaft der Auswahlmöglichkeiten flach und verwirrend erscheint. Wenn die Landschaft flach wird, verliert der Algorithmus seinen Orientierungssinn. Er hört auf, neue, bessere Teile zu finden, und wählt stattdessen immer wieder dieselben aus, wodurch er effektiv stecken bleibt, bevor er die korrekte Antwort erreichen kann.

Um dies zu bekämpfen, testeten die Forscher drei verschiedene Strategien, die darauf ausgelegt sind, das Signal zu bereinigen, ohne zusätzliche Hardware zu benötigen. Die erste, das Dynamical Decoupling, beinhaltet das Anwenden einer Serie schneller Kontrollimpulse auf das System, um das Rauschen zu neutralisieren, ähnlich wie Noise-Cancelling-Kopfhörer Schallwellen nutzen, um Hintergrundgeräusche zu eliminieren. Die zweite Methode, die Zero Noise Extrapolation, funktioniert dadurch, dass das Rauschen kontrolliert absichtlich verstärkt wird, das Ergebnis gemessen wird und dann mathematisch geschlussfolgert wird, welches Ergebnis ohne Rauschen erzielt worden wäre. Die dritte Technik, das Pauli Twirling, ist ein Verfahren, das das Rauschen so zerstreut, dass es sich zufälliger verhält, was es leichter handhabbar macht. Das Team stellte fest, dass keine einzelne Methode für jede Situation funktionierte. Für das zufällige, statikähnliche Rauschen war der effektivste Ansatz, die schnellen Kontrollimpulse mit der Noise-Extrapolationstechnik zu kombinieren. Diese Paarung stellte die Fähigkeit des Algorithmus erfolgreich wieder her, den richtigen Pfad zu sehen, was es ihm ermöglichte, die richtigen Teile auszuwählen und die chemisch exakte Lösung zu erreichen.

Beim Umgang mit dem konsistenten, fehlstellungstypischen Rauschen fanden die Forscher heraus, dass eine andere Kombination notwendig war. Sie entdeckten, dass es der Schlüssel zum Erfolg war, das Rauschen zuerst zu zerstreuen und dann entweder die schnellen Impulse oder die Extrapolationstechnik anzuwenden. Tatsächlich bot die Verwendung aller drei Techniken zusammen den robustesten Schutz gegen diese Art von Fehler. Eine entscheidende Erkenntnis ihrer Arbeit war, dass der Algorithmus nicht das absolut beste Teil bei jedem einzelnen Schritt wählen muss, um erfolgreich zu sein. Solange die Techniken zur Rauschminderung den Algorithmus vorwärts bewegen und verhindern, dass er stecken bleibt, kann er dennoch zur korrekten endgültigen Antwort gelangen, selbst wenn der spezifische Pfad, den er genommen hat, anders aussieht als der Pfad eines perfekten Geräts. Die Forscher merkten jedoch auch eine anhaltende Herausforderung an: Während diese Techniken dem Algorithmus halfen, die richtige Antwort zu finden, ließen sie die Rauschsignale oft sogar größer erscheinen, als sie tatsächlich waren, was den Computer bei seinen Standardregeln zur Beendigung der Berechnung verwirren könnte. Dies deutet darauf hin, dass die Regeln dafür, wann eine Berechnung abgeschlossen ist, neu geschrieben werden müssen, um das Vorhandensein von Rauschen zu berücksichtigen, damit diese Algorithmen auf realen Maschinen in naher Zukunft zuverlässig funktionieren können.

Die Studie kommt zu dem Schluss, dass Rauschen zwar ein erhebliches Hindernis darstellt, aber kein unüberwindbares ist. Indem man sorgfältig wählt, welche Fehlerkorrekturwerkzeuge man verwendet und wie man sie kombiniert, ist es möglich, adaptive Quantenalgorithmen durch das Chaos heutiger Hardware zu führen. Die Forscher demonstrierten, dass ein Quantencomputer mit der richtigen Kombination von Techniken immer noch lernen kann, die korrekte Molekülstruktur aufzubauen, selbst wenn die Umgebung unvollkommen ist. Diese Arbeit bietet einen praktischen Fahrplan für Wissenschaftler und Ingenieure, die sich darauf vorbereiten, diese komplexen chemischen Simulationen auf realen Quantengeräten durchzuführen, und zeigt auf, dass der Weg zur nützlichen Quantenchemie nicht durch Rauschen blockiert ist, sondern vielmehr eine anspruchsvollere Art der Navigation erfordert.