Time rescaling for second-order feedback-based quantum optimization

Im Wettlauf um den Bau nützlicher Quantencomputer stehen Wissenschaftler vor einer hartnäckigen Hürde: Die Maschinen, die wir heute besitzen, sind zwar leistungsstark, aber fragil. Sie sind verrauscht, fehleranfällig und können ihre empfindlichen Quantenzustände nur für einen flüchtigen Moment halten, bevor sie kollabieren. Aus diesem Grund haben sich Forscher weitgehend auf einen hybriden Ansatz verlassen, bei dem ein klassischer Computer die schwere Arbeit der Optimierung übernimmt, während der Quantenprozessor spezifische Aufgaben bewältigt. Diese Partnerschaft gerät jedoch oft in eine frustrierende Schleife, in der der klassische Computer Schwierigkeiten hat, die richtigen Einstellungen zu finden – ein Problem, das als „Barren Plateau“ bekannt ist und den Fortschritt vollständig zum Erliegen bringen kann. Um dies zu umgehen, ist eine andere Strategie entstanden, die sich ausschließlich auf die Quantenmaschine selbst stützt. Anstatt einen klassischen Computer darum zu bitten, die Regler einzustellen, nutzt diese Methode eine Feedbackschleife, die direkt in den Quantenprozess eingebaut ist. Sie misst den aktuellen Zustand des Systems und passt den nächsten Schritt sofort an, wodurch die Maschine ohne die Hilfe eines klassischen Partners, der die Mathematik erledigt, zur bestmöglichen Lösung geführt wird. Dieser als Feedback-basierter Quantenalgorithmus bekannte Ansatz verspricht viel, hat aber einen entscheidenden Makel: Er erfordert oft, dass der Quantenschaltkreis so tief ist – also so viele aufeinanderfolgende Schritte umfasst –, dass das Rauschen in aktuellen Maschinen die Antwort zerstört, noch bevor die Berechnung abgeschlossen ist.

Ein Forschungsteam aus Brasilien hat nun einen Weg gefunden, diese Schaltkreise erheblich zu verkürzen und die Methode somit für die heutige Hardware praktikabel zu machen. Sie kombinierten zwei bestehende Techniken, die zuvor getrennt verwendet worden waren, um den Prozess zu beschleunigen. Eine Technik beinhaltet die Änderung des Rhythmus der Berechnung, wodurch das Quantensystem zu bestimmten Zeiten schneller und zu anderen langsamer agieren kann, ganz ähnlich wie ein Fahrer, der die Gänge wechselt, um eine kurvige Straße effizient zu durchfahren. Die andere Technik nutzt eine anspruchsvollere Art, vorherzusagen, wie sich das System im nächsten Schritt verändern wird, indem sie nicht nur die unmittelbare Richtung betrachtet, sondern auch, wie diese Richtung krümmt. Durch die Zusammenführung dieser beiden Ideen in einen einzigen, einheitlichen Rahmen schufen die Forscher eine neue Version des Algorithmus, die das korrekte Ergebnis in weitaus weniger Schritten erreicht als zuvor.

Die Forscher testeten diese neue Methode, die sie TR-Hy-FALQON nennen, an zwei Arten komplexer Rätsel, die als Graphprobleme bekannt sind. Diese Rätsel beinhalten die Aufteilung eines Netzwerks von Punkten in zwei Gruppen, sodass die Verbindungen zwischen den Gruppen maximiert werden – eine Aufgabe, die für Computer notorisch schwierig ist. Sie führten Simulationen auf Netzwerken mit zwölf und vierzehn Punkten durch und verglichen ihre neue Methode mit älteren Versionen des Feedback-Algorithmus sowie mit dem Standard-Hybridansatz. Die Ergebnisse waren eindeutig: Die neue Methode erreichte qualitativ hochwertige Lösungen wesentlich schneller. In den Simulationen erzielte sie dieselbe Genauigkeit wie der Standard-Hybridansatz, jedoch mit weniger Operationsebenen, und tat dies mit größerer Stabilität, was bedeutet, dass die Ergebnisse weniger wahrscheinlich schwankten oder während der Berechnung scheiterten.

Was diese Entwicklung besonders wichtig macht, ist, dass sie die Notwendigkeit beseitigt, dass der klassische Computer ständig intervenieren muss. Der neue Algorithmus verlässt sich zwar immer noch auf die Quantenmaschine, um ihren eigenen Fortschritt zu messen und ihren Pfad anzupassen, tut dies jedoch mit einem wesentlich kürzeren Schaltkreis. Dies ist entscheidend, da jeder zusätzliche Schritt in einem Quantenschaltkreis die Wahrscheinlichkeit erhöht, dass Rauschen die Daten korrumpiert. Durch die Reduzierung der Anzahl der für die Lösung des Problems erforderlichen Schritte haben die Forscher die Barriere für die Nutzung dieser Algorithmen auf heutigen, unvollkommenen Maschinen effektiv gesenkt. Die Studie zeigte, dass die neue Methode diese spezifischen Graphprobleme mit einer Präzision lösen kann, die mit den besten bekannten klassischen Garantien konkurriert, während sie gleichzeitig einen stetigen, zuverlässigen Weg zur Lösung beibehält.

Die Forscher stellten auch fest, dass ihre Methode mehr Flexibilität in der zeitlichen Gestaltung der Berechnung bietet. In früheren Versionen mussten die Schritte in einem sehr spezifischen, winzigen Tempo erfolgen, damit die Mathematik funktionierte, was zu einem sehr langen Schaltkreis zwang. Der neue Ansatz erlaubt größere, flexiblere Zeitschritte, ohne die Stabilität zu verlieren. Das bedeutet, dass der Quantencomputer größere Schritte in Richtung der Antwort machen kann, ohne über das Rauschen zu stolpern, das normalerweise zu Fehlern führt. Obwohl diese Ergebnisse aus Computersimulationen und nicht aus physischer Hardware stammen, legen die Erkenntnisse nahe, dass dieser verfeinerte Algorithmus bestens für die aktuelle Ära des Quantencomputings geeignet ist, in der die Minimierung der Schaltkreistiefe der Schlüssel zum Erfolg ist. Indem sie den Feedbackprozess sowohl schneller als auch robuster machen, bietet diese Arbeit einen praktischen Weg nach vorn, um Optimierungsprobleme auf den verrauschten, flachen Quantenprozessoren zu lösen, die heute verfügbar sind.