Bridge of $Ψ$'s: Quantum Circuit Optimization with Schrödinger Bridges

Quantencomputer versprechen, Probleme zu lösen, die für heutige Maschinen unmöglich sind, vom Design neuer Medikamente bis hin zum Knacken komplexer Codes. Doch um diese Programme auszuführen, müssen Wissenschaftler abstrakte Anweisungen in eine Sequenz physischer Operationen übersetzen, die ein Quantenprozessor tatsächlich ausführen kann. Dieser Übersetzungsprozess, bekannt als Kompilierung, ist mit Schwierigkeiten behaftet. Jeder Schritt in einem Quantenprogramm führt eine winzige Chance auf einen Fehler ein, und da diese Maschinen unglaublich fragil sind, steigt mit der Anzahl der benötigten Schritte die Wahrscheinlichkeit, dass das Endergebnis falsch ist. Um das Quantencomputing nutzbar zu machen, müssen Forscher Wege finden, diese Programme zu schrumpfen, indem sie unnötige Schritte entfernen und die Zeit verkürzen, die sie zur Ausführung benötigen, während sie gleichzeitig sicherstellen, dass das Endergebnis exakt dem ursprünglichen Plan entspricht.

Seit Jahrzehnten besteht der Standardansatz zum Schrumpfen dieser Programme darin, sich auf einen festen Satz von Regeln zu verlassen, vergleichbar mit einem Mechaniker, der einen spezifischen Schraubenschlüssel verwendet, um eine Mutter festzuziehen. Ingenieure haben Bibliotheken bekannter Abkürzungen erstellt, bei denen ein bestimmtes Muster von Operationen durch eine kürzere, äquivalente Variante ersetzt wird. Dies funktioniert gut bei einfachen Fällen, stößt aber an seine Grenzen, wenn es mit komplexen, verschlungenen Programmen konfrontiert wird. Die Regeln sind starr und können das große Ganze nicht leicht erfassen oder Änderungen über entfernte Teile eines Schaltkreises hinweg koordinieren. Eine neue Studie von Forschern der ETH Zürich und der University of Cambridge legt nahe, dass die Zukunft dieser Optimierung nicht in starren Regeln liegt, sondern in einer Art künstlicher Intelligenz, die durch Beispiele lernt. Sie haben ein System namens „Bridge of Ψ's“ entwickelt, das das Problem des Schrumpfens eines Quantenprogramms als eine Reise von einem unordentlichen, ineffizienten Zustand zu einem sauberen, effizienten Zustand behandelt, geleitet von Mustern, die es aus Millionen von Beispielen gelernt hat.

Die Forscher begannen mit der grundlegenden Frage: Kann ein maschinelles Lernmodell lernen, einen Quantenschaltkreis direkt zu optimieren, ohne die spezifischen Regeln zu kennen, denen es folgen soll? Um dies zu beantworten, mussten sie dem Modell beibringen, was einen „guten“ Schaltkreis ausmacht. Sie konnten ihm nicht einfach zufällige Schaltkreise zeigen, da das Modell nicht wüsste, welche besser sind. Stattdessen arbeiteten sie rückwärts. Sie begannen mit kleinen, effizienten Schaltkreisen und machten sie durch die Anwendung bekannter Regeln in umgekehrter Reihenfolge absichtlich größer und komplizierter. Dadurch entstand eine riesige Sammlung von Paaren: ein unordentlicher, expandierter Schaltkreis und sein perfekter, kompakter Zwilling. Indem sie diese Paare in ihr System einspeisten, brachten die Forscher dem Modell bei, die Transformation von der unordentlichen Version zurück zur sauberen Version zu erkennen.

Das von ihnen entwickelte System, genannt „Bridge of Ψ's“, verwendet ein hochentwickeltes generatives Modell, das als „Schrödinger-Brücke“ bekannt ist. Vereinfacht ausgedrückt lernt dieses Modell, Daten von einer Verteilung zu einer anderen zu transportieren. Stellen Sie sich eine Rauchwolke vor, die in eine bestimmte Form gebracht werden muss; das Modell lernt den wahrscheinlichsten Pfad, um von der Wolke zur Form zu gelangen. In diesem Fall ist die „Rauchwolke“ der expandierte, ineffiziente Schaltkreis und die „Form“ die optimierte Version. Das Modell baut die Lösung nicht Stück für Stück auf oder prüft eine Liste von Regeln. Stattdessen betrachtet es den gesamten Schaltkreis auf einmal und sagt voraus, wie er umgestaltet werden muss. Um dies zu erreichen, nutzt es eine eigens entwickelte Architektur, die die einzigartige Struktur von Quantenschaltkreisen respektiert, bei denen die Reihenfolge der Operationen in der Zeit entscheidend ist, die Reihenfolge der Drähte, die die Informationen tragen, jedoch nicht. Dies ermöglicht es dem Modell, Schaltkreise unterschiedlicher Größe zu verarbeiten, ohne von Grund auf neu trainiert werden zu müssen.

Als die Forscher ihr System an einem Satz von Schaltkreisen mit acht Qubits und sechzigundvier Schritten testeten, waren die Ergebnisse beeindruckend. Das Modell lieferte konsistent kürzere und schnellere Schaltkreise als alle neun bestehenden Optimierungswerkzeuge, mit denen es verglichen wurde. Im Durchschnitt reduzierte es die Anzahl der Schritte in einem Schaltkreis um den Faktor von fast zwei ein halb und tat dies auch für die Zeit, die der Schaltkreis zur Ausführung benötigte. Noch wichtiger war, dass es in fast achtzig Prozent der Fälle Verbesserungen erzielte, während das beste traditionelle Werkzeug nur in etwa sechsundzwanzig Prozent der Fälle das angestrebte Optimierungsniveau erreichte. Das System war so effektiv, dass es oft Lösungen fand, die sogar kürzer waren als die, die für das Training verwendet wurden, was darauf hindeutet, dass es die zugrunde liegenden Prinzipien der Optimierung gelernt hat und nicht nur die Beispiele auswendig gelernt hat.

Die Studie untersuchte auch, ob dieser Ansatz Schaltkreise verarbeiten kann, die größer oder anders strukturiert sind als die, die für das Training verwendet wurden. Die Forscher fanden heraus, dass das Modell schnell adaptieren kann. Durch eine kleine Anpassung des Systems waren sie in der Lage, es auf Schaltkreise mit sechzehn Qubits und wesentlich größerer Tiefe anzuwenden, wobei sie ähnliche Erfolgsraten erzielten. Diese Flexibilität ist entscheidend, da reale Quantenprogramme in Größe und Komplexität stark variieren werden. Das System stützt sich nicht auf einen festen Suchraum oder eine vorgefertigte Bibliothek von Tricks. Stattdessen generiert es neue Lösungen im laufenden Betrieb, basierend auf den Mustern, die es während des Trainings gelernt hat. Um die Korrektheit der Ergebnisse zu gewährleisten, fügten die Forscher einen Verifizierungsschritt hinzu, der jeden Output überprüft, um zu bestätigen, dass er exakt dieselbe Berechnung wie der ursprüngliche Input durchführt, und alle Ablehnungen verwirft, die diesen Test nicht bestehen.

Obwohl das System leistungsstark ist, ist es nicht ohne Nachteile. Der Prozess der Generierung dieser optimierten Schaltkreise nimmt mehr Zeit in Anspruch als das Ausführen eines traditionellen regelbasierten Werkzeugs. Ein einzener Optimierungsvorgang kann mehrere Sekunden dauern, während ein Standardwerkzeug den Vorgang in einem Bruchteil einer Sekunde abschließen könnte. Die Forscher argumentieren jedoch, dass diese zusätzliche Zeit eine lohnende Investition ist. Die traditionellen Werkzeuge bleiben oft stecken und sind nicht in der Lage, die bestmögliche Lösung zu finden, während das neue System konsistent tiefere Reduktionen findet. In einem Bereich, in dem jeder Schritt zählt und sich Fehler schnell akkumulieren, kann die Fähigkeit, ein Programm signifikant zu verkürzen, der Unterschied zwischen einem gescheiterten Experiment und einer bahnbrechenden Entdeckung sein.

Die Arbeit stellt einen bedeutenden Wandel in der Entwicklung von Quantensoftware dar. Jahrelang verließ sich das Feld auf handgefertigte analytische Methoden und starre Suchalgorithmen. Diese Studie zeigt, dass ein datengesteuerter Ansatz, bei dem eine Maschine die Kunst der Optimierung anhand von Beispielen lernt, die besten menschengemachten Werkzeuge übertreffen kann. Er öffnet die Tür zu einer Zukunft, in der Quanten-Compiler nicht nur Regelbefolger sind, sondern intelligente Systeme, die in der Lage sind, die komplexe Landschaft der Quantenoperationen zu navigieren, um den effizientesten Weg zu finden. Indem sie die Lücke zwischen fortgeschrittener künstlicher Intelligenz und Quantenphysik schließen, haben die Forscher gezeigt, dass die Werkzeuge, die benötigt werden, um Quantencomputing praktikabel zu machen, bereits in Reichweite liegen und nur darauf warten, mit den richtigen Daten trainiert zu werden.