Feedback-based quantum optimization with low depth and measurement
Dieses Paper stellt BLS-FALQON vor, einen hybriden quanten-klassischen Optimierungsalgorithmus, der von der Backtracking Line Search inspiriert ist und den Messoverhead im Vergleich zu SO-FALQON signifikant reduziert, während er eine geringe Schaltungstiefe beibehält, wie durch numerische Simulationen und reale Experimente auf dem Tianyan-176 Quantencomputer validiert wurde.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Im Wettlauf um den Bau nützlicher Quantencomputer arbeiten Wissenschaftler derzeit mit Maschinen, die leistungsstark, aber fragil sind. Diese Geräte, bekannt als verrauschte Quantencomputer mittlerer Skala (Noisy Intermediate-Scale Quantum Computers), können komplexe Berechnungen durchführen, werden aber leicht durch ihre Umgebung gestört, was dazu führt, dass Fehler auftreten, bevor eine Berechnung abgeschlossen ist. Um schwierige Probleme wie die Organisation von Daten oder das Finden des effizientesten Weges durch ein Netzwerk zu lösen, nutzen Forscher hybride Algorithmen, die die Stärken klassischer Computer mit diesen neuen Quantenprozessoren kombinieren. Eine solche Methode namens FALQON fungiert wie eine geführte Suche. Sie beginnt mit einer zufälligen Vermutung und passt den Quantenzustand wiederholt an, wobei sie Feedback aus Messungen nutzt, um das System näher an die bestmögliche Antwort zu steuern. Das Problem dabei ist, dass diese Führung erfordert, dass der Quantencomputer eine sehr lange Sequenz von Operationen durchläuft. Da die Maschinen so fragil sind, bedeutet das Ausführen einer langen Sequenz oft, dass das Signal im Rauschen verloren geht, bevor die Antwort gefunden wird.
Um dies zu beheben, entwickelten Forscher zuvor eine schnellere Version der Suche, die die Lösung in weniger Schritten erreichen konnte. Dieser Geschwindigkeit stand jedoch ein hoher Preis gegenüber: Die Maschine musste bei jedem einzelnen Schritt viel mehr Messungen vornehmen, um sicherzustellen, dass sie nicht vom Kurs abkommt. Diese Flut an Messungen verlangsamte den Prozess und führte noch mehr Fehler ein. Eine neue Studie eines Teams der Beijing University of Posts and Telecommunications und anderer Institutionen schlägt eine andere Lösung vor. Sie führten eine Methode namens BLS-FALQON ein, die es schafft, die Suche kurz zu halten, ohne eine übermäßige Anzahl an Messungen zu verlangen. Durch den Einsatz einer Strategie, die aus der mathematischen Optimierung entlehnt ist, schuf das Team ein System, das große, selbstbewusste Schritte in Richtung der Lösung unternehmen kann, während es seinen Fortschritt nur gelegentlich überprüft. Wenn das System prüft und feststellt, dass es abgedriftet ist, kehrt es einfach die Richtung um und versucht einen kleineren Schritt, anstatt komplexe Werte von Grund auf neu zu berechnen.
Die Forscher testeten diesen neuen Ansatz an einem klassischen Rätsel, dem Max-Cut-Problem bekannt, bei dem es darum geht, ein Netzwerk in zwei Gruppen zu unterteilen, um die Verbindungen zwischen ihnen zu maximieren. In Computersimulationen mit Netzwerken von bis zu zwanzig Knoten erwies sich die neue Methode als äußerst effektiv. Sie reduzierte die Gesamtzahl der erforderlichen Messungen im Vergleich zur bisher schnellsten Methode um fast achtunddreißig Prozent, während sie die Länge des Quanten-Schaltkreises in etwa gleich hielt. Dies ist eine bedeutende Verbesserung, da in der aktuellen Generation der Quantenhardware die Zeit, die mit Messungen verbracht wird, und die Zeit, die mit dem Ausführen des Schaltkreises verbracht wird, die beiden größten Engpässe sind. Durch die Reduzierung der Messungen reduzierte das Team effektiv die Gesamtzeit, die der Quantencomputer benötigte, um das Problem zu lösen.
Um zu überprüfen, ob diese Ergebnisse in der realen Welt Bestand haben, führten die Forscher ihre Experimente auf einem physischen Quantencomputer in China durch, der einen supraleitenden Prozessor mit 176 Qubits verwendet. Sie testeten den Algorithmus an kleinen Netzwerken mit vier, sechs und acht Knoten. Die Ergebnisse bestätigten, dass die neue Methode nicht nur ein Erfolg in der Simulation war, sondern eine praktische Realität darstellt. Auf der tatsächlichen Hardware reduzierte der neue Ansatz die geschätzte Ausführungszeit im Vergleich zur bisher besten Methode um dreiundvierzig Prozent. Das System blieb auch in der Gegenwart von Rauschen und Fehlern, die aktuelle Maschinen plagen, stabil. Obwohl die neue Methode die Lücke zwischen den verrauschten Hardware-Ergebnissen und dem perfekten theoretischen Ideal nicht vollständig eliminierte, schnitt sie besser als die Alternativen ab und zeigte, dass sie gute Lösungen finden kann, ohne den fragilen Quantenprozessor mit zu vielen Kontrollen zu überfordern.
Der Erfolg dieser Arbeit liegt in ihrer Einfachheit. Anstatt zu versuchen, bei jedem Schritt eine perfekte, komplexe Korrektur zu berechnen, nutzt der neue Algorithmus einen heuristischen Ansatz. Er macht einen großen Schritt, prüft, ob sich das Ergebnis verbessert hat, und wenn nicht, kehrt er einfach die Richtung des nächsten Schritts um und versucht es erneut. Diese Vor-und-Zurück-Anpassung ermöglicht es dem System, auf Kurs zu bleiben, ohne zusätzliche Daten sammeln zu müssen, die es verlangsamen würden. Die Forscher fanden heraus, dass diese Strategie selbst dann gut funktioniert, wenn der Quantencomputer Fehler macht, da die Methode diese Fehler natürlich korrigiert, indem sie die Richtung umkehrt, wenn Dinge schiefgehen. Dies deutet darauf hin, dass der effizienteste Weg für die aktuelle Generation von Quantencomputern möglicherweise nicht darin besteht, die Maschinen komplexer zu machen, sondern die Anweisungen, denen sie folgen, intelligenter und effizienter zu gestalten.
Die Studie hebt auch die Bedeutung der Art und Weise hervor, wie Daten während der Messung gruppiert werden. In der Quantenberechnung kann die Messung eines Teils des Systems einen anderen Teil stören, daher müssen Wissenschaftler verwandte Messungen zusammen gruppieren, um die Störung zu minimieren. Das Team zeigte, dass ihre neue Methode mit bestehenden Gruppierungstechniken kombiniert werden kann, um die Arbeitsbelastung weiter zu reduzieren. Dies bedeutet, dass die Einsparungen an Zeit und Ressourcen nicht nur theoretisch sind, sondern direkt auf die Art und Weise anwendbar sind, wie diese Maschinen derzeit programmiert werden. Die Ergebnisse legen nahe, dass Forscher durch die Verfeinerung der Rückkopplungsschleife mehr Leistung aus der Quantenhardware herausholen können, die sie bereits besitzen, was potenzielle praktische Anwendungen für diese Maschinen näher in die Realität rückt.
Letztendlich zeigt die Arbeit, dass Effizienz in der Quantenberechnung nicht nur davon abhängt, größere Prozessoren zu bauen, sondern davon, Algorithmen zu entwerfen, welche die physikalischen Grenzen der Hardware respektieren. Die neue Methode erreicht ein Gleichgewicht zwischen Geschwindigkeit und Genauigkeit, das vorherige Ansätze nicht erreichen konnten. Sie bietet einen Weg, durch die verrauschte Landschaft aktueller Quantengeräte zu navigieren, ohne sich in den Fehlern zu verlieren. Während das Feld voranschreitet, werden Techniken wie diese wahrscheinlich essenziell sein, um reale Probleme zu lösen, und beweisen, dass der beste Weg nach vorne manchmal darin besteht, genau zu wissen, wann man einen Schritt zurücktreten und es erneut versuchen muss.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.