Standard estimators cannot represent fault-tolerant workloads at measured error rates: evaluated, evidence-based uncertainty for quantum resource estimation
Diese Arbeit zeigt auf, dass standardmäßige Quantenressourcen-Schätzer, die typischerweise Einzelpunkt-Schätzungen angeben, daran scheitern, fehlertolerante Arbeitslasten bei experimentell gemessenen Fehlerraten genau darzustellen, indem sie offenlegen, dass realistische Hardware-Unsicherheiten die Ressourcenintervalle um Größenordnungen erweitern, strukturelle Unstimmigkeiten zwischen Kostenmodellen einführen und dazu führen, dass bestehende Werkzeuge für kritische Algorithmen wie AES-256 vollständig versagen.
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
Um die Tragweite dieser Forschung zu verstehen, muss man zunächst die Natur der Maschine begreifen, die sie vorherzusagen versucht. Quantencomputer sind nicht einfach nur schnellere Versionen der Laptops, die wir heute verwenden; sie sind Geräte, die die seltsamen Regeln der subatomaren Welt nutzen, um Probleme zu lösen, für deren Knacken gewöhnliche Maschinen tausende von Jahren benötigen würden. Zu den bekanntesten dieser Probleme gehört das Brechen der Verschlüsselung, die das globale Bankwesen, Staatsgeheimnisse und die private Kommunikation schützt. Um dies zu leisten, muss ein Quantencomputer „fehlertolerant“ sein, was bedeutet, dass er seine eigenen Fehler während des Betriebs korrigieren kann. Diese Maschinen sind noch nicht gebaut, aber Regierungen und Sicherheitsbehörden planen bereits für ihre Ankunft. Sie müssen wissen, wann ein Quantencomputer leistungsstark genug sein wird, um aktuelle Codes zu brechen, damit sie rechtzeitig auf neue, unknackbare Codes umstellen können. Diese Planung stützt sich auf Schätzungen darüber, wie viele physische Komponenten oder Qubits ein solcher Computer benötigen würde. Jahrelang wurden diese Schätzungen als einzelne, präzise Zahlen angegeben, als wäre die Zukunft ein festes Ziel statt einer Landschaft voller Möglichkeiten.
Ein Team von Forschern hat diese Gewissheit nun infrage gestellt. Sie entwickelten eine neue Art, diese Schätzungen zu betrachten – eine, die die Unbekannten der Hardware nicht als feste Werte behandelt, die man ignorieren kann, sondern als einen Bereich von Möglichkeiten, der gemessen werden muss. Anstatt zu fragen: „Wie viele Qubits werden benötigt, wenn alles perfekt läuft?“, fragten sie: „Wie viele Qubits werden benötigt, gegeben das, was wir bisher tatsächlich im Labor gemessen haben?“ Die Forscher nahten die tatsächlichen Fehlerraten von fünf der größten Quantenchips, die von großen Unternehmen gebaut wurden, und speisten diese realen Zahlen in ihre Modelle ein. Sie fanden heraus, dass sich das Bild dramatisch verändert, wenn man die unordentliche, imperfekte Realität der aktuellen Hardware verwendet anstatt einer idealisierten, optimistischen Vermutung. Die Anzahl der benötigten Komponenten steigt nicht nur ein wenig an; sie explodiert förmlich. Der Bereich der möglichen Ergebnisse wird so breit, dass eine einzelne Zahl bedeutungslos wird. Für eine Aufgabe wie das Brechen eines Standard-2048-Bit-Verschlüsselungscodes könnte die Anzahl der benötigten Komponenten vierzigmal höher oder niedriger sein als die gängigste Schätzung, wobei das wahrscheinlichste Ergebnis fast fünfmal höher liegt als die Standardvermutung.
Die Studie deckte auch eine verborgene Uneinigkeit unter den Werkzeugen auf, die zur Erstellung dieser Vorhersagen verwendet werden. Die Forscher spielten denselben realen Datensatz durch fünf verschiedene Berechnungsmethoden, einschließlich zweier populärer Software-Tools, die in der Industrie verwendet werden. Obwohl diese Tools von verschiedenen Gruppen entwickelt wurden und einer unterschiedlichen internen Logik folgen, stimmten sie nur innerhalb einer engen Spanne von etwa zehn Prozent überein. Wenn man sie jedoch mit der vollen Bandbreite der Ergebnisse aller fünf Methoden verglich, widersprachen sie sich konsistent um den Faktor zwei. Das bedeutet, dass man selbst dann, wenn man das populärste Tool wählt, wahrscheinlich eine massive Ebene der Unsicherheit übersieht, einfach weil das Tool selbst auf einem spezifischen Satz von Annahmen basiert, die möglicherweise nicht mit der Realität übereinstimmen. Die Forscher zeigten, dass diese Unsicherheit kein nebensächliches Detail ist, sondern ein strukturelles Merkmal des Fachbereichs, das Berichte mit Einzelzahlen völlig verborgen bleibt.
Die vielleicht frappierendste Erkenntnis ist, dass die Standardwerkzeuge der Industrie oft gar nicht in der Lage sind, die Daten von echter Hardware zu verarbeiten. Als die Forscher die tatsächlich im Labor gemessenen Fehlerraten in diese populären Software-Tools einspeisten, konnten die Tools für die große Mehrheit der Szenarien kein Ergebnis liefern. Für die Aufgabe des Brechens der Verschlüsselung lieferte ein Tool für über achtzig Prozent der realistischen Fehlerraten kein Ergebnis, während ein anderes für fast fünfundneunzig Prozent scheiterte. In einem extremen Fall war die Anzahl der erforderlichen Operationen zum Brechen einer bestimmten Art von Verschlüsselung so groß, dass es zum Überlauf des Zählers der Software führte und die Berechnung komplett zum Absturz brachte. Dies deutet darauf an, dass die aktuelle Generation der Planungswerkzeuge für eine perfekte Welt kalibriert ist, die nicht existiert. Sie sind darauf ausgelegt, mit optimistischen Annahmen zu arbeiten, und wenn sie mit der tatsächlichen Leistung heutiger Maschinen konfrontiert werden, brechen sie einfach zusammen.
Die Forscher wiesen diese Probleme nicht nur auf, sondern bauten ein Framework, um sie zu messen, und testeten ihre eigenen Methoden, um sicherzustellen, dass sie zuverlässig sind. Sie nutzten einen vorregistrierten Plan, was bedeutet, dass sie genau festlegten, wie sie die Daten analysieren würden, noch bevor sie überhaupt begannen, um zu verhindern, dass sie versehentlich Ergebnisse auswählten, die gut aussahhen (Cherry-Picking). Ihre Analyse bestätigte, dass die gefundenen weiten Bereiche real waren und nicht bloß das Ergebnis schlechter Mathematik. Sie überprüften ihre Vorhersagen zudem anhand einer Historie von Hardware-Messungen und stellten fest, dass ihre Methode die Unsicherheit des dominanten Faktors – der Fehlerrate der Basissoperationen der Maschine – korrekt erfasste. Die Studie kommt zu dem Schluss, dass es für jeden, der kritische Entscheidungen darüber trifft, wann auf neue Sicherheitssysteme umgestellt werden muss, gefährlich ist, sich auf eine einzige Zahl zu verlassen. Die ehrliche Antwort ist kein Punkt auf einem Graphen, sondern ein weites Intervall, das die Lücke zwischen dem, was wir uns erhoffen, und dem, was wir tatsächlich gebaut haben, anerkennt. Bis die Werkzeuge in der Lage sind, das volle Spektrum der realen Leistung darzustellen, bleibt der Zeitplan für die Ankunft leistungsstarker Quantencomputer weita viel unsicherer, als es die optimistischen Schlagzeilen vermuten lassen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.