⚛️ Quantenphysik

Classical Pre-Training of Large Shallow Parametrized Quantum Circuits through Pauli Propagation and deployment on Quantum Hardware

Dieses Paper schlägt ein klassisches Pre-Training-Framework für große, flache parametrisierte Quantenschaltkreise unter Verwendung von Pauli-Propagation vor, um Verlustfunktionen mittels Rückwärts-Observablen-Propagation effizient zu optimieren, wobei die erfolgreiche Implementierung der resultierenden Parameter auf 64-Qubit-IBM-Quantenhardware für Aufgaben wie das variationale Eigenwertproblem und generatives Modellieren demonstriert wird.

Ursprüngliche Autoren: Saverio Monaco, Jamal Slim, Ran Xue, Dirk Krücker, Kerstin Borras

Veröffentlicht 2026-10-26

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Saverio Monaco, Jamal Slim, Ran Xue, Dirk Krücker, Kerstin Borras

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

Quantenmaschinelles Lernen befindet sich an der Grenze, wo die seltsamen Regeln der subatomaren Welt auf das praktische Bedürfnis nach der Lösung komplexer Probleme treffen. Das Herzstück bilden Schaltkreise aus Quantenbits oder Qubits, die gleichzeitig in mehreren Zuständen existieren können, was es ihnen ermöglicht, Informationen auf eine Weise zu verarbeiten, die klassische Computer nicht leisten können. Um diese Schaltkreise nützlich zu machen, müssen Wissenschaftler sie „trainieren“, indem sie ihre internen Einstellungen anpassen, um die beste Lösung für eine bestimmte Aufgabe zu finden, ganz ähnlich wie man ein Radio abstimmt, um ein klares Signal zu finden. Doch wenn diese Schaltkreise größer werden, um schwierigere Probleme anzugehen, wird der Prozess des Trainings zu einem Engpass. Die Standardmethode erfordert es, den Schaltkreis tausende Male an eine physische Quantenmaschine zurück und wieder vor zu senden, um zu messen, wie gut er seine Leistung erbringt. Dies ist langsam, teuer und anfällig für Fehler, da heutige Quantenmaschinen fragil und verrauscht sind. Die zentrale Herausforderung besteht darin, einen Weg zu finden, die schwere Arbeit des Trainings zu bewältigen, ohne ständig auf die empfindliche Hardware angewiesen zu sein.

Ein Forschungsteam hat einen neuen Ansatz entwickelt, der die Trainingslast vollständig auf klassische Computer verlagert und die Quantenmaschine nur für den abschließenden Test übrig lässt. Ihre Methode, genannt Pauli-Propagation, funktioniert durch die Umkehrung des Informationsflusses. Anstatt einen Quantenzustand durch den Schaltkreis nach vorne durch die Schichten zu senden, um zu sehen, was herauskommt, beginnen sie mit der Frage, die sie beantworten wollen, und arbeiten sich rückwärts durch die Schichten des Schaltkreises. Indem sie verfolgen, wie sich die Frage verändert, während sie sich gegen den Fluss der Gates bewegt, können sie eine präzise mathematische Beschreibung des Verhaltens des Schaltkreises allein mit herkömmlicher Computerleistung aufschreiben. Diese Beschreibung fungiert als eine Art Landkarte, die genau zeigt, wie die Änderung der Einstellungen des Schaltkreises die Endergebnisse beeinflussen wird. Da diese Landkarte auf einem klassischen Computer erstellt wird, können die Forscher die Einstellungen Millionen Male in Sekundenschnelle anpassen – eine Aufgabe, die Tage oder Wochen dauern würde, wenn sie den Schaltkreis für jede einzelne Änderung auf einem echten Quantengerät hätten laufen lassen müssen.

Die Forscher testeten diese Strategie an zwei sehr unterschiedlichen Problemen unter Verwendung eines Schaltkreises mit 64 Qubits – einer Größe, die selbst für die leistungsfähigsten klassischen Supercomputer zu groß ist, um sie direkt zu simulieren. Im ersten Experiment befassten sie sich mit einem Problem aus der Physik namens Variational Quantum Eigensolver, der verwendet wird, um den niedrigsten Energiezustand eines Systems zu finden, ähnlich der Suche nach der stabilsten Anordnung von Magneten. Sie trainierten den Schaltkreis auf einem klassischen Computer mit ihrer Backward-Propagation-Methode und setzten die daraus resultierenden Einstellungen dann auf einem echten Quantenprozessor namens ibm berlin ein. Während das klassische Training die Parameter erfolgreich optimierte, beobachteten die Forscher eine anhaltende Lücke zwischen den von der Hardware erzeugten Ergebnissen und dem theoretischen Grundzustand. Sie führten diese Lücke auf die Präzision der Hardware bei der Schätzung der Observablen zurück und nicht auf ein Versagen des Trainingsverfahrens selbst. Im zweiten Experiment trainierten sie den Schaltkreis dazu, als Generator für einfache Schwarz-Weiß-Bilder zu fungieren, was im Wesentlichen bedeutet, ihn darauf zu trainieren, Muster zu erzeugen, die wie handgeschriebene Ziffern aussehen. Auch hier trainierten sie das Modell vollständig auf einem klassischen Computer und ließen die finale Version dann auf dem Quantenprozessor laufen. Die Maschine erzeugte erkennbare, wenn auch verrauschte Bilder von Ziffern, was demonstriert, dass die Methode auch für generative Aufgaben funktioniert.

Eine zentrale Erkenntnis der Studie ist, dass dieser Ansatz eine wesentlich effizientere Nutzung der Quantenhardware ermöglicht. Die Forscher fanden heraus, dass die von ihnen entworfenen Schaltkreise weit weniger komplexe Gates benötigten als andere gängige Designs, die für ähnliche Aufgaben verwendet werden. Diese Reduktion ist entscheidend, da jedes zusätzliche Gate eine weitere Ebene des Fehlers hinzufügt und mehr Zeit für den Betrieb auf einer echten Maschine beansprucht. Durch die Verwendung weniger Gates waren die Schaltkreise flach genug, um auf aktueller Hardware ausgeführt zu werden, ohne durch Rauschen zerstört zu werden. Die Studie hob auch hervor, dass trotz des hocheffektiven klassischen Trainings die Endergebnisse auf der Quantenmaschine immer noch eine Lücke im Vergleich zur perfekten klassischen Simulation aufwiesen. Diese Lücke war nicht auf ein Versagen der Trainingsmethode zurückzuführen, sondern auf die inhärenten Einschränkungen des physischen Quantenprozessors, der Schwierigkeiten hat, Ergebnisse mit perfekter Präzision zu messen. Die Forscher merkten an, dass die Methode kein Zaubermittel ist, das jedes Problem sofort löst; sie ist ein praktisches Werkzeug, das das Training in Maßstäben ermöglicht, die zuvor unmöglich waren.

Die Arbeit deutet einen neuen Weg für das Feld an, auf dem der Quantencomputer nicht länger der Motor des Lernprozesses ist, sondern die letzte Stufe der Ausführung. Indem die intensive Arbeit der Optimierung auf klassische Maschinen verlagert wird, können Wissenschaftler Systeme mit Hunderten von Qubits skalieren, ohne von der Geschwindigkeit und Fragilität der heutigen Hardware zurückgehalten zu werden. Die Forscher räumen ein, dass noch Arbeit zu leisten ist, insbesondere bei der Verfeinerung der verwendeten Loss-Funktionen für generative Modelle und bei der Berücksichtigung der spezifischen Arten von Rauschen, die in realen Geräten vorkommen. Die Demonstration an 64 Qubits dient jedoch als starker Beweis für das Konzept. Sie zeigt, dass wir, indem wir anders über das Training dieser Schaltkreise nachdenken, die Lücke zwischen dem theoretischen Potenzial des Quantenmaschinellen Lernens und der praktischen Realität der heutigen Technologie überbrücken können.

Technische Zusammenfassung: Klassisches Pre-Training von großen, flachen parametrisierten Quantenschaltkreisen durch Pauli-Propagation

Problemstellung
Die Skalierung von parametrisierten Quantenschaltkreisen (Parametrized Quantum Circuits, PQCs) auf eine große Anzahl von Qubits bleibt ein zentraler Engpass im Quanten-Maschinellen Lernen (QML). Obwohl heute Quantenhardware mit über 100 Qubits verfügbar ist, wird die intensive Trainingsphase auf diesen Geräten durch die Kosten der Gradientenschätzung behindert. Die Standard-Parameter-Shift-Regel erfordert zwei Schaltkreisevaluierungen pro Parameter, was mit wachsender Parameteranzahl prohibitiv teuer wird. Umgekehrt reduzieren gradientenfreie Optimierer (z. B. COBYLA, SPSA) zwar die Anzahl der Evaluierungen, bieten jedoch schwächere Konvergenzgarantien und erfordern dennoch wiederholt den kostspieligen Zugriff auf die Quantenhardware. Bestehende Lösungen beschränken oft die Ansatz-Architektur, um die Gradientenkosten zu senken, oder verlassen sich auf klassische Simulationen, die jedoch auf etwa 30 Qubits begrenzt sind.

Methodik: Das Pauli-Propagation-Framework
Die Autoren schlagen ein „Trainiere auf klassisch, deploye auf Quanten“-Paradigma vor, das das klassische Training auf eine breitere Klasse von PQCs ausweitet, speziell auf lokal streuende (locally scrambling) Schaltkreise, bei denen die Verlustfunktion durch die Erwartungswerte von Observablen definiert ist. Die Kernmethodik basiert auf der Pauli-Propagation, die im Heisenberg-Bild operiert. Anstatt den Quantenzustand vorwärts zu entwickeln, entwickelt die Methode das Observable $O$ rückwärts durch den Schaltkreis mittels der Transformation $O'(\theta) = U^\dagger(\theta) O U(\theta)$ .

Zentrale technische Komponenten sind:

Observable-Zerlegung: Das Observable wird in die $n$ -Qubit-Pauli-Basis zerlegt. Die Propagation verfolgt, wie sich Pauli-Strings unter der Konjugation durch jedes Gate transformieren.
Verzweigung und trigonometrische Faktoren: Parametrisierte Rotations-Gates verursachen, dass Pauli-Strings in zwei Terme (Cosinus- und Sinus-Zweige) aufspalten, wenn sie mit der Rotationsachse antikommutieren. Dies führt zu einem expliziten parametrischen Ausdruck für den Erwartungswert $\langle O \rangle(\theta)$ als Summe von Produkten trigonometrischer Funktionen der Schaltkreisparameter.
Exakte Filterung: Ein natürlicher Filter verwirft jeden Propagationspfad, bei dem der terminale Pauli-String $X$ - oder $Y$ -Operatoren enthält, da $\langle 0|X|0\rangle = \langle 0|Y|0\rangle = 0$ gilt. Nur Pfade, die in $I$ oder $Z$ enden, tragen zum Erwartungswert bei.
Trunkierungsstrategien: Um die Propagation für große Systeme (z. B. 64 Qubits) handhabbar zu machen, implementieren die Autoren zwei komplementäre Approximationsverfahren:
- Gewicht-Trunkierung (Weight Truncation): Verwirft Pfade, bei denen das Pauli-Gewicht (Anzahl der Nicht-Identitäts-Operatoren) einen Schwellenwert $w_{cut}$ überschreitet. Dies wird durch die Beobachtung gerechtfertigt, dass der Beitrag hochgewichtiger Pfade für lokal streuende Ansätze exponentiell abnimmt.
- Trigonometrischer-Grad-Trunkierung (Trigonometric-Degree Truncation): Verwirft Pfade, bei denen die Anzahl der verzweigenden Gates (trigonometrischer Grad) einen Schwellenwert $\delta_{cut}$ überschreitet, basierend auf dem Abfall hochgradiger Terme unter gleichmäßig verteilten Parametern.
Pruning-Heuristiken: Um die Rechenkosten weiter zu senken, ohne den Approximationsfehler zu erhöhen, setzen die Autoren exakte Pruning-Strategien ein:
- Dead-qubit Pruner: Verwirft Zweige, in denen ein Qubit einen $X$ - oder $Y$ -Zustand trägt und keine verbleibenden Gates mehr in der Lage sind, diesen zurück in $Z$ oder $I$ zu ändern.
- XY-weight Pruner: Verwirft Zweige, in denen die Anzahl der Qubits, die $X$ oder $Y$ tragen, die Anzahl der verbleibenden Gates überschreitet, die in der Lage wären, diese Anzahl zu reduzieren.

Wesentliche Beiträge und Anwendungen
Die Arbeit demonstriert diesen Ansatz an zwei 64-Qubit-Benchmarks, einer Skala, die weit über die exakte Statevector-Simulation hinausgeht:

Variational Quantum Eigensolver (VQE):
- Aufgabe: Bestimmung der Grundzustandsenergie eines 2D-Transversalfeld-Ising-Modells.
- Ergebnis: Die Methode optimierte erfolgreich die Parameter für Depth-1 (exakte Propagation) und Depth-2 (trunkierte Propagation) Ansätze. Die klassisch optimierten Parameter wurden auf dem IBM-Quantenprozessor ibm_berlin eingesetzt. Die Ergebnisse zeigten, dass das klassische Pre-Training die Nutzung der Quantenhardware effektiv auf die Validierung beschränkte, da der gesamte 1000-Schritte-Optimierungsschleifen-Prozess auf klassischer Hardware lief.
Quantengenerative Modellierung:
- Aufgabe: Training eines diskreten generativen Modells für binäre Bilder (heruntergesampeltes MNIST) unter Verwendung einer Verlustfunktion, die auf der Maximum Mean Discrepancy (MMD) von Pauli-Z-Erwartungswerten basiert.
- Ergebnis: Die Autoren trainierten einen flachen Ansatz (256 Parameter) mittels Pauli-Propagation mit Gewicht-Trunkierung. Das trainierte Modell wurde auf ibm_berlin eingesetzt, um Stichproben zu generieren.
- Vergleich: Der vorgeschlagene Propagator übertraf zwei IQP-Baselines (Instantaneous Quantum Polynomial) signifikant. Er erreichte eine Test-MMD $^2$ , die etwa 12-mal niedriger war als die eines gleich viel Parameter umfassenden IQP-Schaltkreises, und übertraf einen IQP-Schaltkreis mit dem 10-fachen an Parametern (2560 Gates), obwohl er nur ein Zehntel der Parameter verwendete. Die Autoren führen dies auf die kausale Struktur zurück, die durch die nicht-kommutierenden Gates in ihrem Ansatz eingeführt wird, was eine höhere Expressivität pro Parameter im Vergleich zu den kommutierenden Gates von IQP-Schaltkreisen bietet.

Bedeutung und Ansprüche
Das Paper positioniert diese Arbeit als einen Proof of Concept und nicht als Anspruch auf Optimalität. Ihre primäre Bedeutung liegt in der Demonstration der Durchführbarkeit der „Trainiere auf klassisch, deploye auf Quanten“-Pipeline auf der 64-Qubit-Skala.

Skalierbarkeit: Der Ansatz bietet einen skalierbaren Weg für QML mit zunehmender Qubit-Anzahl, indem er die prohibitiven Kosten der On-Hardware-Gradientenschätzung umgeht.
Hardware-Effizienz: Durch die vollständige Auslagerung des Trainings auf klassische Ressourcen minimiert die Methode die Anzahl der Quantenschaltkreis-Ausführungen auf das absolut Notwendige für die finale Validierung oder das Sampling.
Parameter-Effizienz: In der Aufgabe der generativen Modellierung benötigte der nicht-kommutierende Ansatz wesentlich weniger parametrisierte Gates als IQP-ähnliche Ansätze, um eine überlegene Leistung zu erzielen, was den Transpilations-Overhead reduziert und die Bereitstellung auf aktueller NISQ-Hardware (Noisy Intermediate-Scale Quantum) praktikabler macht.
Zukünftige Richtungen: Die Autoren merken an, dass die Identifizierung von Verlustfunktionen, die sowohl physikalisch motiviert als auch kostengünstiger zu propagieren sind als der MMD-Schätzer, eine offene Herausforderung bleibt. Sie schlagen zudem vor, die Geräuschmodelle (Noise Models) direkt in die Propagation einzubeziehen, um die Robustheit der trainierten Parameter weiter zu verbessern.

Mehr davon