Beyond the Mean Gap: What Transferred-Angle QAOA Retains on a Superconducting Processor
Diese Studie zeigt, dass QAOA-Schaltkreise auf einem supraleitenden Prozessor oft einen signifikanten Bruchteil ihrer Verbesserung der mittleren Lücke gegenüber dem Uniform Sampling beibehalten, während sie den Großteil ihrer Wahrscheinlichkeit, das Optimum zu finden, verlieren, was die Notwendigkeit unterstreicht, die Quantenoptimierung durch die Berichterstattung über den Erhalt optimaler und nahezu optimaler Bitstrings anstatt nur der mittleren Kosten zu validieren.
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 vom Autor verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Im leisen Summen eines Labors bauen Wissenschaftler Maschinen, die nach den seltsamen Regeln der Quantenwelt funktionieren. Diese Geräte, bekannt als Quantenprozessoren, bergen das Versprechen, bestimmte Probleme viel schneller zu lösen als die Supercomputer, die wir heute verwenden. Eine der populärsten Methoden, um diese Maschinen zu testen, ist ein Algorithmus namens Quantum Approximate Optimization Algorithm oder QAOA. Stellen Sie sich diesen Algorithmus wie eine Suchmaschine vor, die nach der einen besten Lösung für ein komplexes Rätsel sucht, wie etwa der Erstellung eines Zeitplans oder der Routenplanung für einen Lieferwagen. Die Maschine gibt nicht einfach nur eine Antwort aus; sie durchläuft einen Prozess, der eine Wolke möglicher Antworten erzeugt, in der Hoffnung, dass die beste Antwort häufiger auftritt als die anderen. Jahrelang haben Forscher überprüft, ob diese Maschinen funktionieren, indem sie die durchschnittliche Qualität aller von ihnen erzeugten Antworten betrachteten. Wenn die durchschnittliche Antwort gut war, nahmen sie an, dass die Maschine ihre Aufgabe erfüllte. Aber dieser Ansatz hat einen blinden Fleck: Ein hoher Durchschnitt kann die Tatsache verbergen, dass die Maschine selten die tatsächliche beste Lösung findet, die für das Lösen des Rätsels wirklich entscheidend ist.
Ein Forschungsteam beschloss vor kurzem, über diesen Durchschnitt hinauszublicken, um zu sehen, was in einem supraleitenden Quantenprozessor wirklich geschah. Sie verwendeten einen speziellen Maschinentyp von IBM, der sich in einer Einrichtung in New York befindet, um eine Reihe von Tests an Rätseln mit zwölf Variablen durchzuführen. Anstatt die Maschine die optimalen Einstellungen für jedes neue Rätsel lernen zu lassen, verwendeten sie eine Strategie namens „transferred angles“ (übertragene Winkel). Dies bedeutete, dass sie die Maschine einmal an einigen wenigen kleinen Beispielen trainierten und dann dieselben Einstellungen auf größere, schwierigere Rätsel anwandten. Dieser Ansatz ist effizient, da er vermeidet, dass die Maschine vor Ort Zeit mit dem Lernen verbringt, wodurch jeder einzelne Versuch zu einer potenziellen Lösung werden kann. Die Forscher ließen diese Schaltkreise tausende Male laufen und erfassten die Rohdaten darüber, welche Antworten die Maschine tatsächlich fand. Sie verglichen diese realen Ergebnisse anschließend mit Computersimulationen, die darauf ausgelegt waren, das Verhalten der Maschine einschließlich ihrer bekannten Fehler und ihres Rauschens nachzuahmen.
Die Ergebnisse offenbarten eine überraschende Diskrepanz zwischen dem, was die Maschine zu leisten schien, und dem, was sie tatsächlich erreichte. Als die Forscher die durchschnittliche Qualität der Antworten betrachteten, schien die Maschine recht gut zu funktionieren und behielt etwa dreißig bis sechsundvierzig Prozent der Verbesserung bei, die sie in einer perfekten, rauschfreien Welt gezeigt hätte. Dieser Durchschnittswert ist das, worauf sich die meisten bisherigen Studien verlassen haben, um Erfolg zu erklären. Doch als sie näher heranzoomten, um zu zählen, wie oft die Maschine tatsächlich die einzelne beste Lösung fand, änderte sich das Bild dramatisch. Die Maschine behielt nur fünf bis fünfzehn Prozent der Wahrscheinlichkeit, die perfekte Antwort zu finden. Mit anderen Worten: Während die Maschine erfolgreich darin war, schreckliche, nutzlose Antworten zu vermeiden, gelang es ihr nicht, ihre Bemühungen auf die ganz besten Ergebnisse zu konzentrieren. Der Durchschnittswert wurde durch die Fähigkeit der Maschine gestützt, sich von den schlechtesten Ergebnissen fernzuhalten, was die Tatsache maskierte, dass sie das Rennen um das Optimum verlor.
Dieser Befund stellt die gängige Praxis infrage, Quantencomputer durch den Vergleich ihrer durchschnittlichen Leistung mit einer Simulation zu validieren. Die Forscher stellten fest, dass ein Computermodell, das darauf ausgelegt war, die Fehler der realen Maschine abzubilden, den Durchschnittswert zwar recht gut vorhersagen konnte, aber die Häufigkeit, mit der die Maschine die beste Lösung findet, massiv überschätzte. In einigen Fällen sagte das Modell voraus, dass die Maschine die perfekte Antwort fünf- bis achtmal häufiger finden würde, als sie es tatsächlich tat. Die Studie legt nahe, dass das Rauschen in diesen Maschinen die Ergebnisse nicht einfach gleichmäßig verschleiert; es zerstört gezielt die scharfe Wahrscheinlichkeitspitze, die eigentlich auf der besten Antwort liegen sollte, während die Vermeidung schlechter Antworten weitgehend intakt bleibt. Das bedeutet, dass eine Maschine auf dem Papier erfolgreich aussehen kann, während sie doch daran scheitert, die für eine reale Anwendung benötigte spezifische Lösung zu liefern.
Die Forscher testeten auch verschiedene Methoden, um die Maschine vor diesen Fehlern zu schützen, wie etwa das Hinzufügen zusätzlicher Impulse, um Interferenzen zu neutralisieren, oder das Verwirren der Signale, um Fehler gleichmäßiger zu machen. Obwohl einige dieser Techniken leicht halfen, konnten sie die Lücke zwischen Simulation und Realität nicht schließen. Tatsächlich verschwand bei einem besonders schwierigen Satz von Rätseln, die als zerklüftet und komplex konzipiert waren, der Vorteil der Maschine gegenüber Standard-Algorithmen klassischer Computer vollständig, sobald das reale Rauschen eingeführt wurde. In der stillen Welt des Labors konnte die Quantenmaschine die klassischen Algorithmen, die für diese Aufgabe optimiert worden waren, nicht schlagen. Die Studie kommt zu dem Schluss, dass wir, um wirklich zu verstehen, ob ein Quantencomputer für die Optimierung bereit ist, aufhören müssen, auf den Durchschnitt zu schauen und stattdessen anfangen müssen, die Siege zu zählen. Wir müssen wissen, wie oft die Maschine die beste Antwort findet, nicht nur, wie gut ihre durchschnittliche Vermutung ist, denn für das Lösen schwieriger Probleme reicht der Durchschnitt nicht aus.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.