← Neueste Arbeiten
⚛️ Quantenphysik

Double-Randomized Quantum Singular Value Transformations For Early Fault-Tolerant Quantum Computers

Dieses Paper schlägt ein Double-Randomized Quantum Singular Value Transformation (QSVT)-Framework vor, das randomisierte Block-Encodings und randomisierte Polynome kombiniert, um die Schaltungstiefe multiplikativ zu reduzieren und gleichzeitig eine additive Fehlerskala beizubehalten, wodurch die Anwendung von QSVT auf komplexe Probleme wie langreichweitige Heisenberg- und Eisen-Schwefel-Hamilton-Operatoren auf früher fehlertoleranter Quantenhardware ermöglicht wird.

Ursprünglicher Autor: Joel Bierman, Pawan Poudel, Yuan Liu

Veröffentlicht 2026-11-17
📖 6 Min. Lesezeit🧠 Tiefgang

Ursprünglicher Autor: Joel Bierman, Pawan Poudel, Yuan Liu

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

Quantencomputer versprechen, Probleme zu lösen, die selbst für die leistungsstärksten Supercomputer derzeit unmöglich sind – von der Simulation komplexer chemischer Reaktionen bis hin zur Modellierung des Verhaltens neuer Materialien. Um dies zu erreichen, verlassen sie sich auf eine Reihe mathematischer Werkzeuge, mit denen die empfindlichen Zustände von Quantenteilchen manipuliert werden können. Eines der leistungsfähigsten dieser Werkzeuge ist ein Rahmenwerk, das als Quantum Singular Value Transformation bekannt ist. Man kann sich dieses Rahmenwerk wie eine hochentwickelte Maschine vorstellen, die eine mathematische Beschreibung eines physikalischen Systems nimmt und es umgestaltet, um spezifische Eigenschaften zu enthüllen, wie etwa den niedrigsten Energiezustand eines Moleküls oder wie sich das System im Laufe der Zeit entwickelt. Damit diese Maschine jedoch funktioniert, muss sie zuerst mit einer präzisen, hochgenauen Repräsentation des Systems gefüttert werden. In der realen Welt sind diese Repräsentationen oft unglaublich komplex und bestehen aus tausenden oder Millionen einzelner Teile. Auf den Quantencomputern, die wir heute bauen können – welche gerade erst beginnen, sich von ihren eigenen internen Fehlern zu erholen –, stellt die schiere Größe dieser Repräsentationen einen Engpass dar. Die Schaltkreise, die erforderlich sind, um sie zu verarbeiten, sind zu tief und zu lang, was dazu führt, dass die Berechnung scheitert, bevor sie abgeschlossen werden kann.

Ein Forscherteam der North Carolina State University hat eine neue Strategie entwickelt, um diesen Engpass zu umgehen und diese fortgeschrittenen Berechnungen auf der frühen, unvollkommenen Quantenhardware der nahen Zukunft machbar zu machen. Ihr Ansatz, der in einer kürzlich veröffentlichten Studie detailliert beschrieben wird, beinhaltet eine Technik namens „doppel-randomisierter“ Verarbeitung. Anstatt zu versuchen, dem Quantencomputer die gesamte, unhandliche Beschreibung eines Systems auf einmal zuzuführen, teilen die Forscher das Problem in zwei Teile auf: einen Kernabschnitt, der die wichtigsten Teile enthält, und einen Endabschnitt (Tail), der die verbleibenden, oft kleineren Details enthält. Anstatt den Endabschnitt zu ignorieren, nutzen sie eine kluge Form des Zufalls-Samplings. Sie nehmen eine kleine, zufällige Auswahl an Teilen aus dem Endabschnitt, mischen sie mit dem Kern und speisen diese vereinfachte Version in den Quantenschaltkreis ein. Diesen Prozess wiederholen sie viele Male, jedes Mal mit einer anderen zufälligen Auswahl. Durch das Mitteln der Ergebnisse dieser vielen Durchläufe rekonstruiert der Quantencomputer effektiv das vollständige Bild, ohne jedoch jemals das gesamte komplexe Modell in einem einzigen, fehleranfälligen Versuch verarbeiten zu müssen.

Die Forscher fanden heraus, dass diese Methode es ihnen ermöglicht, die Anzahl der Komponenten, die zur Darstellung des Systems benötigt werden, drastisch zu reduzieren. In ihren Simulationen testeten sie diesen Ansatz an zwei sehr unterschiedlichen Arten physikalischer Probleme. Das erste beinhaltete ein Modell magnetischer Wechselwirkungen in einem Gitter von Atomen, bei dem die Kraft zwischen den Atomen abnimmt, je weiter sie voneinander entfernt sind. Das zweite betraf Eisen-Schwefel-Komplexe, Moleküle, die in der Natur vorkommen und für biologische Prozesse entscheidend sind sowie aufgrund ihres komplexen Elektronenverhaltens als notorisch schwierig zu simulieren gelten. In beiden Fällen zeigten die Forscher, dass sie durch die Verwendung ihrer randomisierten Methode ein hohes Maß an Genauigkeit erreichen konnten, während sie nur einen Bruchteil der Daten verwendeten, die für traditionelle Methoden erforderlich sind. Für einige der Eisen-Schwefel-Moleküle demonstrierten sie, dass die Anzahl der Terme, die zum Aufbau des Quantenschaltkreises benötigt werden, um den Faktor zehn oder mehr reduziert werden konnte. Diese Reduktion ist nicht bloß eine geringfügige Optimierung; sie ist der Unterschied zwischen einer Berechnung, die unmöglich durchzuführen ist, und einer, die auf Hardware abgeschlossen werden kann, die wahrscheinlich innerhalb der nächsten Jahre existieren wird.

Die Stärke dieser neuen Methode liegt darin, wie sie zwei verschiedene Arten von Zufälligkeit kombiniert. Die erste Art betrifft das zufällige Sampling der physikalischen Terme, wie oben beschrieben. Die zweite Art beinhaltet die Randomisierung der mathematischen Funktion, die der Computer ausführen soll. Durch die Kombination dieser beiden Strategien in einem einzigen, einheitlichen Prozess zeigten die Forscher, dass sich die Vorteile multiplizieren. Die durch jede Art von Zufälligkeit eingeführten Fehler addieren sich lediglich, anstatt sich zu verstärken, wodurch das Endergebnis zuverlässig bleibt. Dies ist eine signifikante Abkehr von älteren Methoden, bei denen Randomisierung oft zu einem Verlust an Präzision führte, der schwer zu kontrollieren war. Das Team bewies mathematisch, dass ihr Ansatz den Fehler innerhalb strenger, vorhersehbarer Grenzen hält und somit sicherstellt, dass die vereinfachten, randomisierten Schaltkreise Ergebnisse liefern, die dem ursprünglichen, komplexen Problem treu bleiben.

Eines der überraschendsten Ergebnisse war, dass der Erfolg dieser Methode stark davon abhängt, wie das Problem formuliert wird. Als die Forscher die Eisen-Schwefel-Moleküle untersuchten, stellten sie fest, dass die Wahl der mathematischen Basis – die spezifische Art und Weise, wie die Elektronen beschrieben wurden – einen massiven Unterschied machte. Wenn sie eine standardmäßige, aus Lehrbüchern bekannte Art der Beschreibung der Elektronen verwendeten, benötigte die Methode eine moderate Menge an Daten. Als sie jedoch zu einer anderen, spezialisierteren Art der Beschreibung derselben Elektronen wechselten, sank die benötigte Datenmenge dramatisch. Dies deutet darauf hin, dass der Schlüssel zur Entfaltung des Potenzials dieser Quantencomputer nicht nur im Bau besserer Hardware liegen mag, sondern in der Suche nach besseren Wegen, reale Probleme in die Sprache zu übersetzen, die der Computer versteht. Die Forscher haben kein neues physikalisches Gesetz entdeckt, sondern vielmehr eine neue Art der Informationsorganisation, die die bestehenden Gesetze der Quantenmechanik wesentlich leichter berechenbar macht.

Die Studie behauptet nicht, alle Probleme des Quantencomputings gelöst zu haben, noch legt sie nahe, dass diese Berechnungen auf aktuellen Maschinen perfekt durchgeführt werden können. Die Ergebnisse basieren auf strengen mathematischen Beweisen und numerischen Simulationen, nicht auf dem Ausführen des vollständigen Algorithmus auf einem physischen Quantencomputer. Die Autoren merken vorsichtig an, dass die von ihnen berechneten Fehlergrenzen Garantien für den maximal möglichen Fehler sind, was bedeutet, dass der tatsächliche Fehler in einem realen Durchlauf sogar noch niedriger sein könnte. Sie weisen auch darauf hin, dass ihre Methode zwar gut für die spezifischen Arten von Problemen funktioniert, die sie getestet haben, der Grad der Verbesserung jedoch je nach spezifischem System und dem spezifischen Ziel der Berechnung variieren wird. Beispielsweise funktioniert die Methode außergewöhnlich gut für Systeme, in denen die Wechselwirkungen zwischen Teilchen mit der Distanz schnell abfallen, aber die Forscher zeigten auch, dass sie selbst für Systeme mit langsamer abfallenden Wechselwirkungen effektiv sein kann, sofern die richtigen mathematischen Werkzeuge verwendet werden.

Diese Arbeit stellt einen entscheidenden Schritt in Richtung der Ära des „frühen fehlertoleranten“ Quantencomputings dar. Dies ist eine Phase, in der Maschinen leistungsstark genug sind, um ihre eigenen Fehler zu korrigieren, aber noch nicht groß genug, um die massiven, Milliarden Schritte umfassenden Algorithmen auszuführen, die zuvor vorgestellt wurden. Indem sie zeigten, dass komplexe Probleme in handhabbare, randomisierte Teile zerlegt werden können, ohne an Genauigkeit zu verlieren, haben die Forscher einen Weg geebnet, um die Leistungsfähigkeit von Quantenalgorithmen auf Hardware zu demonstrieren, die unmittelbar bevorsteht. Die Fähigkeit, komplexe Moleküle wie Eisen-Schwefel-Cluster mit deutlich weniger Ressourcen zu simulieren, könnte die Entdeckung neuer Medikamente, Katalysatoren und Materialien beschleunigen. Die Forscher kommen zu dem Schluss, dass ihre Arbeit zwar ein theoretischer und numerischer Fortschritt ist, aber den Weg für unmittelbare experimentelle Demonstrationen ebnet. Sie freuen sich darauf, diese Methoden an echter Hardware testen zu können, wo die theoretischen Einsparungen in der Schaltkreistiefe in die ersten praktischen Anwendungen des Quantencomputings übergehen könnten, die über einfache Proof-of-Concept-Experimente hinausgehen.

Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?

Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.

Digest testen →