← Neueste Arbeiten
⚛️ Quantenphysik

Variational Relevance-Informed Sparsification of Term Measurements for Variational Quantum Algorithms

Dieses Paper führt einen gelernten Controller ein, der die parameterspezifische Sparsität in Gradientenbeiträgen nutzt, um den Messaufwand in variativen Quantenalgorithmen signifikant zu reduzieren, wobei es durch die effektive Integration physikalischer Repräsentationen mit aufgabenspezifischen Zielsetzungen eine überlegene Leistung gegenüber ungesteuerten großen Sprachmodellen demonstriert.

Ursprünglicher Autor: Yifeng Peng, Bin Yan, Harshal Shah, Srinivasan Raghuraman, Kim Wagner, Sunpreet Singh Arora

Veröffentlicht 2026-11-18
📖 5 Min. Lesezeit🧠 Tiefgang

Ursprünglicher Autor: Yifeng Peng, Bin Yan, Harshal Shah, Srinivasan Raghuraman, Kim Wagner, Sunpreet Singh Arora

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

Auf der Suche nach nützlichen Quantencomputern versuchen Wissenschaftler derzeit, ein Problem zu lösen, das einfach klingt, aber unglaublich schwierig ist: wie man den niedrigsten Energiezustand eines Moleküls findet. Dies ist der Schlüssel zum Verständnis chemischer Reaktionen, zur Entwicklung neuer Medikamente oder zur Erschaffung besserer Materialien. Das führende Werkzeug für diese Aufgabe wird Variational Quantum Eigensolver genannt. Es funktioniert, indem ein Quantenschaltkreis aufgebaut, ausgeführt und die Ergebnisse gemessen werden, um zu sehen, wie nah das System an der Zielenergie liegt. Wenn das Ergebnis nicht perfekt ist, passt der Computer die Einstellungen an und versucht es erneut. Dieser Zyklus wiederholt sich tausende Male, bis die Antwort gefunden ist. Der Haken ist, dass Quantencomputer fragil und verrauscht sind, sodass eine einzige Messung selten ausreicht. Um ein zuverlässiges Ergebnis zu erhalten, müssen Forscher dasselbe Experiment tausende Male wiederholen, ein Prozess, der als „Shots“ (Schüsse) bekannt ist. Wenn die Moleküle größer und die Berechnungen komplexer werden, explodiert die Anzahl der benötigten Shots, was oft zum Hauptengpass wird, der den gesamten Prozess verlangsamt.

Ein Team von Forschern bei Visa hat einen neuen Weg entwickelt, um dies zu beschleunigen, ohne die Genauigkeit zu verlieren. Sie entdeckten, dass nicht alle Teile einer Quantenmessung für jeden Schritt der Berechnung gleichermaßen wichtig sind. In einem typischen Durchlauf misst der Computer viele verschiedene Gruppen von Quantenbits, um zu berechnen, wie die Einstellungen anzupassen sind. Die Forscher fanden heraus, dass für jede spezifische Anpassung tatsächlich nur eine kleine, spezifische Teilmenge dieser Gruppen von Bedeutung ist. Der Rest trägt nur sehr wenig zur endgültigen Entscheidung bei. Dies ist vergleichbar mit dem Versuch, eine Stadt mit einer Karte zu navigieren, die jede einzelne Straße, Gasse und Einfahrt zeigt; für eine bestimmte Reise muss man nur die Hauptstraßen kennen. Die Forscher erkannten, dass, wenn sie identifizieren könnten, welche „Straßen“ für jede spezifische Abbiegung entscheidend waren, sie den Rest ignorieren und eine enorme Menge Zeit sparen könnten.

Um dies zu ermöglichen, bauten sie einen intelligenten Controller, eine Art künstliche Intelligenz, die darauf trainiert wurde, vorherzusagen, welche Messungen notwendig sind. Anstatt zu versuchen, immer alles zu messen, betrachtet dieser Controller den aktuellen Zustand des Quantenschaltkreises und die spezifische Anpassung, die vorgenommen wird. Er entscheidet dann, welche Gruppen von Messungen beibehalten und welche übersprungen werden sollen. Das System wurde an fünfzehn verschiedenen Molekularsimulationen getestet. In diesen Tests gelang es der neuen Methode, fast die Hälfte der erforderlichen Messungen einzusparen. Konkret reduzierte sie die Anzahl der benötigten Shots um 49,6 Prozent, während sie die endgültige Energieberechnung extrem nah an die vollständige, unübersprungene Version hielt. Der Unterschied im endgültigen Energiewert war winzig und betrug im Durchschnitt nur 5,67 Millihartree, eine in der Chemie verwendete Energieeinheit. Das bedeutet, dass der Computer dieselbe chemische Genauigkeit in etwa der Hälfte der Zeit erreichen konnte.

Die Forscher untersuchten auch, ob große Sprachmodelle – dieselben leistungsstarken KI-Werkzeuge, die Aufsätze schreiben oder Fragen beantworten können – dieses Problem ohne spezielles Training lösen könnten. Sie baten diese universellen Modelle, die wichtigen Messungen basierend auf den bereitgestellten physikalischen Daten auszuwählen. Die Ergebnisse waren gemischt. Obwohl die Modelle manchmal nützliche Gruppen identifizieren konnten, waren sie inkonsistent. Ohne spezifische Anleitung scheiterten sie oft daran, die physikalischen Informationen, die tatsächlich am wichtigsten waren, zu priorisieren. Der eigens entwickelte Controller, der speziell auf den Regeln der Quantenmechanik und der Struktur des Problems trainiert wurde, schnitt viel besser ab. Er lernte, die verfügbaren Hinweise effektiver zu nutzen als die allgemeinen Modelle. Dies deutet darauf hin, dass es für komplee wissenschaftliche Aufgaben möglicherweise nicht sinnvoll ist, sich auf eine einzige, alles wissende KI zu verlassen, sondern die Flexibilität allgemeiner Modelle mit spezialisierten Werkzeugen zu kombinieren, die die spezifischen Regeln des Fachbereichs verstehen.

Die Studie untersuchte auch, wie gut diese Methode funktioniert, wenn sich die Bedingungen ändern, etwa wenn der Quantenschaltkreis tiefer wird oder wenn das Molekül ein anderes ist als die, mit denen das System trainiert wurde. Der Controller hielt stand und bewahrte seine Fähigkeit, Shots zu sparen, selbst wenn er mit neuen Szenarien konfrontiert wurde, die er zuvor noch nie gesehen hatte. Diese Robustheit ist entscheidend, da reale Anwendungen selten exakt wie die Trainingsdaten aussehen werden. Die Forscher fanden heraus, dass die Methode so eingestellt werden kann, dass sie einen Kompromiss zwischen Geschwindigkeit und Präzision eingeht. Durch das Anpassen einer einzigen Einstellung konnten sie entscheiden, noch mehr Shots zu sparen, falls eine etwas größere Fehlermarge akzeptabel war, oder mehr Messungen beizubehalten, falls sie die höchste mögliche Genauigkeit benötigten. Diese Flexibilität gibt Wissenschaftlern eine direkte Möglichkeit, das Gleichgewicht zwischen Kosten und Qualität zu kontrollieren.

Letztendlich unterstreicht diese Arbeit eine spezifische Schwäche aktueller Quantencomputing-Workflows: die Tendenz, aus Gründen der Sicherheit alles zu messen. Indem sie bewiesen haben, dass ein erheblicher Teil dieser Messungen für jeden Schritt redundant ist, haben die Forscher einen Weg zu wesentlich effizienteren Quantenalgorithmen eröffnet. Die Ergebnisse legen nahe, dass die Zukunft des Quantencomputings weniger vom Bau größerer Maschinen abhängen könnte, sondern vielmehr vom Bau intelligenterer Wege, die wir bereits besitzen, zu nutzen. Die Fähigkeit, die Messzeit ohne Verlust der Qualität der chemischen Daten zu halbieren, ist ein bedeutender Fortschritt, der die praktische Anwendung dieser Algorithmen für die Arzneimittelentwicklung und Materialwissenschaft viel praktikabler macht. Die Forschung bestätigt, dass das Verständnis der spezifischen Struktur des Problems intelligente Abkürzungen ermöglicht, die allgemeine Methoden übersehen, und weist auf eine Zukunft hin, in der eine spezialisierte, physikbewusste KI den Quantencomputer zu seinen Antworten führt.

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 →