⚛️ quantum physics

Optimized QUBO formulation methods for quantum computing

Dit werk introduceert geoptimaliseerde QUBO-formuleringen met nieuwe methoden voor het efficiënt gebruik van slack-variabelen, waarmee het aantal benodigde variabelen voor NISQ-apparaten drastisch wordt verminderd om complexe optimalisatieproblemen, zoals Max-Profit Balance Settlement, effectiever op te lossen op D-Wave quantum annealers.

Oorspronkelijke auteurs: Dario De Santis, Salvatore Tirone, Stefano Marmi, Vittorio Giovannetti

Gepubliceerd 2026-02-25

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Dario De Santis, Salvatore Tirone, Stefano Marmi, Vittorio Giovannetti

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Korte samenvatting: Hoe we een quantumcomputer laten werken zonder hem te laten 'stikken' in zijn eigen gedachten.

Stel je voor dat een quantumcomputer (zoals die van D-Wave) een superintelligente, maar zeer beperkte detective is. Deze detective is fantastisch in het oplossen van puzzels, maar hij heeft een groot probleem: hij heeft maar een klein aantal 'vragen' (qubits) om aan te kunnen. Als je hem een te grote of te ingewikkelde puzzel geeft, raakt hij in de war en faalt hij.

Deze paper gaat over een nieuwe manier om die puzzels te herschrijven, zodat de detective ze makkelijk kan oplossen, zelfs als de puzzel enorm groot is.

Hier is de uitleg in simpele taal, met een paar creatieve metaforen:

1. Het Probleem: De "Slack" Variabelen (De Extra Hulpjes)

In de wereld van wiskundige puzzels (optimalisatieproblemen), zoals het vinden van de beste route voor een vrachtwagen of het regelen van geldstromen in een bank, moeten we vaak regels volgen (bijvoorbeeld: "je mag niet meer dan €100 uitgeven").

Om deze regels in te bouwen in een quantumcomputer, gebruiken wiskundigen traditioneel veel hulpjes. In de paper noemen ze deze "slack variables".

De Metafoor: Stel je voor dat je een zware koffer moet tillen. De quantumcomputer is een sterke, maar kleine atleet. De regels zijn de zware koffer. De traditionele methode zegt: "Om deze koffer te tillen, moet je eerst 100 extra steunblokken (hulpjes) onder de koffer leggen."
Het Nadeel: Elke steunblokje kost ruimte. De atleet (de quantumcomputer) heeft maar een klein oppervlak. Als je te veel blokken gebruikt, is er geen ruimte meer voor de koffer zelf. De computer kan de echte oplossing niet meer vinden omdat hij verstrikt zit in de hulpjes.

2. De Oplossing: Twee Nieuwe Trucs

De auteurs van dit paper, Dario De Santis en collega's, hebben twee nieuwe methoden bedacht om die 100 steunblokken te vervangen door misschien wel 10. Ze noemen deze methoden:

A. De "Iteratieve Kwadratische Polynoom" (IQP) - De Slimme Architect

In plaats van voor elke regel een stapel nieuwe blokken te bouwen, kijkt deze methode slim naar de vorm van de regel zelf.

De Metafoor: Stel je voor dat je een muur moet bouwen. De oude methode zegt: "Gebruik 100 bakstenen om de muur stevig te maken." De IQP-methode zegt: "Wacht even, als ik de bakstenen in een specifieke, slimme hoek leg, heb ik er maar 5 nodig om dezelfde stevigheid te krijgen."
Ze bouwen een wiskundige formule die precies weet welke combinaties van antwoorden verboden zijn, zonder extra hulpjes. Het werkt het beste bij kleine, lokale regels (bijvoorbeeld regels die alleen gaan over één persoon in een netwerk).

B. De "Master-Satellite" Methode (MS) - De Hoofd- en Bijregels

Soms hebben we meerdere regels die over dezelfde mensen gaan. De oude methode behandelt elke regel als een aparte, zware last. De MS-methode maakt onderscheid tussen een Hoofdregel (Master) en een Bijregel (Satelliet).

De Metafoor: Stel je voor dat je een club hebt.
- Master: "Je moet lid zijn om binnen te komen." (Dit is de harde, ononderhandelbare regel).
- Satelliet: "Als je binnen bent, moet je ook een pet op hebben."
- De oude methode controleert beide regels voor iedereen, ook voor mensen die al bij de deur worden geweigerd. Dat is zonde van de tijd.
- De MS-methode zegt: "We controleren eerst de 'Lidmaatschap'-regel. Als iemand daar faalt, stoppen we direct. We hoeven de 'Pet'-regel pas te controleren voor de mensen die al binnen zijn."
Het Resultaat: Omdat we de 'Pet'-regel alleen hoeven te controleren voor de mensen die al binnen zijn, hebben we veel minder 'steunblokken' (hulpjes) nodig om die regel te beschrijven.

3. De Proef: Het "Max-Profit Balance Settlement" (MPBS) Probleem

Om te bewijzen dat dit werkt, hebben ze een echt financieel probleem gebruikt: het regelen van schulden tussen mensen in een netwerk.

Het Scenario: Mensen hebben schulden bij elkaar. Ze willen zo veel mogelijk schulden tegelijk aflossen zonder dat iemands rekening in het rood gaat of leeg raakt.
De Test: Ze hebben dit probleem op twee verschillende quantumcomputers van D-Wave gezet: de huidige versie en een nieuwe, krachtigere prototype-versie.
Het Resultaat:
- Met de oude methode (veel steunblokken) kon de computer alleen kleine problemen oplossen. Bij grotere problemen faalde hij bijna altijd.
- Met hun nieuwe methode (weinig steunblokken) kon de computer veel grotere problemen aan.
- De cijfers: Ze gebruikten 90% minder hulpjes. De kans dat de computer het juiste antwoord gaf, was tot 184 keer hoger dan met de oude methode!

4. Waarom is dit belangrijk?

Quantumcomputers zijn nu nog in hun kinderschoenen (ze zijn "ruisig" en hebben weinig qubits). Deze paper laat zien dat we niet hoeven te wachten tot de computers groter worden. Als we de problemen slimmer formuleren (minder hulpjes, minder verbindingen nodig), kunnen we met de huidige machines al veel meer doen.

Conclusie in één zin:
In plaats van de quantumcomputer te laten worstelen met een berg extra wiskundige rommel, hebben de auteurs een manier gevonden om de puzzel zo strak en slim te verpakken dat de computer hem moeiteloos kan oplossen, zelfs als de puzzel enorm groot is.

Titel: Geoptimaliseerde QUBO-vormgevingsmethoden voor kwantumberekening

Auteurs: Dario De Santis, Salvatore Tirone, Stefano Marmi, Vittorio Giovannetti.

1. Het Probleem

Kwantumcomputers, en specifiek Noisy Intermediate-Scale Quantum (NISQ) apparaten zoals kwantum-ontsmeltingsmachines (quantum annealers), hebben strikte beperkingen wat betreft het aantal qubits en de connectiviteit die ze kunnen hanteren. Veel combinatorische optimalisatieproblemen (vaak NP-hard) moeten worden omgezet naar een Quadratic Unconstrained Binary Optimization (QUBO) formaat om op deze machines te kunnen worden opgelost.

De kernuitdaging bij deze conversie is het omzetten van beperkingen (constraints) in een kwadratische vorm. Traditionele methoden vereisen het gebruik van slack-variabelen (extra binaire variabelen) om ongelijkheidsbeperkingen te handhaven.

Het probleem: De standaardmethodiek leidt vaak tot een explosie in het aantal benodigde slack-variabelen. Dit verhoogt het totale aantal variabelen (logische + slack) drastisch, wat de connectiviteit van het probleem vergroot en het aantal benodigde qubits op de kwantumchip overschrijdt.
Gevolg: Veel realistische problemen, zoals financiële optimalisatieproblemen, zijn met huidige NISQ-apparaten onoplosbaar omdat ze te veel qubits vereisen voor de beperkingen alleen, zonder rekening te houden met de daadwerkelijke probleemvariabelen.

2. Methodologie

De auteurs introduceren twee nieuwe, onafhankelijke technieken om QUBO-vormen te genereren met een minimaal aantal slack-variabelen:

A. Iterative Quadratic Polynomial (IQP) Methode

Concept: In plaats van een vaste formule te gebruiken om beperkingen te vertalen, bouwt deze methode een generiek kwadratisch polynoom $P(x)$ over de binaire variabelen.
Werking: Het doel is om de coëfficiënten van dit polynoom zo te kiezen dat $P(x) = 0$ voor combinaties die aan de beperking voldoen, en $P(x) \leq -1$ voor combinaties die de beperking schenden.
Iteratie: Als er geen oplossing is zonder slack-variabelen, wordt iteratief het aantal slack-variabelen verhoogd. Omdat ongelijkheidsbeperkingen minder restrictief zijn dan gelijkheidsbeperkingen, volstaat vaak een klein aantal slack-variabelen (of zelfs geen) om een geldig polynoom te vinden, zelfs voor niet-lineaire beperkingen.
Voordeel: Deze methode werkt zeer efficiënt voor beperkingen die slechts op een klein aantal variabelen zijn gedefinieerd.

B. Master-Satellite (MS) Methode

Concept: Deze methode benut de synergie tussen meerdere beperkingen die op dezelfde set binaire variabelen zijn gedefinieerd.
Werking:
- Master-beperking: Wordt voor alle mogelijke combinaties van variabelen afgedwongen.
- Satelliet-beperking: Wordt alleen afgedwongen voor die combinaties die al voldoen aan de master-beperking.
Mechanisme: Omdat de satelliet-beperking niet hoeft te worden afgedwongen voor combinaties die de master al schenden, zijn er minder voorwaarden voor het oplossen van het polynoom, wat leidt tot minder benodigde slack-variabelen.
Kalibratie: Om te voorkomen dat "toevallige prikkels" (accidental incentives) ontstaan voor combinaties die de master schenden, wordt de straffactor (multiplier) van de master-beperking versterkt ( $\lambda_{MC} > 1$ ).
Concatenatie: Voor drie of meer beperkingen kan een hiërarchische keten worden gevormd (Master -> Satelliet 1 -> Satelliet 2, etc.), wat de efficiëntie verder verhoogt.

3. Toepassing: Max-Profit Balance Settlement (MPBS)

De auteurs testen hun methoden op een NP-hard financieel optimalisatieprobleem: Max-Profit Balance Settlement.

Doel: Selecteer een maximale subset van vorderingen (receivables) in een netwerk van debiteuren en crediteuren om de uitgewisselde waarde te maximaliseren.
Beperkingen:
1. CAP/FLOOR: Het saldo van elke gebruiker moet binnen een vooraf bepaald bereik blijven.
2. IN/OUT: Een gebruiker mag alleen betalen als hij ook ontvangt (geen eenzijdige transacties).
Locaal-geconstrueerd: Beide beperkingen zijn lokaal gedefinieerd per knooppunt (node), wat ze ideaal maakt voor de IQPMS-methoden.

4. Belangrijkste Resultaten

De auteurs hebben de prestaties vergeleken met de standaardmethode op twee D-Wave kwantum-ontsmeltingsmachines: Advantage_system4.1 (Adv1) en de prototype Advantage2_prototype1.1 (Adv2).

Reductie van Slack-variabelen:
- De nieuwe methoden reduceerden het aantal benodigde slack-variabelen met ongeveer 90% vergeleken met de standaardmethode.
- Voor knooppunten met 3 of minder bogen (arcs) waren geen slack-variabelen nodig voor de IN/OUT-beperking (standaard vereiste er 2).
- De standaardmethode vereiste vaak 16+ slack-variabelen per knooppunt voor de CAP/FLOOR-beperking (afhankelijk van het saldo-bereik), terwijl de nieuwe methode dit deed met 0 tot 2 variabelen, onafhankelijk van de parameterwaarden.
Kwantum-embeddings:
- Door het verminderde aantal variabelen en de lagere connectiviteit, daalde het aantal benodigde qubits per toegevoegde boog van ongeveer 10,5 (standaard) naar ongeveer 2 (IQPMS).
- De maximale ketenlengte (chain length) in de embedding was aanzienlijk korter, wat de kans op fouten verkleint.
Oplossingskwaliteit (Success Rates):
- De kans op het vinden van de optimale oplossing nam drastisch toe.
- De "winst" (ratio van successen tussen nieuwe en oude methode) liep op van factor 7 (kleinste instanties op Adv1) tot factor 184 (grootste instanties op Adv2).
- Bij de standaardmethode daalde de kwaliteit van de oplossing snel naarmate de probleemgrootte toenam. Bij de IQPMS-methoden bleef de kwaliteit hoog, zelfs voor grotere instanties.
Vergelijking Hardware: De nieuwe generatie Advantage2 (met hogere connectiviteit en minder ruis) presteerde over het algemeen beter dan de Advantage, maar het grootste voordeel bleek het gebruik van de geoptimaliseerde QUBO-vorm te zijn.

5. Significantie en Conclusie

Unlocking NISQ: Deze technieken maken het mogelijk om grotere en complexere combinatorische problemen op huidige NISQ-apparaten te draaien, die anders te groot zouden zijn door het overhead van slack-variabelen.
Onafhankelijkheid van Parameters: In tegenstelling tot de standaardmethode, waarbij het aantal slack-variabelen afhangt van de grootte van de numerieke parameters (zoals saldo-bereiken), hangt het aantal variabelen bij de IQPMS-methoden alleen af van de topologie van het probleem (aantal bogen per knooppunt).
Toekomstperspectief: De auteurs suggereren dat deze aanpak niet alleen nuttig is voor kwantum-ontsmelting, maar ook voor andere NISQ-algoritmen zoals QAOA (Quantum Approximate Optimization Algorithm). Het benadrukt dat het verfijnen van de QUBO-vormgeving (pre-processing) een cruciale stap is om de prestaties van kwantumcomputers in de nabije toekomst te maximaliseren.

Kortom, dit werk biedt een fundamentele verbetering in de vertaling van realistische optimalisatieproblemen naar kwantum-vormen, waardoor de beperkingen van huidige hardware effectief worden omzeild.