⚛️ quantum physics

Qubit-efficient quantum combinatorial optimization solver

De auteurs presenteren een qubit-efficiënt variational quantum-algoritme dat kandidaat-oplossingen codeert in een verstrengelde golffunctie met minder qubits dan het aantal variabelen, waardoor combinatorische optimalisatieproblemen zoals het Sherrington-Kirkpatrick-model efficiënter op huidige en toekomstige quantumcomputers kunnen worden opgelost.

Oorspronkelijke auteurs: Bhuvanesh Sundar, Maxime Dupont

Gepubliceerd 2026-03-24

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Bhuvanesh Sundar, Maxime Dupont

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

Stel je voor dat je een gigantische puzzel moet oplossen, zoals het vinden van de perfecte route voor 1000 vrachtwagens of het optimaliseren van een wereldwijde leveringsketen. Dit zijn "combinatorische optimalisatieproblemen". Om dit op te lossen, gebruiken wetenschappers vaak quantumcomputers. Maar hier zit een groot probleem: huidige quantumcomputers hebben te weinig "brein" (qubits) om zo'n grote puzzel in één keer te zien.

Normaal gesproken is de regel: 1 variabele = 1 qubit. Als je 1000 variabelen hebt, heb je 1000 qubits nodig. Helaas hebben de beste machines er nu maar een paar honderd. Het is alsof je probeert een heel orkest te dirigeren met slechts een paar muzikanten.

De auteurs van dit paper, Bhuvanesh Sundar en Maxime Dupont van Rigetti Computing, hebben een slimme truc bedacht om dit probleem op te lossen. Ze noemen het een "qubit-efficiënte" oplossing.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Groepeermethode" (In plaats van één-op-één)

Stel je voor dat je een grote klas met 100 leerlingen hebt (de variabelen), maar je hebt maar 10 stoelen (de qubits).

De oude manier: Je probeert elke leerling op een eigen stoel te laten zitten. Dat kan niet, want er zijn te weinig stoelen.
De nieuwe manier (deze paper): Je deelt de leerlingen in groepjes van 10 in. Je hebt nu 10 groepen. Je gebruikt de 10 stoelen niet om de leerlingen één voor één te tonen, maar om te vertellen welke groep er op dat moment "aan het woord" is.

In de quantumwereld doen ze dit door de 100 variabelen te verdelen in groepen. Ze gebruiken een paar "label-qubits" (de stoelen die aangeven welke groep we bekijken) en een paar "data-qubits" (die de feitelijke informatie van die groep bevatten). Door deze qubits met elkaar te verstrengelen (een quantum-beweging die we entanglement noemen), kunnen ze de informatie van 100 variabelen opslaan in slechts 10 qubits.

De metafoor: Het is alsof je in plaats van 100 losse post-it'tjes op je bureau, één slimme, draagbare tablet hebt. Op het scherm zie je eerst een menu (de label). Als je op "Groep A" tikt, zie je de 10 details van die groep. Je hebt dezelfde informatie, maar je gebruikt veel minder ruimte.

2. De "Slimme Gids" (Het Variational Ansatz)

Om de oplossing te vinden, gebruiken ze een algoritme dat lijkt op een slimme gids die stap voor stap de beste route zoekt. Ze noemen dit een variational quantum circuit.

De computer probeert een oplossing.
Hij kijkt of het goed is.
Hij past de instellingen een beetje aan en probeert het opnieuw.
Dit herhaalt hij totdat hij de beste oplossing vindt.

De auteurs tonen aan dat hun methode net zo goed werkt als de oude methode (die veel meer qubits nodig had), maar dan met veel minder hardware. Ze hebben dit zelfs getest op een echte quantumcomputer (Rigetti's Ankaa-chip) en het werkte!

3. Het "Groepeertrend" (Parameter Concentratie)

Een van de coolste ontdekkingen in het paper is dat de "instellingen" van de computer (de parameters) voor verschillende problemen vaak heel erg op elkaar lijken.

De analogie: Stel je voor dat je probeert de perfecte temperatuur voor thee te vinden. Als je het voor één kopje thee hebt gevonden, weet je dat de temperatuur voor de volgende kopje thee waarschijnlijk bijna hetzelfde is. Je hoeft niet vanaf nul te beginnen.
De betekenis: Dit betekent dat de computer niet elke keer alles opnieuw hoeft te berekenen. Dat bespaart enorm veel tijd en rekenkracht. Het maakt de methode veel sneller en praktischer.

Waarom is dit belangrijk?

We leven nu in een tijdperk waar quantumcomputers nog klein en kwetsbaar zijn (ze maken veel fouten door ruis).

Minder qubits = Minder ruis: Omdat deze methode minder qubits gebruikt, is de kans kleiner dat de computer fouten maakt.
Toekomstbestendig: Zelfs als we in de toekomst grote, foutloze quantumcomputers hebben, is het slim om zo efficiënt mogelijk te werken.

Kort samengevat:
De auteurs hebben een manier bedacht om enorme, complexe problemen op te lossen met een quantumcomputer die veel kleiner is dan je zou denken. Ze doen dit door informatie slim te groeperen en te verstrengelen, net als het opslaan van een heel orkest op één USB-stick in plaats van 100 aparte instrumenten. Dit maakt het mogelijk om nu al nuttige dingen te doen met de kleine quantumcomputers die we vandaag hebben, en legt de basis voor de grotere machines van morgen.

Titel: Qubit-efficiënte quantum combinatorische optimalisatie-oplosser

Auteurs: Bhuvanesh Sundar en Maxime Dupont (Rigetti Computing)

1. Het Probleem

Quantum optimalisatie-algoritmen, zoals de Quantum Approximate Optimization Algorithm (QAOA), vertrouwen doorgaans op een één-op-één mapping: elke variabele in een combinatorisch optimalisatieprobleem wordt toegewezen aan één fysieke qubit.

Beperking: Huidige quantumcomputers (NISQ-era) hebben slechts tientallen tot honderden qubits, terwijl real-world problemen vaak duizenden variabelen bevatten.
Huidige oplossingen: Bestaande methoden om dit te omzeilen (zoals circuit-opsplitsing of amplitude-encoding) brengen grote klassieke rekenkosten met zich mee of leiden tot circuits die moeilijk te optimaliseren zijn.
Doel: Ontwikkelen van een methode die grote problemen kan oplossen met aanzienlijk minder qubits dan het aantal variabelen, zonder de kwaliteit van de oplossing drastisch te verlagen of de rekenlast onbeheersbaar te maken.

2. Methodologie

De auteurs stellen een nieuw qubit-efficiënt encoding-schema en een bijbehorend variational quantum algorithm voor.

A. Qubit-efficiënte Encoding (Many-to-One Mapping)

In plaats van elke variabele $z_i$ op een aparte qubit te slaan, worden $N$ binaire variabelen opgeslagen in een verstrengelde golf functie van slechts $q$ qubits, waarbij $q < N$ .

Groepering: De $N$ variabelen worden verdeeld in $N/d$ groepen van $d$ variabelen.
Qubit-totaal: Het systeem gebruikt $q = d + \log_2(N/d)$ $q = d + lo g_{2} (N / d)$ qubits.
- Data qubits ( $d$ ): Bevatten de waarden van de variabelen binnen een groep.
- Label qubits ( $\log_2(N/d)$ ): Duiden aan welke groep van variabelen momenteel actief is.
Golf functie: De staat wordt weergegeven als:
$|\phi(z)\rangle = \sum_{\ell=0}^{N/d-1} \lambda_\ell |\ell\rangle_{\text{label}} \otimes |z_\ell\rangle_{\text{data}}$
Waarbij $|\ell\rangle$ de label qubits zijn en $|z_\ell\rangle$ de $d$ variabelen van groep $\ell$ .
Meting: Een projectieve meting levert de waarden van slechts $d$ variabelen op (de groep die overeenkomt met de gemeten label). Om de volledige oplossing te vinden, moet het algoritme de kostenfunctie minimaliseren over de verwachtingswaarden.

B. Variational Ansatz (QAOA-geïnspireerd)

De auteurs generaliseren de QAOA voor deze encoding:

Hamiltoniaan: De kosten-Hamiltoniaan $\hat{H}[\psi]$ is afhankelijk van de golf functie van de vorige laag ( $\psi_{p-1}$ ). Dit komt doordat de kostenfunctie niet-lineair is in de golf functie voor $d < N$ .
Kostenberekening:
- Variabelen binnen dezelfde groep ( $\ell_i = \ell_j$ ) worden gemeten via correlaties op de data qubits.
- Variabelen in verschillende groepen ( $\ell_i \neq \ell_j$ ) worden benaderd via het product van hun individuele verwachtingswaarden (mean-field benadering).
Symmetriebreking: De standaard QAOA-ansatz heeft een $Z_2$ -symmetrie die het vinden van de grondtoestand voor dit encoding-schema verhindert. De auteurs introduceren een modificatie met een extra een-ligging bias-term ( $\hat{H}_z$ ) om deze symmetrie te breken en de echte grondtoestand te bereiken.

C. Adaptieve Versie

Er wordt ook een adaptieve versie onderzocht (geïnspireerd op ADAPT-QAOA), waarbij de mixer-operatoren per laag dynamisch worden geselecteerd op basis van de grootste gradiënt van de kostenfunctie.

3. Belangrijkste Bijdragen

Nieuwe Encoding: Een generalisatie van "minimal encoding" ( $d=1$ ) die een tunable parameter $d$ toestaat, wat een afweging mogelijk maakt tussen het aantal qubits en de complexiteit van de circuit-uitvoering.
Parameter Concentratie: De auteurs tonen aan dat de optimale parameters voor dit algoritme (voor Sherrington-Kirkpatrick spin-glas problemen) geclusterd zijn. Dit betekent dat optimale parameters gevonden voor één probleeminstantie (of een bepaalde grootte $N$ ) effectief kunnen worden gebruikt voor andere instanties of grotere $N$ met slechts een simpele schaling. Dit vermindert de klassieke zoekruimte voor parameteroptimalisatie aanzienlijk.
Experimentele Validatie: Het algoritme is getest op de Rigetti Ankaa™-9Q-3 supergeleidende chip voor een klein SK-probleem ( $N=4$ ), met een zeer hoge correlatie (0.997) tussen simulatie en experimentele data.
Schalingsanalyse: Het paper analyseert de schaling van de parameter $\gamma$ met de probleemgrootte $N$ en het groepparameter $d$ , en toont aan dat $\gamma \propto d/N^{3/2}$ .

4. Resultaten

Benchmarking (SK-modellen): Voor Sherrington-Kirkpatrick (SK) spin-glas modellen met $N=64$ $N = 64$ variabelen:
- Het algoritme bereikt een benaderingsratio vergelijkbaar met de standaard QAOA ( $d=N$ ), maar gebruikt tot 9 keer minder qubits (bijv. $d=2$ of $d=4$ in plaats van $N=64$ ).
- Bij $d=1, p=4$ (4 lagen) presteert het algoritme zelfs beter dan de standaard QAOA met $d=N, p=2$ .
Parameter Herbruikbaarheid: Parameters geoptimaliseerd voor $N=64$ kunnen worden hergebruikt voor $N=128$ en $N=256$ door een simpele schaling van $\gamma$ , met behoud van hoge kwaliteit oplossingen.
Adaptieve Ansatz: De adaptieve versie toont een stijgende benaderingsratio met diepte $p$ , maar bereikt een verzadiging eerder dan de vaste structuur, wat suggereert dat verdere optimalisatie van de mixer-pool nodig is.
Entanglement: De golf functies vertonen volume-wet entanglement, wat essentieel is voor quantum-voordeel en niet klassiek eenvoudig te simuleren is.

5. Betekenis en Toekomstperspectief

Toepasbaarheid op NISQ: Deze methode maakt het mogelijk om optimalisatieproblemen op te lossen die groter zijn dan het aantal fysieke qubits op huidige hardware, zonder de enorme klassieke overhead van circuit-opsplitsing.
Fouttolerantie: Het is relevant voor toekomstige kleine, fouttolerante quantumcomputers, waar het aantal logische qubits beperkt blijft.
Efficiëntie: Door de parameter-concentratie wordt de "classical bottleneck" van variational quantum algorithms (het vinden van de beste parameters) verlicht.
Uitbreidbaarheid: Het kader is niet beperkt tot SK-modellen en kan worden uitgebreid naar andere combinatorische problemen en toepassingen zoals quantum machine learning.

Conclusie:
Het paper presenteert een robuust en experimenteel gevalideerd kader voor het oplossen van grote combinatorische optimalisatieproblemen met een beperkt aantal qubits. Door variabelen te verstrengelen in een compacte golf functie en slimme gebruik te maken van parameter-concentratie, overwint het de huidige hardware-beperkingen en biedt het een haalbaar pad naar quantum-voordeel in de nabije toekomst.