Improving Figures of Merit for Quantum Circuit Compilation

Each language version is independently generated for its own context, not a direct translation.

🎻 De Quantum-Orkestleider en de Verkeerde Bladmuziek

Stel je voor dat quantumcomputing een nieuw soort orkest is. De quantumcircuit is de bladmuziek die de componist (de programmeur) heeft geschreven. Maar dit orkest speelt op een heel specifiek, kwetsbaar instrument: de Quantum Processing Unit (QPU).

Elk instrument in dit orkest (de qubits) is gevoelig voor ruis, trillingen en temperatuur. Als je de bladmuziek niet perfect aanpast aan dit specifieke instrument, klinkt het resultaat als een luidruchtig geraas in plaats van mooie muziek.

Het probleem waar dit papier over gaat, is dat de dirigenten (de software die de bladmuziek aanpast) tot nu toe gebruikmaakten van verkeerde meetlatjes om te bepalen of hun aanpassing goed was.

📏 De Verkeerde Meetlatjes (De "Figures of Merit")

Tot nu toe keken dirigenten naar simpele dingen om te zeggen: "Ja, deze bladmuziek is goed!"

Aantal noten: "Hoe minder noten, hoe beter." (Alsof je zegt: een korter liedje is altijd makkelijker te spelen).
Lengte van het stuk: "Hoe sneller het stuk afgelopen is, hoe beter."
Theoretische perfectie: "Als we rekenen met de ideale statistieken van het instrument, zou dit perfect moeten klinken."

De onderzoekers van deze paper (Patrick, Nils, Laura en Robert) hebben echter ontdekt dat deze meetlatjes niet kloppen.

De Analogie:
Stel je voor dat je een auto wilt racen. De oude meetlatjes zeggen: "Hoe minder brandstof je verbruikt, hoe sneller je bent."
Maar in de praktijk? Soms moet je juist meer brandstof verbruiken om een zware helling op te komen, of je moet een andere route nemen om een slecht wegdek te vermijden. Als je alleen kijkt naar het brandstofverbruik, kies je misschien een route die erop papier zuinig is, maar die in werkelijkheid vastloopt in de modder.

Zo werkt het ook met quantumcomputers:

Soms is een circuit met meer noten (gates) en langer (dieper) eigenlijk beter, omdat het vermijdt dat twee instrumenten elkaar storen (een fenomeen dat crosstalk heet).
De oude meetlatjes zagen dit niet en zeiden: "Nee, dat is te lang, dat is slecht." Terwijl dat circuit in werkelijkheid de mooiste muziek zou produceren.

🤖 De Nieuwe Oplossing: Een Slimme "Profeet"

Omdat de oude meetlatjes faalden, hebben de onderzoekers een nieuwe methode bedacht. In plaats van te rekenen met simpele regels, hebben ze een kunstmatige intelligentie (machine learning) getraind.

Stel je voor dat ze een slimme profeet hebben opgeleid.

Ze hebben deze profeet duizenden bladmuzieken laten zien.
Ze hebben de profeet laten zien wat er gebeurde toen die muziek daadwerkelijk op het echte instrument werd gespeeld (was het mooi of was het ruis?).
De profeet heeft geleerd om naar de structuur van de muziek te kijken, niet alleen naar het aantal noten. Hij kijkt naar: "Hoe actief zijn de instrumenten?", "Spelen ze tegelijkertijd?", "Hoe communiceren ze met elkaar?"

Deze profeet kan nu, zonder dat het instrument echt hoeft te spelen, voorspellen: "Als jullie deze bladmuziek zo spelen, zullen jullie 90% van de tijd de juiste noot raken."

🚀 Wat hebben ze ontdekt?

De resultaten waren verrassend goed:

De oude meetlatjes (aantal noten, lengte) hadden een zwakke relatie met de echte kwaliteit. Ze voorspelden maar half goed hoe het zou klinken.
De nieuwe "slimme profeet" had een veel sterkere relatie. Hij voorspelde de kwaliteit 49% beter dan de beste oude methode.
Belangrijk: De profeet heeft geen gedetailleerde technische specificaties van het instrument nodig. Hij leert gewoon uit de ervaring. Dat is handig, want die specificaties veranderen vaak en zijn niet altijd beschikbaar.

💡 Waarom is dit belangrijk?

Voor de mensen die quantumcomputers programmeren (de dirigenten), is dit een revolutie.

Vroeger: Ze probeerden de bladmuziek zo kort en simpel mogelijk te maken, wetende dat het misschien toch niet perfect zou klinken.
Nu: Ze kunnen de bladmuziek laten controleren door de "slimme profeet". Die zegt: "Maak het niet korter, maar voeg hier een extra noot toe om die storing te voorkomen."

Dit zorgt ervoor dat quantumcomputers in de toekomst veel betrouwbaarder werken en minder fouten maken, zonder dat we de hardware hoeven te verbeteren. We maken gewoon de software slimmer.

Kort samengevat: De onderzoekers hebben bewezen dat "korter en simpeler" niet altijd "beter" is in de quantumwereld. Met een slimme computer die leert van echte ervaringen, kunnen we nu veel betere plannen maken voor quantumcomputers.

Each language version is independently generated for its own context, not a direct translation.

Titel: Verbetering van Figures of Merit voor de Compilatie van Quantum Circuits

Auteurs: Patrick Hopf, Nils Quetschlich, Laura Schulz, en Robert Wille (TU München en Leibniz Supercomputing Centre).

1. Het Probleem

Quantum computing vereist dat een quantumprogramma (voorgesteld als een quantum circuit) wordt gecompileerd naar een formaat dat uitvoerbaar is op een specifieke Quantum Processing Unit (QPU). De kwaliteit van deze gecompileerde circuits wordt traditioneel beoordeeld aan de hand van Figures of Merit (FoM).

De huidige standaard-FoM's omvatten:

Aantal poorten (Gate count): Vaak gefocust op twee-qubit poorten vanwege hun hoge foutkans.
Circuitdiepte (Circuit depth): Het langste pad in het circuit.
Verwachte Fideliteit (Expected Fidelity): Het product van de fideliteiten van alle poorten en metingen.
Geschatte Succeswaarschijnlijkheid (ESP): Een complexere metric die fideliteit combineert met de idle-tijd van qubits en hun relaxatietijden ( $T_1, T_2$ ).

De kernproblemen:

Slechte correlatie: Er is onzekerheid over hoe goed deze metrics de daadwerkelijke uitvoeringskwaliteit op echte hardware weergeven. De paper toont aan dat de correlatie vaak zwakker is dan verwacht.
Hardware-afhankelijkheid: Metrics zoals ESP vereisen gedetailleerde kalibratiegegevens ( $T_1, T_2$ ) die vaak verouderd zijn of niet beschikbaar.
Suboptimale oplossingen: Het minimaliseren van een traditionele metric (zoals het aantal poorten) kan leiden tot circuits die kwetsbaarder zijn voor hardware-specifieke fouten zoals crosstalk (interferentie tussen naburige qubits) of lage fideliteit op specifieke verbindingen, zelfs als het circuit theoretisch "korter" is.

2. Methodologie

De auteurs hanteren een tweeledige aanpak: eerst een grondige analyse van bestaande metrics, gevolgd door de ontwikkeling van een nieuw, machine learning-gebaseerd model.

A. Analyse van Bestaande Metrics

Doel: Kwantificeren van de correlatie tussen bestaande FoM's en de werkelijke uitvoeringskwaliteit.
Metriek voor Kwaliteit: De Hellinger-afstand ( $d(P, Q)$ ) wordt gebruikt als de "ground truth" voor uitvoeringskwaliteit. Dit meet de afstand tussen de ideale (ruisvrije) verdeling van meetresultaten ( $P$ ) en de experimentele verdeling verkregen op de QPU ( $Q$ ). Een afstand van 0 betekent perfecte uitvoering; 1 betekent volledige afwijking.
Statistiek: De Pearson-correlatiecoëfficiënt wordt berekend tussen de Hellinger-afstand en elke traditionele FoM over een grote dataset van circuits.

B. Ontwikkeling van een Nieuwe Figure of Merit (ML-benadering)

Om de beperkingen van traditionele metrics te overwinnen, stellen de auteurs een machine learning-model voor dat de Hellinger-afstand voorspelt zonder het circuit daadwerkelijk op de QPU uit te voeren.

Invoer (Features): Het model gebruikt een vectoriële representatie van het circuit die onafhankelijk is van de diepte (constant formaat voor een gegeven QPU). De features omvatten:
- Basis-metrics: Aantal poorten, circuitdiepte.
- Geavanceerde metrics: Liveness (hoe actief qubits worden gebruikt), Directed Program Communication (ratio van daadwerkelijke interactie vs. maximale mogelijke interactie), Parallelisme, en Gate-ratio's.
- Belangrijk: Het model vereist geen kalibratiegegevens ( $T_1, T_2$ ) als invoer.
Label (Doelwaarde): De Hellinger-afstand, verkregen door het circuit te simuleren (ruisvrij) en op een echte QPU uit te voeren (ruisig).
Model: Een Random Forest Regressor wordt getraind op een dataset van 222 circuits (van 2 tot 20 qubits) die zijn uitgevoerd op twee supergeleidende IQM QPUs (Q20-A en Q20-B).

3. Belangrijkste Bijdragen

Empirische Validatie: Een uitgebreide studie die aantoont dat de correlatie tussen bestaande FoM's en werkelijke uitvoeringskwaliteit vaak zwak is, en dat complexere metrics (zoals ESP) niet per se beter presteren dan eenvoudigere (zoals het aantal poorten), vooral als kalibratiegegevens verouderd zijn.
Nieuwe ML-FoM: Introductie van een interpreteerbare, machine learning-gebaseerde metric die de uitvoeringskwaliteit voorspelt op basis van circuitkenmerken.
Onafhankelijkheid van Kalibratie: Het nieuwe model levert QPU-specifieke voorspellingen zonder directe toegang tot hardware-kalibratiegegevens te vereisen, omdat het de hardware-impact indirect leert via de trainingsdata.
Schaalbaarheid: De gebruikte feature-vector is diepte-onafhankelijk, waardoor de methode toepasbaar is op diepere circuits dan eerdere ML-aanpakken.

4. Resultaten

De experimentele evaluatie werd uitgevoerd op twee IQM QPUs met 20 qubits.

Correlatie van Bestaande Metrics:
- Aantal poorten en diepte: Correlatie rond 0.53 - 0.54.
- Verwachte Fideliteit: Correlatie rond 0.73.
- ESP: Correlatie rond 0.64.
- Conclusie: Zelfs de beste traditionele metrics (Fideliteit) vertonen een correlatie van slechts 0.73 met de werkelijke kwaliteit.
Prestaties van het Nieuwe Model:
- De voorgestelde ML-metric bereikte een correlatie van 0.91 (gecombineerd voor beide QPUs).
- Verbetering: Dit resulteert in een gemiddelde verbetering van 49% in correlatie ten opzichte van de beste bestaande metrics.
- Op individuele QPU's was de verbetering respectievelijk 62% (Q20-A) en 38% (Q20-B).
Feature Importance:
- Het model toonde aan dat Liveness, Gate-ratio's, Parallelisme en Directed Program Communication de belangrijkste voorspellers zijn.
- Traditionele metrics zoals het totale aantal poorten en de diepte hadden een relatief lage invloed op de voorspelling, wat bevestigt dat deze alleen onvoldoende zijn om uitvoeringskwaliteit te bepalen.

5. Betekenis en Conclusie

Deze studie onderstreept dat het minimaliseren van het aantal poorten of de diepte niet altijd leidt tot de beste uitvoering op echte quantumhardware. Hardware-specifieke effecten zoals crosstalk en variabele poortkwaliteiten worden door traditionele metrics niet adequaat gevangen.

De voorgestelde machine learning-benadering biedt een robuustere manier om de kwaliteit van een quantum circuit te evalueren tijdens de compilatie. Door een slimme combinatie van circuitkenmerken te gebruiken, kan het model de verwachte uitvoeringskwaliteit nauwkeuriger voorspellen dan bestaande methoden, zelfs zonder directe toegang tot hardware-kalibratiegegevens. Dit stelt compiler-ontwikkelaars in staat om circuits te genereren die beter zijn afgestemd op de specifieke beperkingen en eigenschappen van de doel-QPU, wat essentieel is voor het maximaliseren van het succes van quantumberekeningen in de praktijk.

De code en tools (MQT Predictor) zijn open source beschikbaar gesteld, wat de reproduceerbaarheid en verdere ontwikkeling in de community faciliteert.