Output Prediction of Quantum Circuits based on Graph Neural Networks

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

De Quantum Voorspeller: Hoe AI Quantum-computers Begrijpt zonder Ze te "Horen"

Stel je voor dat quantumcomputers enorme, ingewikkelde labyrinten zijn. Als je een quantumcircuit (een soort recept voor een quantumcomputer) wilt draaien, is het alsof je probeert het einde van dit labyrint te voorspellen zonder er echt doorheen te lopen. Dat is lastig, want quantumcomputers zijn erg kwetsbaar: ze maken ruis (fouten) door trillingen, temperatuur en andere storingen. Normaal gesproken moet je een quantumcircuit eerst op een supercomputer simuleren om te zien wat er gebeurt, maar dat kost enorm veel tijd en energie.

De auteurs van dit papier hebben een slimme oplossing bedacht: ze hebben een kunstmatige intelligentie (AI) getraind die het labyrint niet hoeft te "lopen", maar het gewoon begrijpt door naar de plattegrond te kijken.

Hier is hoe ze dat doen, vertaald naar alledaagse termen:

1. Het Quantumcircuit als een Stadsplattegrond

Quantumcomputers werken met "qubits" (de bouwstenen) en "poorten" (de instructies). In de echte wereld lijken deze circuits op een stadsplattegrond:

De qubits zijn de straten.
De poorten zijn de verkeerslichten, bruggen en afritten.
De ruis (fouten) is als slecht weer, gaten in de weg of een stroomstoring die de verkeerslichten laat flakkeren.

De onderzoekers hebben deze plattegrond omgezet in een netwerk (een grafiek). In plaats van een simpele lijst met instructies, kijken ze naar hoe alles met elkaar verbonden is.

2. De "Super-Oog" van de AI (GNN)

Ze gebruiken een speciaal type AI genaamd een Graph Neural Network (GNN).

Hoe werkt het? Stel je voor dat je een stadsplattegrond hebt. Een gewone camera (zoals een CNN, een ander type AI) kijkt alleen naar de kleuren en vormen van de straten. Maar een GNN is als een verkeersdeskundige die niet alleen naar de straten kijkt, maar ook begrijpt hoe ze met elkaar verbonden zijn.
Het geheim: Ze hebben de AI niet alleen de plattegrond gegeven, maar ook een weerbericht voor elke straat. Ze hebben de AI verteld: "Op deze hoek is het erg winderig (ruis), en die brug is wat roestig (foutgevoelig)." Hierdoor leert de AI dat een bepaalde route misschien wel goed is op een zonnige dag, maar faalt als het stormt.

3. Twee Manieren om te Vergelijken

De onderzoekers wilden weten: "Welk quantumrecept werkt het beste?" Ze probeerden twee methoden:

Methode A: De Indirecte Vergelijking (De "Rekenmachine")
De AI probeert eerst het exacte resultaat van Recept 1 te voorspellen, en daarna het resultaat van Recept 2. Vervolgens vergelijk jij die twee getallen.
- Analogie: Het is alsof je twee auto's separately laat racen, de tijden opschrijft, en dan pas zegt welke sneller is. Dit werkt, maar het is veel werk.
Methode B: De Directe Vergelijking (De "Scheidsrechter")
De AI krijgt beide recepten tegelijkertijd te zien en zegt direct: "Recept 1 is 80% waarschijnlijker om beter te zijn dan Recept 2."
- Analogie: Het is alsof je twee auto's naast elkaar zet en de AI direct zegt: "Deze auto wint."
- Het resultaat: De "Scheidsrechter" (Directe Vergelijking) was 36% beter dan de "Rekenmachine". De AI hoefde niet de exacte tijd te weten, maar alleen het verschil te voelen. Dat was veel efficiënter.

4. Waarom is dit geweldig?

Snelheid: In plaats van uren te wachten op een simulatie, kan de AI in een fractie van een seconde voorspellen wat er gebeurt. Het is 11.000 keer sneller dan het traditionele rekenen!
Flexibiliteit: De AI kan circuits van verschillende grootte aan. Of je nu een circuit hebt met 3 qubits of 100 qubits, de AI past zich aan, omdat het kijkt naar de structuur en niet naar een vast formaat.
Ruisbestendig: Zelfs als de quantumcomputer "ziek" is (veel ruis), kan de AI dit voorspellen omdat ze de "ziektesymptomen" (ruisdata) in haar training heeft meegenomen.

Conclusie

Dit onderzoek laat zien dat we AI kunnen gebruiken als een krachtige voorspeller voor quantumcomputers. In plaats van elke quantum-experiment te draaien (wat duur en traag is), kunnen we de AI laten "dromen" over de uitkomst. Dit helpt wetenschappers om sneller de beste quantum-recepten te vinden voor problemen zoals het ontwerpen van nieuwe medicijnen of het optimaliseren van energie, zonder de dure hardware te hoeven belasten.

Kortom: Ze hebben een slimme voorspeller gebouwd die quantumcomputers begrijpt, zelfs als ze een beetje "ziek" zijn, en dat veel sneller doet dan welke supercomputer ook.

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

Hier is een gedetailleerde technische samenvatting van het artikel "Output Prediction of Quantum Circuits based on Graph Neural Networks" in het Nederlands.

Titel: Voorspelling van de output van kwantumcircuits op basis van Graph Neural Networks (GNNs)

Auteurs: Yuxiang Liu, Fanxu Meng, Lu Wang, Yi Hu, Zaichen Zhang en Xutao Yu.
Publicatie: arXiv:2504.00464v3 [quant-ph], maart 2026.

1. Het Probleem

Het voorspellen van de output van kwantumcircuits is een cruciale maar uitdagende taak in de ontwikkeling van kwantumapparatuur, vooral in het huidige tijdperk van Noisy Intermediate-Scale Quantum (NISQ)-apparaten.

Beperkingen: Kwantumhardware heeft beperkte toegang tot resources (zoals runtime en het aantal qubits) en lijdt onder decoherentie en gate-fouten.
Simulatiekosten: Klassieke simulatiemethoden worden inefficiënt naarmate de circuitgrootte toeneemt, wat het ontwerpen en optimaliseren van algoritmen vertraagt.
Bestaande oplossingen: Bestaande machine learning-benaderingen, zoals Convolutional Neural Networks (CNNs) en Multilayer Perceptrons (MLPs), hebben moeite om de complexe structurele informatie en topologie van kwantumcircuits (vaak weergegeven als gerichte acyclische grafen) effectief te modelleren, vooral bij grootschalige systemen.

2. Methodologie

De auteurs stellen een framework voor dat Graph Neural Networks (GNNs) gebruikt als een surrogaatmodel om de output van kwantumcircuits te voorspellen. De aanpak is verdeeld in twee hoofddoelen:

A. Voorspelling van Verwachte Waarden (Expectation Values)

Data Generatie: Er worden willekeurige kwantumcircuits gegenereerd met een niet-geparametriseerde poortset $S = \{T, H, CNOT\}$ .
Grafische Representatie: Circuits worden omgezet in gerichte acyclische grafen (DAGs).
- Knooppunten: Vertegenwoordigen qubits, poorten (H, T, CNOT) of metingen.
- Functievectoren: Elke knoop krijgt een vector van 31 dimensies die informatie bevat over het type poort, doel-qubits, en ruisinformatie (T1/T2-relaxatietijden, gate-fouten en readout-fouten) afkomstig van echte IBM-kwantumapparaten (zoals IBM Perth, Lagos, Nairobi).
GNN Architectuur: Een vierlaags GNN met een attention-mechanisme wordt gebruikt om boodschappen tussen buren te aggregeren. Globale circuitkenmerken (diepte, aantal CNOTs) worden gecombineerd met de gepoolde knoopfeatures via fully connected lagen.
Doel: Voorspelling van single-qubit en two-qubit Pauli-Z verwachte waarden ( $\langle Z_i \rangle$ en $\langle Z_i Z_j \rangle$ ).

B. Vergelijking van Circuitprestaties (PQCs)

De methode wordt uitgebreid naar Parameterized Quantum Circuits (PQCs) voor de Variational Quantum Eigensolver (VQE) toepassing (grondtoestandsenergie van een H2-molecuul). Twee vergelijkingsschema's worden voorgesteld:

Indirecte Vergelijking (Indirect Comparison): Het GNN voorspelt de absolute grondtoestandsenergie voor elk circuit afzonderlijk. De prestaties worden vervolgens vergeleken door deze voorspellingen met elkaar te vergelijken.
Directe Vergelijking (Direct Comparison): Twee circuits worden simultaan als input gegeven aan het GNN (als twee onverbonden subgrafieken). Het model leert de structurele verschillen en voorspelt direct de waarschijnlijkheid dat het ene circuit beter presteert dan het andere (een waarde tussen 0 en 1).

3. Belangrijkste Bijdragen

Ruis-resistente GNNs: Het integreren van hardware-specifieke ruisinformatie (T1, T2, gate-fouten) in de knoopfeatures stelt het model in staat om nauwkeurige voorspellingen te doen onder zowel ruisvrije als ruisvolle omstandigheden.
Schalbaarheid en Flexibiliteit: In tegenstelling tot CNNs, die inputmatrices van vaste grootte vereisen, kunnen GNNs omgaan met circuits van variërende grootte (aantal qubits) en diepte zonder herstructurering van de input.
Directe Vergelijkingsschema: De introductie van een methode die circuits direct met elkaar vergelijkt in plaats van absolute waarden te voorspellen, wat leidt tot aanzienlijk betere prestaties.
Efficiëntie: Het framework elimineert de noodzaak voor kostbare herhaalde simulaties of hardware-experimenten voor het evalueren van circuitprestaties.

4. Resultaten

Voorspelling van Verwachte Waarden:
- De GNNs behaalden een $R^2$ -waarde (coëfficiënt van determinatie) boven de 0.9 voor circuits met 3 tot 5 qubits en dieptes van 5 tot 11, zowel onder ruisvrije als ruisvolle omstandigheden.
- De prestatie van GNNs was superieur aan die van CNNs, vooral bij toenemende circuitdiepte en complexiteit.
- GNNs toonden sterke extrapolatie-eigenschappen: modellen getraind op kleinere circuits (bijv. 3 qubits) konden redelijk goed presteren bij het voorspellen van grotere circuits (tot 16 qubits), terwijl CNNs hierin faalden vanwege de vaste inputstructuur.
Vergelijking van PQCs:
- De Directe Vergelijking methode presteerde gemiddeld 36,2% beter dan de Indirecte Vergelijking methode op dezelfde datasets.
- Snelheid: GNNs bieden een enorme snelheidswinst. Het voorspellen van prestaties via GNNs is ongeveer 11.000 keer sneller dan het uitvoeren van een volledige VQE-optimatie (Calculation Comparison) en ongeveer 6.000 keer sneller dan de indirecte vergelijking.

5. Betekenis en Toekomstperspectief

Efficiëntie in NISQ: Dit werk biedt een krachtig hulpmiddel voor het snelle screenen en optimaliseren van kwantumcircuits in het NISQ-tijdperk, waar hardware-resources schaars zijn.
Nieuwe Paradigma: De "Directe Vergelijking" benadering opent een nieuw perspectief voor machine learning in de kwantumfysica: in plaats van absolute waarden te voorspellen, kan het model leren om relatieve prestaties direct te beoordelen, wat robuuster is tegenover fouten in absolute schattingen.
Toepassingen: Het framework kan worden toegepast op Quantum Architecture Search (QAS), het ontwerp van quantum kernels, en het versnellen van het trainingsproces voor Reinforcement Learning in kwantumcontrole.

Conclusie: Het artikel demonstreert dat Graph Neural Networks, door de natuurlijke grafische structuur van kwantumcircuits te benutten en ruisinformatie te integreren, een superieur alternatief vormen voor traditionele simulaties en CNNs voor het voorspellen en vergelijken van kwantumcircuitprestaties.