⚛️ quantum physics

Direct entanglement ansatz learning (DEAL) with ZNE on error-prone superconducting qubits

In deze studie wordt Direct Entanglement Ansatz Learning (DEAL) geïntroduceerd, een methode die gebruikmaakt van een directe mapping van probleemparameters naar kwantumansatz-hoeken en Zero Noise Extrapolation (ZNE) om de convergentie en het succespercentage van combinatorische optimalisatieproblemen op ruisgevoelige supergeleidende qubits aanzienlijk te verbeteren.

Oorspronkelijke auteurs: Ziqing Guo, Steven Rayan, Wenshuo Hu, Ziwen Pan

Gepubliceerd 2026-04-22

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ziqing Guo, Steven Rayan, Wenshuo Hu, Ziwen Pan

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 enorm doolhof moet vinden, waar je de snelste route naar de uitgang zoekt. Dit is wat computers doen bij complexe problemen zoals het plannen van een reis (TSP), het vullen van een rugzak met de waardevolste spullen (Knapsack) of het splitsen van een groep mensen in twee teams zodat ze het minst met elkaar te maken hebben (MaxCut).

Normale computers (zoals die in je laptop) proberen dit door stap voor stap elke weg te bekijken. Maar als het doolhof te groot wordt, raken ze in de war of vinden ze alleen maar kleine, lokale uitgangen die niet de beste zijn.

Quantumcomputers (zoals die van IBM) zijn als magische kompasnaalden die in alle richtingen tegelijk kunnen kijken. Ze zouden dit probleem veel sneller moeten kunnen oplossen. Maar er is een groot probleem: deze quantumcomputers zijn nog heel kwetsbaar. Ze zijn als een muziekinstrument dat in een storm wordt bespeeld; de ruis van de wind (de "ruis" of "noise" in de computer) maakt dat de muziek (het antwoord) vaak vals klinkt.

Wat is DEAL?

De auteurs van dit paper hebben een nieuwe methode bedacht die DEAL heet (Direct Entanglement Ansatz Learning). Je kunt het zien als een slimme, nieuwe manier om de quantumcomputer te "trainen" om dit doolhof te vinden, zelfs als het stormt.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Slimme Start (QPN)

Stel je voor dat je een groep vrienden hebt die een puzzel moeten oplossen. Bij een gewone quantumcomputer (QAOA) krijg je de startpositie van je vrienden willekeurig toegewezen. Misschien staat de sleutelfiguur in een hoekje waar hij niets kan doen.

DEAL doet iets slims: het kijkt eerst naar de puzzel zelf. Het zegt: "Hey, deze persoon is heel belangrijk voor de oplossing, dus zet hem in het midden van de groep!"
Dit noemen ze Qubit-Prioritized Normalization. In plaats van willekeurig te beginnen, gebruiken ze de structuur van het probleem om de startpositie van de quantumbits (de "vrienden") te bepalen. Hierdoor beginnen ze al veel dichter bij de oplossing, wat tijd scheelt en de kans op succes vergroot.

2. De Stormbestendige Muziek (ZNE)

Quantumcomputers maken fouten door "crosstalk" (als één bit praat met een ander die het niet zou moeten doen) en "coherentie" (de bits vergeten hun toon snel).

DEAL gebruikt een techniek genaamd ZNE (Zero-Noise Extrapolation).

De Analogie: Stel je voor dat je een zanger hebt die een liedje zingt, maar er is veel lawaai in de zaal. Je vraagt de zanger om het liedje eerst heel zacht te zingen, dan iets harder, en dan heel hard.
Door te luisteren naar hoe het geluid verandert naarmate het "lawaai" (de fouten) toeneemt, kan een slimme computer (de klassieke optimizer) de oorspronkelijke, perfecte zang (het juiste antwoord) eruit halen, alsof het lawaai er nooit was.
DEAL past dit slim toe door de "lawaai-niveau's" te variëren en het echte antwoord te reconstrueren.

3. De Routeplanner (Dynamic Mapping)

Quantumchips hebben een fysieke vorm: sommige bits zitten dicht bij elkaar, andere ver weg. Als je twee bits moet laten "praten" die ver weg zitten, kost dat veel tijd en energie, en ontstaan er meer fouten.

DEAL is als een slimme routeplanner. Het kijkt naar welke bits het belangrijkst zijn voor het probleem en zorgt dat deze fysiek dicht bij elkaar worden geplaatst op de chip. Zo vermijdt het lange, onnodige reizen over de chip en houdt het de "muziek" zuiver.

Wat hebben ze bewezen?

De auteurs hebben dit getest op echte quantumcomputers van IBM (de "Torino" en "Marrakesh" chips).

Resultaat: DEAL vond veel vaker het juiste antwoord dan de oude, standaard methode (QAOA).
Succes: Bij sommige problemen was het succespercentage wel 14% hoger.
Toepassing: Het werkte goed voor de "reisproblemen", "rugzakproblemen" en "MaxCut", wat betekent dat het nuttig is voor echte, moeilijke wereldproblemen.

Conclusie

Kortom: DEAL is een nieuwe, slimme manier om quantumcomputers te gebruiken voor moeilijke problemen. Het combineert drie dingen:

Een slimme start (geen willekeur, maar gebaseerd op het probleem).
Een ruisfilter (ZNE) dat de fouten van de hardware weghaalt.
Een slimme indeling die zorgt dat de belangrijkste bits dicht bij elkaar zitten.

Dit maakt het mogelijk om met de huidige, nog niet-perfecte quantumcomputers (de "NISQ"-era) al nuttige resultaten te behalen, zonder te wachten tot de technologie perfect is. Het is alsof je met een oude, rammelende auto toch de snelste route naar je bestemming vindt, omdat je de routeplanner en de motorinstellingen perfect op elkaar hebt afgestemd.

Titel: Direct Entanglement Ansatz Learning (DEAL) met ZNE op foutgevoelige supergeleidende qubits

Auteurs: Ziqing Guo, Steven Rayan, Wenshuo Hu, Ziwen Pan (Texas Tech University & University of Saskatchewan).

1. Het Probleem

Kwantum-combinatorische optimalisatiealgoritmen, zoals de Quantum Approximate Optimization Algorithm (QAOA), kampen met aanzienlijke uitdagingen bij het werken op huidige Noisy Intermediate-Scale Quantum (NISQ) hardware, specifiek supergeleidende qubits:

Complexiteit van het optimalisatielandschap: De landschappen bevatten talloze lokale minima en exponentieel groeiende latente ruimtes, wat het vinden van de globale optimum bemoeilijkt.
Hardware-ruis: Supergeleidende qubits lijden aan decoherentie, crosstalk (kruisverkeersfouten) en meetfouten.
Barren Plateaus: Traditionele QAOA-implementaties hebben vaak moeite met het trainen van parameters door vlakke gradiënten (barren plateaus), vooral bij diepere circuits.
Initiële parameters: Bestaande methoden gebruiken vaak willekeurige initialisatie of vereisen zware klassieke zoekopdrachten (zoals bij ADAPT-QAOA of QAOA-GPT), wat leidt tot inefficiëntie en hoge klassieke overhead.

2. Methodologie: DEAL Framework

De auteurs stellen Direct Entanglement Ansatz Learning (DEAL) voor, een methode die een directe mapping maakt van de parameters van een Quadratic Unconstrained Binary Optimization (QUBO) probleem naar de kwantum-ansatz (cost en mixer Hamiltonians). Het framework bestaat uit drie kerncomponenten:

A. Qubit-Prioritized Normalization (QPN)

In plaats van willekeurige of uniforme initialisatie, gebruikt DEAL de structuur van het QUBO-probleem om de startparameters te bepalen:

Berekening van belang: Voor elke qubit $i$ wordt een "belangsscore" $s_i$ berekend door de som van de absolute waarden van de rij in de QUBO-matrix $Q$ te nemen ( $s_i = \sum_j |Q_{ij}|$ ).
Normalisatie: Deze scores worden genormaliseerd tot waarschijnlijkheidsverdelingen $w_i$ .
Parameter-encoding: De rotatiehoeken voor de cost ( $\gamma$ $γ$ ) en mixer ( $\beta$ $β$ ) Hamiltonians worden direct afgeleid van deze gewichten via niet-lineaire trigonometrische functies (arccos en arcsin).
- Dit zorgt voor een deterministische initialisatie met lage variantie, maar behoudt een specifieke bias voor het probleem, wat de convergentie versnelt en het risico op barren plateaus verkleint.
- Vroege lagen in het circuit benadrukken exploratie (grotere $\beta$ ), terwijl latere lagen exploitatie benadrukken (grotere $\gamma$ ).

B. Dynamische Fysieke Mapping

Qubits worden gesorteerd op basis van hun belang ( $w_i$ ) en toegewezen aan de fysieke qubits op de processor met de laagste ruis en de beste connectiviteit.
Dit minimaliseert de afstand tussen qubits die sterke interacties hebben in het probleem, wat de impact van fouten bij het uitvoeren van twee-qubit-gates (zoals CZ) vermindert.

C. Adaptieve Zero-Noise Extrapolation (ZNE)

Om de ruis op supergeleidende hardware te mitigeren, integreert DEAL een geavanceerde ZNE-strategie:

Pauli-twirling en gate-flip correctie: Er worden Pauli-gates ingevoegd om ruis te "twirlen" (vermengen).
Bayesiaanse optimalisatie: In plaats van simpele polynoomfitting, gebruikt DEAL een Bayesiaanse posterior-update om schalingsfactoren voor ruis ( $\lambda$ ) te optimaliseren. Deze factoren zijn gewogen op basis van de QPN-scores en de fysieke afstand tussen qubits.
Doel: Het extraheren van ruisvrije verwachtingswaarden door ruisniveaus te variëren en te extrapoleren, zonder extra ancilla-qubits te vereisen.

3. Belangrijkste Bijdragen

Directe Parameter-Mapping: DEAL elimineert de noodzaak voor zware klassieke zoekopdrachten voor parameterinitialisatie door een directe, probleemafhankelijke mapping van QUBO-coëfficiënten naar kwantum-gate hoeken.
Integratie van ZNE: Het framework combineert dynamische Hamiltonian-learning met adaptieve ruismitigatie, specifiek ontworpen voor de beperkingen van IBM's supergeleidende QPUs.
Verbeterde Convergentie: Door gebruik te maken van QPN en dynamische mapping, bereikt DEAL snellere convergentie naar de grondtoestand (ground state) vergeleken met standaard QAOA, zelfs bij beperkte circuitdiepte.
Open Source Implementatie: De code is beschikbaar via GitHub, gebaseerd op openQAOA en Qiskit.

4. Resultaten

De auteurs hebben DEAL getest op IBM's supergeleidende hardware (Torino en Marrakesh) en via statevector-simulaties op verschillende NP-hard problemen:

Success Rate: DEAL toonde een significante verbetering in de success rate (het vinden van de grondtoestandsenergie) vergeleken met "vanilla" QAOA. Op de Torino-processor werd een verbetering van meer dan 14% waargenomen bij 10 lagen.
Probleemsoorten: De methode werd succesvol toegepast op:
- Traveling Salesman Problem (TSP)
- Knapsack Problem (KP)
- MaxCut
Foutmitigatie: Zelfs bij hoge gate-aantallen (waarbij ruis normaal gesproken de resultaten domineert), hield DEAL de variantie binnen redelijke grenzen en leverde het bijna-optimale oplossingen op.
QNRE-metriek: De "Quantum Noise-Limited Relative Error" (QNRE) toonde aan dat DEAL effectiever is in het verkennen van de energie-landschappen voor KP en MaxCut vergeleken met TSP, waarbij de fouten door ruis werden geminimaliseerd.
Circuit Diepte: DEAL presteerde beter dan standaard QAOA bij lagere dieptes, wat cruciaal is voor NISQ-apparaten waar decoherentie (T1/T2 tijden) de maximale diepte beperkt.

5. Betekenis en Conclusie

Dit onderzoek biedt een nieuw paradigma voor het oplossen van NP-hard problemen op huidige, ruisgevoelige kwantumhardware.

Praktische Toepasbaarheid: DEAL verhoogt de praktische bruikbaarheid van kwantumoptimalisatie door de afhankelijkheid van perfecte hardware te verminderen en de convergentie te versnellen.
Schalbaarheid: De methode is schaalbaar en kan worden toegepast op grotere problemen door de QPN-methode om de connectiviteit en ruis op de processor te optimaliseren.
Toekomstperspectief: Door de combinatie van directe ansatz-learning en geavanceerde ruismitigatie, opent DEAL de weg voor efficiëntere kwantumoplossingen voor logistiek, emissiebeheer en andere complexe optimalisatieproblemen in de NISQ-ère, zonder te wachten op volledig foutgecorrigeerde kwantumcomputers.

Kortom, DEAL bewijst dat door slimme initialisatie gebaseerd op probleemstructuur en geïntegreerde ruismitigatie, kwantumalgoritmen hun potentieel op huidige hardware aanzienlijk kunnen vergroten.