⚛️ quantum physics

Cross-Platform Benchmarking of Near-Term Quantum Optimisation Algorithms

Dit artikel presenteert een benchmarkkader voor near-term quantum-optimalisatiealgoritmen (VQE en QA) op commerciële apparaten, waarbij wordt vastgesteld dat de prestaties bij volledig verbonden QUBO-problemen tot 72 variabelen worden beperkt door apparaatconnectiviteit, ruis en klassieke overhead.

Oorspronkelijke auteurs: Kieran McDowall, Theodoros Kapourniotis, Christopher Oliver, Phalgun Lolur, Konstantinos Georgopoulos

Gepubliceerd 2026-03-25

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Kieran McDowall, Theodoros Kapourniotis, Christopher Oliver, Phalgun Lolur, Konstantinos Georgopoulos

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

De Grote Wedstrijd: Wie is de Slimste?

Stel je voor dat je een enorme puzzel moet oplossen. Je hebt een vel papier met honderden gaatjes (atomen) en je moet precies drie gaatjes weglaten. Het doel is om de rest van de structuur zo sterk mogelijk te houden. Dit klinkt als een simpele taak, maar als je het aantal gaatjes vergroot, worden de mogelijke combinaties zo enorm dat zelfs de snelste supercomputers van de wereld er jaren over doen om de perfecte oplossing te vinden.

Dit is het soort probleem waar kwantumcomputers voor worden ontwikkeld. Ze beloven om dit soort "puzzels" veel sneller op te lossen dan traditionele computers. Maar de vraag is: werken ze nu al echt beter?

De auteurs van dit paper hebben een eerlijke wedstrijd georganiseerd om dit uit te zoeken. Ze hebben drie soorten "oplossers" tegen elkaar laten strijden:

De Klassieke Computer: De oude, vertrouwde supercomputer (zoals een simpele zoekmachine).
De Kwantum-Annealer: Een speciaal type kwantumcomputer dat werkt als een "smeltende ijzerklomp" die langzaam afkoelt om de beste vorm te vinden.
De Variatieve Kwantumcomputer: Een ander type dat werkt als een slimme leerling die steeds probeert, fouten maakt en zichzelf corrigeert.

De Proef: Het Gatenkransje

Om de wedstrijd eerlijk te maken, kozen ze een specifiek probleem: het analyseren van defecte grafietstructuren (een soort koolstofmateriaal).

De Analogie: Denk aan een honingraat van koolstofatomen. Je moet er drie atomen uit halen. Waar haal je ze uit zodat de rest van de honingraat zo min mogelijk schade oploopt?
Dit is een "dichte" puzzel: elk stukje hangt direct of indirect met alles anders samen. Dit maakt het extreem moeilijk voor gewone computers.

De Uitslag: Wie wint er?

De onderzoekers hebben deze puzzels opgelost met verschillende maten (van klein tot groot) en keken naar twee dingen: Hoe goed was de oplossing? en Hoe lang duurde het?

Hier zijn de belangrijkste bevindingen, vertaald naar alledaags taal:

1. De Klassieke Computer (Simulated Annealing) is nog steeds de kampioen.

Vergelijking: Stel je voor dat je een berg beklimt in de mist. De klassieke computer is als een ervaren wandelaar die systematisch elke helling afloopt. Hij is niet "magisch", maar hij is heel betrouwbaar.
Resultaat: Hij vond de beste oplossing en deed het zelfs sneller dan de kwantumcomputers, zelfs bij grote puzzels (tot wel 338 atomen). Hij groeide lineair: hoe groter de puzzel, hoe langer het duurde, maar het was nog steeds haalbaar.

2. De Kwantum-Annealer (D-Wave) heeft moeite met de "verbindingsproblemen".

Vergelijking: Deze computer is als een genie dat de oplossing in één keer kan "voelen", maar hij zit vast in een klein kantoor met slechte telefoonverbindingen. Om een grote puzzel op te lossen, moet hij eerst een enorme, ingewikkelde kabeltjes-structuur (een "embedding") bouwen om alle atomen met elkaar te verbinden.
Het probleem: Het bouwen van die kabeltjes kostte zoveel tijd dat de computer zelf nauwelijks nog tijd had om te rekenen.
Resultaat: Hij kon wel tot 72 atomen oplossen, maar de tijd die hij nodig had voor het "kabeltjes leggen" maakte hem trager dan de klassieke computer.

3. De Variatieve Kwantumcomputer (IBM QPU) worstelt met ruis.

Vergelijking: Deze computer is als een student die probeert een moeilijk examen te halen door te gokken en te leren. Maar de klas is erg luidruchtig (ruis/noise). De student hoort de vragen niet goed en raakt in de war.
Het probleem: Hoe groter de puzzel, hoe meer "ruis" er is. De computer raakt vast in een lokale minimum (een kleine kuil in het landschap) en denkt dat hij de top heeft gevonden, terwijl hij dat niet is.
Resultaat: Hij kon kleine puzzels oplossen, maar bij 72 atomen gaf hij vaak op of leverde hij slechte resultaten. De tijd die hij nodig had voor het "leren" (de klassieke computer die de kwantumcomputer aanstuurt) was enorm groot.

De Grote Leerlessen

Wat leert ons dit onderzoek voor de toekomst?

Kwantumcomputers zijn nog niet "superkrachtig" voor dit soort taken. Voor deze specifieke, dichte puzzels zijn de huidige klassieke methoden nog steeds sneller en nauwkeuriger.
De "kabeltjes" (Connectiviteit) zijn de bottleneck. Kwantumchips hebben vaak niet genoeg directe verbindingen tussen hun qubits. Om een dichte puzzel op te lossen, moeten ze kunstmatige verbindingen maken, wat veel tijd en energie kost.
Ruis is de vijand. De kwantumcomputers zijn nog niet stabiel genoeg. Ze maken fouten door omgevingsinvloeden, waardoor ze de perfecte oplossing missen.
Post-selectie is een trucje. De onderzoekers gebruikten een slimme truc: ze keken alleen naar de antwoorden die aan de regels voldeden en gooiden de rest weg. Dit hielp de kwantumcomputers om iets betere resultaten te krijgen, maar het lost het fundamentele probleem van snelheid en ruis niet op.

Conclusie

Dit paper is een eerlijke "reality check". Het toont aan dat we nog niet de "heilige graal" van de kwantumrekening hebben bereikt voor dit soort problemen. Hoewel de technologie indrukwekkend is, zijn de huidige machines nog te beperkt door ruis en connectiviteit om de beste klassieke computers te verslaan.

Het is alsof we een nieuwe, snellere auto hebben gebouwd (de kwantumcomputer), maar we rijden nog op een weg met veel gaten en verkeerslichten (ruis en connectiviteit). De oude, betrouwbare auto (de klassieke computer) komt op dit moment nog steeds sneller op zijn bestemming aan. Maar de onderzoekers geven ons wel een helder kaartje om te zien waar we de weg moeten repareren voor de toekomst.

Titel: Cross-Platform Benchmarking van Korte-termijn Quantum Optimalisatie Algoritmen

Auteurs: Kieran McDowall et al. (National Quantum Computing Centre, Universiteit van Strathclyde, Capgemini).

1. Het Probleem: Defecte Graphenestructuren en QUBO

De auteurs gebruiken het vinden van de laagste-energie configuratie van defecte grafenestructuren als representatieve testcase. Het specifieke probleem is het verwijderen van een vast aantal atomen (in dit geval 3) uit een hexagonale grafenrooster van $N$ sites, zodat het aantal resterende koolstof-koolstofbindingen wordt gemaximaliseerd (wat overeenkomt met het minimaliseren van de energie).

Formulering: Het probleem wordt gemodelleerd als een Densest k-Subgraph (DkS) probleem, een variant van het NP-hard probleem.
QUBO: Het probleem wordt vertaald naar een Quadratic Unconstrained Binary Optimisation (QUBO) formulering. De kostenfunctie bestaat uit twee delen:
1. Een objectiefterm die de bindingen maximaliseert (energie minimaliseert).
2. Een constraint-term (met een straffactor $\lambda$ ) die garandeert dat precies 3 atomen worden verwijderd.
Complexiteit: Hoewel de zoekruimte polynomiaal groeit voor een vast aantal vacatures, is het algemene DkS-probleem NP-hard. De QUBO-matrix is volledig verbonden (100% dichtheid), wat een grote uitdaging vormt voor huidige quantumhardware vanwege beperkte connectiviteit.

2. Methodologie: Cross-Platform Benchmarking Framework

De studie introduceert een eerlijk en systematisch benchmarking-framework om verschillende optimalisatiebenaderingen te vergelijken op dezelfde QUBO-instanties.

Gebruikte Algoritmen:

Klassiek:
- Brute Force: Exacte oplossing (alleen mogelijk voor kleine $N$ ).
- Gesimuleerde Temperatuur (Simulated Annealing - SA): Probabilistische heuristiek.
- Willekeurige Steekproef (Random Sampling): Baseline.
Quantum:
- Variational Quantum Eigensolver (VQE): Uitgevoerd op een gate-based QPU (IBM ibm_fez, 156 qubits) en een ruisvrije state-vector simulator. Gebruikt de RealAmplitudes ansatz en Conditional Value at Risk (CVaR) als doelwit voor de klassieke optimizer.
- Quantum Annealing (QA): Uitgevoerd op een D-Wave Advantage 6.4 systeem (5612 fysieke qubits).

Belangrijke Technieken:

Post-selectie: Omdat de QUBO een zachte constraint gebruikt (strafterm $\lambda$ ), kunnen oplossingen met het verkeerde aantal vacatures worden gegenereerd. Deze worden na het meten klassiek gefilterd (post-selectie) om de kans op de optimale oplossing te verhogen.
Embedding: Voor de D-Wave (QA) wordt gebruik gemaakt van minor embedding (standaard) en clique embedding (voor volledig verbonden problemen) om logische variabelen op fysieke qubits te mappen.
Metrieken: De prestaties worden gemeten aan de hand van:
- Kwaliteit: Kans op de optimale oplossing ( $P_s$ ) en Benaderingsratio (Approximation Ratio - AR).
- Tijd: User Runtime (totale tijd inclusief encoding en latentie) en QPU Time (tijd op de hardware).

3. Belangrijkste Bijdragen

Unificerend Framework: Een eerlijk vergelijkingskader voor gate-based variational algoritmen, quantum annealing en klassieke methoden op dezelfde QUBO-instanties.
Schalingsanalyse: Het testen van volledig verbonden QUBOs tot 72 variabelen op quantumhardware en tot 388 variabelen met gesimuleerde temperatuur.
Technische Inzichten:
- Het gebruik van een kleine straffactor ( $\lambda$ ) in combinatie met post-selectie levert een hogere kans op de optimale oplossing op dan het gebruik van een grote $\lambda$ (die de energie-range vergroot en het annealing-proces verstoort).
- Embedding-overhead is de grootste bottleneck voor Quantum Annealing; clique embedding schaalde beter in runtime voor volledig verbonden problemen dan minor embedding.
- VQE-convergentie wordt sterk beïnvloed door ruis en de initiële parameters; grote standaardafwijkingen in resultaten wijzen op het probleem van "barren plateaus" en lokale minima.
- Connectiviteitsbeperkingen en klassieke overhead (compilatie, transpilatie) beperken de schaalbaarheid van VQE op huidige hardware.

4. Resultaten

Prestaties op 18 variabelen:

Gesimuleerde Temperatuur (SA): De beste presteerder. Vond de optimale oplossing met ~99% kans en had de kortste runtime.
Quantum Annealing (QA): Vond de optimale oplossing met ~40% kans (na post-selectie). De QPU-tijd was verwaarloosbaar, maar de totale runtime werd gedomineerd door de embedding-tijd.
VQE (QPU): Bereikte ~60% kans op de optimale oplossing (na post-selectie), maar met een zeer grote standaardafwijking door variatie in initialisatie en ruis. De totale runtime was aanzienlijk langer dan SA (factoren van 100x), voornamelijk door klassieke compilatie en iteraties.
VQE (Simulator): Presteerde beter dan op de echte QPU, maar nog steeds slechter dan SA.

Schalingsgedrag:

SA: Toonde polynomiale schaling in runtime en kon probleemgroottes tot 338 variabelen oplossen.
QA: Toonde bewijs van polynomiale schaling met clique embedding. Het kon QUBOs tot 72 variabelen oplossen met een niet-nul kans op de optimale oplossing. Bij grotere maten daalde de kwaliteit echter snel.
VQE: Schaalbaarheid was beperkt. Boven de 50 variabelen faalde VQE op de QPU vaak om te convergeren naar een goede oplossing binnen de toegestane runtime. Bij 72 variabelen werden suboptimale oplossingen gevonden, maar de kans op de grondtoestand was verwaarloosbaar.

5. Betekenis en Conclusie

De studie concludeert dat, hoewel quantummethoden (zowel VQE als QA) in staat zijn om QUBO's op te lossen, gesimuleerde temperatuur (SA) op dit moment superieur is in zowel oplossingskwaliteit als runtime voor dit type dicht verbonden problemen.

Kritieke Beperkingen: De huidige quantumvoordeel wordt beperkt door hardware-connectiviteit (vereist zware embedding), ruis (die VQE-convergentie verstoort) en klassieke overheads (compilatie en optimalisatie).
Toekomstperspectief: Het paper benadrukt dat cross-platform benchmarking essentieel is om de voortgang van hardware en algoritmen te volgen. Het identificeert dat toekomstige verbeteringen (zoals foutcorrectie, betere embedding, warm-starts en geavanceerde ansatzes) nodig zijn voordat quantumcomputers een praktisch voordeel kunnen tonen voor dergelijke combinatorische optimalisatieproblemen.
Relevantie: Hoewel het specifieke grafenprobleem als testcase diende, is het ontwikkelde benchmarking-framework breed toepasbaar op andere optimalisatieproblemen in de industrie.

Kortom, dit werk levert een transparante, reproduceerbare evaluatie van de staat van de techniek (State-of-the-Art) in quantumoptimalisatie en laat zien dat klassieke heuristieken voor dicht verbonden problemen momenteel nog de concurrentie aangaan met de beste beschikbare quantumhardware.