Comparing Quantum Annealing and BF-DCQO

In de race om de moeilijkste puzzels ter wereld op te lossen, kijken wetenschappers al lang naar het vreemde gedrag van de kwantumwereld voor een voordeel. Er zijn twee belangrijke benaderingen naar voren gekomen om deze kracht te benutten. De eerste is quantum annealing, een methode waarbij een machine langzaam wordt geleid van een eenvoudig startpunt naar een complexe bestemming, waardoor het systeem op natuurlijke wijze kan bezinken in de best mogende oplossing, vergelijkbaar met een bal die een heuvel afrolt om het laagste dal te vinden. De tweede benadering betreft gate-model kwantumcomputers, die informatie manipuleren in discrete stappen met behulp van logische poorten, vergelijkbaar met hoe een traditionele computer gegevens verwerkt, maar dan met het toegevoegde vermogen om in meerdere toestanden tegelijk te bestaan. Onlangs stelden onderzoekers een hybride techniek voor die deze twee werelden combineert, waarbij een klassieke computer een gate-model kwantumprocessor door een reeks stappen leidt om optimalisatieproblemen op te lossen. Deze methode, bekend als bias-field digitized counterdiabatic quantum optimization, werd beweerd superieur te zijn aan bestaande quantum annealing-machines. Een nieuwe analyse suggereert echter dat het verhaal heel anders in elkaar steekt, en onthult dat het kwantumgedeelte van dit hybride systeem mogelijk heel weinig van het eigenlijke werk doet.

Een team onderzoekers van D-Wave Quantum zette zich scharpe om deze claims te testen door de prestaties van hun quantum annealers direct te vergelijken met het hybride algoritme. Ze richtten zich op een specifiek type probleem waarbij het doel is om de laagste energietoestand te vinden tussen een enorm aantal mogelijkheden, een taak die veel voorkomt in logistiek, financiën en materiaalkunde. De in kwestie zijnde hybride methode maakt gebruik van een feedbackloop waarbij een klassieke computer de resultaten van een kwantumrun analyseert en vervolgens de instellingen voor de volgende run aanpast, waardoor het systeem geleidelijk naar een beter antwoord wordt gestuurd. De oorspronkelijke voorstanders van deze methode rapporteerden dat deze beter presteerde dan de D-Wave-machines. De nieuwe studie vond echter het tegenovergestelde waar. Wanneer de onderzoekers dezelfde problemen draaiden op de quantum annealers van D-Wave, vonden de machines oplossingen van een veel hogere kwaliteit in een fractie van de tijd.

Om te begrijpen waarom de hybride methode mogelijk overschat is, introduceerden de onderzoekers een eenvoudige controletest. Ze vervingen de kwantumcomputer in de hybride workflow door een zeer basale, "domme" klassieke routine die simpelweg bits omdraait om de oplossing één voor één te verbeteren. Verrassend genoeg presteerde deze triviale klassieke vervanger net zo goed als, en vaak zelfs beter dan, het complexe hybride systeem dat de kwantumprocessor bevatte. Dit resultaat suggereert dat het kwantumcomponent van de hybride benadering niet significant bijdroeg aan de kwaliteit van de antwoorden. In plaats daarvan kwamen de verbeteringen waarschijnlijk voort uit het vermogen van de klassieke computer om de zoektocht te verfijnen en te sturen, waarbij de klassieke computer effectief het zware werk deed terwijl de kwantummachine een secundaire, misschien zelfs passieve rol speelde.

De studie onderzocht ook de tijd die nodig was om deze oplossingen te bereiken, een factor die vaak over het hoofd wordt gezien bij prestatieclaims. De onderzoekers berekenden dat het draaien van het hybride algoritme op een gate-model kwantumcomputer tientallen malen langer zou duren dan het draaien van hetzelfde probleem op een quantum annealer. Bijvoorbeeld, in tests met specifieke soorten complexe problemen voltooide de annealer de taak in minder dan een seconde, terwijl de hybride methode, zelfs met optimistische schattingen, bijna een minuut of meer zou vereisen. Dit enorme verschil in snelheid, gecombineerd met de bevinding dat het kwantumgedeelte van de hybride systeem weinig waarde toevoegt, geeft aan dat de annealing-benadering nog steeds het meest efficiënte instrument is voor deze specifieke optimalisatie-uitdagingen.

De onderzoekers waren zorgvuldig om ervoor te zorgen dat hun vergelijking eerlijk en reproduceerbaar was. Ze merkten op dat de oorspronkelijke studies die de superioriteit van de hybride methode claimden, hun ruwe gegevens niet hadden gedeeld, dus heeft het team hun eigen probleemsets gegenereerd op basis van de gepubliceerde beschrijvingen. Ze testten deze op de nieuwste generatie D-Wave hardware, die duizenden qubits bevat, waardoor ze problemen konden oplossen die voorheen te groot waren. In elk geval leverde de quantum annealer betere oplossingen sneller aan. De studie concludeert dat hoewel hybride algoritmen een interessant onderzoeksgebied zijn, de specifieke claims van superioriteit voor deze specifieke methode niet door het bewijs werden ondersteund. De quantum annealer, door nabij zijn grondtoestand te blijven en langzaam te evolueren, bleek een robuustere en snellere solver te zijn voor de geteste problemen, terwijl de hybride benadering sterk leek te vertrouwen op klassieke computertrucs die zonder enige kwantumhardware gereproduceerd konden worden.