Resource-Efficient Digitized Adiabatic Quantum Factorization

Technische Samenvatting: Efficiëntie-geoptimaliseerde Gedigitaliseerde Adiabatische Kwantumfactorisatie

Probleemstelling
Het artikel behandelt de uitdaging van het implementeren van efficiënte adiabatische kwantumfactorisatie op gedigitaliseerde (gate-gebaseerde) kwantumcomputers. Standaard benaderingen, zoals de methode voorgesteld door Peng et al. [1], formuleren integer factorisatie als een grondtoestandzoektocht naar een probleem-Hamiltoniaan afgeleid van een Polynomial Unconstrained Binary Optimization (PUBO) functie. Deze formulering resulteert in een Hamiltoniaan die niet-lokale drie- en vier-qubit interactietermen ($Z^3$ en $Z^4$) bevat. Op gedigitaliseerde apparaten vereisen deze hoog-orde interacties decompositie in meerdere natuurlijke twee-qubit gates (bijv. CNOTs). Deze complexiteit leidt tot diepe circuits met een hoog aantal gates, wat de fideliteit en schaalbaarheid van het algoritme ernstig beperkt; de succespercentages dalen drastisch voor getallen groter dan 91, zelfs bij gebruik van machine learning technieken.

Methodologie
De auteurs stellen een nieuw gedigitaliseerd adiabatisch algoritme voor dat de factorisatieproblematiek herformuleert met behulp van een Quadratic Unconstrained Binary Optimization (QUBO) raamwerk. De kern van de methodologische verschuiving omvat twee belangrijke wijzigingen:

1. Kernel Subspace Encoding: In plaats van de oplossing te coderen als de grondtoestand (energie-minimum nul) van een gekwadrateerde functie $F^2$, definiëren de auteurs de probleem-Hamiltoniaan $\hat{H}_{LP}$ als de lineaire functie $F(N, \hat{p}', \hat{q}')$ zelf. In deze formulering komt de oplossing overeen met de nul-energie eigenstaat (de kernel subspace) van de Hamiltoniaan, wat een geëxciteerde toestand is ten opzichte van het globale spectrum, in plaats van de grondtoestand.
2. QUBO Formulering: Door gebruik te maken van de lineaire functie, bevat de resulterende Hamiltoniaan alleen twee-body interacties, waardoor het een QUBO-probleem wordt. Dit elimineert de noodzaak voor NP-harde polynomiale reducties en hulpvariabelen die doorgaans nodig zijn om PUBO-problemen naar QUBO te mappen.

Het algoritme wordt geïmplementeerd met behulp van een Variational Quantum Algorithm (specifiek QAOA). Het protocol initialiseert het systeem in een uniforme superpositietoestand (specifiek $|+\rangle|-\rangle\dots$ om aan te sluiten bij de null-subspace van $\hat{H}_{LP}$) en evolueert het met alternerende unitaries afgeleid van de kosten-Hamiltoniaan ($\hat{H}_{LP}$) en een meng-Hamiltoniaan ($\hat{H}_M$). De kostenfunctie die door klassieke optimaliseerders wordt geminimaliseerd, wordt gedefinieerd als de verwachtingswaarde van de absolute waarde van de Hamiltoniaan, $C_{LP} = \langle |\hat{H}_{LP}| \rangle$, om convergentie naar de nul-eigenwaarde oplossing te waarborgen.

Belangrijkste Bijdragen

• Circuit Vereenvoudiging: De voorgestelde QUBO-aanpak reduceert de probleem-Hamiltoniaan tot twee-body interacties. Dit elimineert de noodzaak om complexe multi-qubit gates te decomponeren, wat de circuitdiepte aanzienlijk vermindert.
• Nieuwe Encoding Strategie: Het artikel demonstreert dat adiabatische factorisatie succesvol kan worden uitgevoerd door de kernel subspace (nul-energie geëxciteerde toestand) te targeten in plaats van de grondtoestand, waarmee de beperkingen van PUBO-formuleringen worden omzeild.
• Robuustheidsanalyse: De auteurs analyseren de spectrale dichtheid van de Hamiltoniaanse functies en tonen aan dat de QUBO-formulering een lossere dichtheid van toestanden biedt rond de oplossingssubspace vergeleken met de PUBO-formulering, wat helpt bij het vermijden van lokale minima en barren plateaus tijdens de optimalisatie.

Resultaten
De auteurs hebben hun QUBO-gebaseerde algoritme getest tegen de standaard PUBO-aanpak voor het factoriseren van integers tot 8 bits (specifiek $N=25, 119, 143$).

• Gate Complexiteit: Voor een enkele laag van het QAOA-circuit vereist de QUBO-aanpak aanzienlijk minder CNOT-gates. Bijvoorbeeld, het factoriseren van $N=25$ vereist 8 CNOTs per laag voor de QUBO-methode, vergeleken met 34 CNOTs voor de PUBO-methode (na decompositie van 3- en 4-qubit gates).
• Fideliteit en Betrouwbaarheid: Het QUBO-algoritme vertoont een aanzienlijk hogere fideliteit bij het identificeren van de juiste factoren. Voor grotere getallen zoals $N=119$ en $N=143$ faalt de PUBO-aanpak om de waarschijnlijkheidsamplitude op de juiste oplossing te concentreren, wat resulteert in lage confidence scores en een hoge Shannon entropie. In contrast hiermee slaagt de QUBO-aanpak erin de correcte oplossingstoestanden te populeren.
• Convergentie van de Kostenfunctie: Het QUBO-algoritme bereikt een diepere reductie in de kostenfunctie (tot wel 3 ordes van grootte voor $N=143$) vergeleken met de PUBO-aanpak (tot wel 2 ordes van grootte), wat duidt op effectievere optimalisatie.
• Spectrale Analyse: De analyse van de energiespectra onthult dat de PUBO-Hamiltoniaan een hoge dichtheid van toestanden nabij de oplossing heeft, wat een "vlak" landschap creëert dat klassieke optimaliseerders belemmert. De QUBO-Hamiltoniaan vertoont een breder gespreid spectrum met grotere energiekloven nabij de kernel subspace, wat de state preparation vergemakkelkt.

Betekenis en Claims
Het artikel claimt dat dit werk een middelen-efficiënt pad biedt voor gedigitaliseerde adiabatische kwantumfactorisatie. De primaire betekenis ligt in de substantiële reductie van de circuitcomplexiteit en de bijbehorende toename van algoritmische fideliteit, waardoor de factorisatie van grotere integers haalbaar wordt op nabije-term apparaten (near-term devices).

De auteurs benadrukken dat hoewel het targeten van een geëxciteerde toestand (de kernel) uitdagend is voor kwantum-annealers vanwege het gebrek aan grondtoestand-decoherentiebescherming, dit juist voordelig is voor gedigitaliseerde kwantum-annealers. In gate-gebaseerde systemen, waar decoherentie vaak wordt bepaald door lokale single-qubit verval, minimaliseert het gereduceerde aantal gates de totale runtime en de blootstelling aan fouten. De resultaten suggereren dat QUBO-gebaseerde formuleringen beter kunnen presteren dan PUBO-gebaseerde formuleringen in QAOA-gebaseerde optimalisatie, wat de eerdere literatuur die aannam dat PUBO noodzakelijk of superieur was voor bepaalde probleemstructuren, uitdaagt. Dit werk motiveert verder onderzoek naar gedigitaliseerde adiabatische protocollen voor bredere getaltheoretische problemen en complexe Hamiltoniaanse functies.