⚛️ quantum physics

Reducing the Complexity of Matrix Multiplication to $O(N^2log_2N)$ by an Asymptotically Optimal Quantum Algorithm

Dit artikel presenteert een nieuw kwantumalgoritme voor matrixvermenigvuldiging (QKMM) dat met een complexiteit van $O(N^2 \log_2 N)$ theoretisch en praktisch efficiënter is dan de huidige klassieke methoden.

Oorspronkelijke auteurs: Jiaqi Yao, Ding Liu

Gepubliceerd 2026-02-10

📖 3 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jiaqi Yao, Ding Liu

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 gigantische bibliotheek hebt met miljoenen boeken, en je moet een specifiek antwoord vinden dat in al die boeken verspreid staat.

De Klassieke Methode (De supersnelle bibliothecaris)
Normaal gesproken sturen we een supersnelle bibliothecaris (een klassieke computer) naar binnen. Deze bibliothecaris is ongelooflijk snel, maar hij moet nog steeds elk boek één voor één bekijken of in slimme groepjes vergelijken. Hoe groter de bibliotheek, hoe langer hij erover doet. Zelfs de slimste bibliothecarissen ter wereld (de huidige beste algoritmen) lopen tegen een muur aan: de hoeveelheid werk groeit sneller dan de snelheid waarmee ze kunnen rennen.

Het Probleem: De "Matrix" Berg
In de wereld van AI (zoals ChatGPT) draait alles om 'matrixvermenigvuldiging'. Zie een matrix als een gigantische tabel met getallen. Om een AI te trainen, moet de computer miljarden van dit soort tabellen met elkaar combineren. Het is alsof je miljarden legoblokjes tegelijkertijd moet sorteren op kleur, vorm en gewicht. Dat kost ontzettend veel tijd en energie.

De Nieuwe Oplossing: De "Quantum-Spiegelzaal" (QKMM)
De onderzoekers van de Tiangong Universiteit hebben een nieuwe manier bedacht met een quantumcomputer. In plaats van een bibliothecaris die boeken leest, gebruiken zij een soort "magische spiegelzaal".

In een quantumcomputer werken deeltjes niet als losse boeken, maar als golven die overal tegelijk kunnen zijn (superpositie). Het nieuwe algoritme, genaamd QKMM, werkt als volgt:

De Magische Scan: In plaats van elk getal in de tabel één voor één te pakken, "vertaalt" het algoritme de hele tabel naar een quantumtoestand (een soort lichtpatroon).
De Spiegel-Interactie: Door gebruik te maken van een techniek die lijkt op een "quantum-kern", laten ze de twee tabellen met elkaar "botsen" in de spiegelzaal. De informatie van de ene tabel reflecteert op de andere.
Het Antwoord in de Schaduw: In plaats van de uitkomst te berekenen door te tellen, kijken ze naar de patronen die ontstaan door de interactie. Het antwoord "verschijnt" als een specifiek patroon in de golven.

Waarom is dit een doorbraak?
De onderzoekers hebben bewezen dat hun methode "asymptotisch optimaal" is. Dat klinkt ingewikkeld, maar het betekent simpelweg dit:

Klassiek: Als de tabel 10 keer zo groot wordt, wordt de klus misschien wel 1000 keer zo zwaar.
Dit Quantum-algoritme: Als de tabel 10 keer zo groot wordt, groeit de klus bijna lineair mee. Het algoritme blijft "rustig" terwijl de rest van de wereld in paniek raakt door de enorme hoeveelheid data.

Is het al klaar voor gebruik?
Nog niet helemaal. De onderzoekers geven eerlijk toe dat quantumcomputers nu nog een beetje "ruis" hebben (vergelijk het met een spiegelzaal waar de spiegels nog een beetje beslagen zijn). Als de spiegels beslagen zijn, wordt het beeld wazig. Maar hun onderzoek laat zien dat hun methode veel beter bestand is tegen die waas dan alle eerdere methoden.

Kortom: Ze hebben een nieuwe, super-efficiënte blauwdruk gemaakt voor hoe we in de toekomst de enorme rekenkracht van AI kunnen aansturen, zonder dat de computers smelten van de inspanning.

Technische Samenvatting: Reductie van de Complexiteit van Matrixvermenigvuldiging naar $O(N^2 \log^2 N)$ via een Asymptotisch Optimaal Quantumalgoritme

1. Het Probleem (Problem Statement)

Matrixvermenigvuldiging is een fundamentele operatie in de klassieke informatica, essentieel voor toepassingen zoals deep learning en wetenschappelijke berekeningen. Hoewel de klassieke complexiteit decennialang is verlaagd (van $O(N^3)$ naar de huidige record van $O(N^{2.371552})$ ), blijft het een computationele flessenhals bij grote schaal.

Bestaande quantumalgoritmen voor matrixvermenigvuldiging (QMM) kampen met een gebrek aan standaardisatie in complexiteitsmeting en vertonen vaak een suboptimale schaling (zoals $O(N^3)$ ) door inefficiënte circuit-stapeling of een hoog verbruik van qubits en poorten, wat problematisch is voor de huidige NISQ-hardware (Noisy Intermediate-Scale Quantum).

2. Methodologie (Methodology)

De auteurs introduceren het Quantum Kernel-based Matrix Multiplication (QKMM) algoritme. De kern van de methodologie is gebaseerd op het gebruik van quantum kernels om innerlijke producten (inner products) te berekenen via amplitude-encodering.

Het algoritme is opgebouwd uit vier hiërarchische niveaus van parallelle uitbreidingen:

Vector-to-Vector (V2V): De basisbouwsteen die het modulus-innerproduct van twee vectoren berekent door de coëfficiënt van de grondtoestand $|0\rangle^{\otimes n}$ in een superpositietoestand te meten. Dit elimineert de noodzaak voor ancilla-qubits en metingen die de data verstoren.
Vector-to-Matrix (V2M): Een uitbreiding waarbij een matrix wordt ontbonden in rijen, die via een index-register en multi-controlled amplitude-encodering worden verwerkt.
Matrix-to-Matrix (M2M): Een duale parallelle uitbreiding waarbij zowel rijen van matrix $A$ als kolommen van matrix $B$ worden gecodeerd in twee index-registers, waardoor de volledige matrixproduct-resultaten in één circuit kunnen worden verkregen.
Multi-Matrix Multiplication (M-MM): Een verdere optimalisatie waarbij één matrix gelijktijdig met meerdere (unitaire) matrices wordt vermenigvuldigd.

De complexiteitsanalyse wordt uitgevoerd op basis van het aantal quantum gates, wat een fijnmaziger en consistenter meetinstrument is dan het klassieke aantal vermenigvuldigingen.

3. Belangrijkste Bijdragen (Key Contributions)

Nieuwe Complexiteitsstandaard: Het paper stelt voor om de gate-complexiteit als de fundamentele eenheid voor QMM-evaluatie te gebruiken.
Asymptotische Optimaliteit: De auteurs bewijzen wiskundig dat hun algoritme een complexiteit heeft van $O(N^2 \log^2 N)$ . Omdat $\log N$ relatief traag groeit ten opzichte van $N$ , nadert dit de theoretische ondergrens van $O(N^2)$ naarmate $N$ groeit.
Efficiëntie in Resourcegebruik: In vergelijking met eerdere methoden (zoals de Swap Test of Hadamard Test) gebruikt QKMM minder qubits en vertoont het een superieure schaling in gate-aantal.

4. Resultaten (Results)

De auteurs valideerden hun algoritme via simulaties op klassieke computers (met de pyQPanda bibliotheek) onder twee condities:

Ruisloze simulaties (Noiseless): De resultaten tonen aan dat de rekentijd aanzienlijk afneemt naarmate de mate van parallellisme toeneemt. De theoretische voordelen van quantum-superpositie worden hiermee empirisch bevestigd.
Ruisgevoelige simulaties (Noisy): Er werd getest met realistische parameters van supergeleidende quantumprocessors (zoals $T_1$ $T_{1}$ , $T_2$ $T_{2}$ relaxatietijden en gate-fouten).
- Het algoritme bleek robuust bij lage dimensies.
- Bij hogere dimensies bleek quantum gate noise de dominante factor voor fouten, sterker nog dan omgevingsruis ( $T_1/T_2$ ).
- De combinatie van verschillende ruisbronnen leidde tot een niet-lineaire verslechtering van de fidelity, wat de uitdagingen van diepe circuits in het NISQ-tijdperk onderstreept.

5. Betekenis (Significance)

Dit werk is van groot belang omdat het een brug slaat tussen theoretische quantumcomplexiteit en praktische implementatie. Door een algoritme te bieden dat de klassieke limieten ( $O(N^{2.37})$ ) doorbreekt, opent het de deur naar "quantum-intensive computing". Dit kan de training van massale AI-modellen en complexe wetenschappelijke simulaties fundamenteel versnellen zodra quantumhardware de benodigde diepte en foutcorrectie bereikt.

Technische Samenvatting: Reductie van de Complexiteit van Matrixvermenigvuldiging naar O(N2log⁡2N)O(N^2 \log^2 N)O(N2log2N) via een Asymptotisch Optimaal Quantumalgoritme