⚛️ quantum physics

Closing the Loop: Resource-aware Hybrid NAS Guided by Analytical and Hardware-Calibrated Quantum Cost Modeling

Deze paper introduceert Hyb-HANAS, een hardware-bewust zoekraamwerk voor hybride neurale architecturen dat een nieuw analytisch kostenmodel gebruikt om de echte hardwarekosten van quantum- en klassieke componenten op NISQ-apparaten nauwkeuriger te schatten en zo optimale trade-offs tussen nauwkeurigheid, kosten en parameteraantal te vinden.

Oorspronkelijke auteurs: Muhammad Kashif, Alberto Marchisio, Muhammad Shafique

Gepubliceerd 2026-03-03

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Muhammad Kashif, Alberto Marchisio, Muhammad Shafique

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 superkrachtige robot wilt bouwen. Deze robot heeft twee hersenen: één is een klassieke computer (zoals de laptop die je nu gebruikt) en de andere is een quantumcomputer (een heel nieuw, raar apparaat dat werkt met de wetten van de quantummechanica). Samen vormen ze een "Hybride Neural Network" (HQNN).

Het probleem? Het is enorm lastig om te voorspellen hoe lang zo'n robot nodig heeft om te leren of hoeveel energie hij verbruikt.

Het Probleem: De "Valse" Meter

In de wereld van klassieke computers gebruiken onderzoekers vaak een maatstaf genaamd FLOPs (rekenbewerkingen per seconde) om te zeggen: "Hoe zwaar is dit werk?"

De analogie: Stel je voor dat FLOPs een kilometermeter is in een auto. Voor een normale auto werkt dit perfect.

Maar voor een hybride robot werkt deze kilometermeter niet meer.

De quantum-hersenen werken niet met kilometers (rekenbewerkingen), maar met tijd en fysieke beperkingen.
Als je een quantum-bewerking doet, telt de kilometermeter (FLOPs) soms niets, en soms telt hij alleen de moeite die de klassieke computer doet om de quantum-bewerking te simuleren.
Het gevolg: Je denkt dat je robot heel snel en efficiënt is, maar in werkelijkheid duurt het op een echte quantumcomputer eeuwen. Het is alsof je denkt dat je met een fiets snel bent omdat je de motor van een raceauto niet meetelt, terwijl je juist die raceauto nodig hebt.

De Oplossing: Een Nieuwe "Tijdmeter"

De auteurs van dit papier hebben een nieuwe manier bedacht om de kosten te meten. In plaats van te kijken naar "hoeveel berekeningen", kijken ze naar "hoeveel tijd kost het echt?"

Ze hebben twee meetinstrumenten ontwikkeld die samenwerken:

Voor de klassieke hersenen: Ze kijken naar de snelheid van de chip en zetten de berekeningen om in seconden.
Voor de quantum-hersenen: Dit is het nieuwe en slimme deel. Ze kijken niet naar simpele berekeningen, maar naar de echte fysieke realiteit van de quantumcomputer:
- Hoe lang duurt het om een kwantum-deeltje (qubit) te draaien?
- Hoeveel extra tijd kost het om qubits met elkaar te verbinden als ze niet naast elkaar zitten (zoals een verkeersopstopping)?
- Hoeveel extra metingen moet je doen omdat de quantumcomputer soms fouten maakt door ruis (zoals een slechte radioverbinding waar je de boodschap vaker moet herhalen)?

Ze noemen dit een "Analytisch Kwantum Kostemodel". Het is alsof ze een voorspelling doen op basis van de weersvoorspelling en de staat van de weg, in plaats van alleen te kijken naar de snelheid van je auto.

De Robotbouwer: Hyb-HANAS

Nu ze een eerlijke manier hebben om tijd te meten, hebben ze een slimme "robotbouwer" bedacht, genaamd Hyb-HANAS.

Hoe werkt het? Stel je voor dat je een architect bent die duizenden verschillende ontwerpen voor je robot maakt. De meeste ontwerpen zijn slecht: ze zijn te traag of te duur.
De zoektocht: Hyb-HANAS is een slimme zoekmachine (een algoritme) die duizenden ontwerpen probeert. Hij gebruikt een truc genaamd NSGA-II.
- Hij probeert niet alleen de robot zo slim mogelijk te maken (hoge nauwkeurigheid).
- Hij probeert hem ook zo snel mogelijk te maken (lage tijdskost).
- Hij probeert hem zo klein mogelijk te houden (weinig parameters).
Het resultaat: In plaats van één "beste" robot, vindt hij een Pareto-front. Dat is een lijst met de "slimste keuzes". Bijvoorbeeld: "Als je 10% minder nauwkeurigheid accepteert, wordt je robot 50% sneller." Of: "Als je een iets complexere quantum-hersenen kiest, wordt hij veel stabieler."

Waarom is dit belangrijk?

Vroeger bouwden mensen hybride robots op basis van gokken of simpele schattingen. Ze dachten: "Dit ontwerp ziet er goed uit op papier." Maar als ze het op een echte quantumcomputer probeerden, faalde het omdat het te lang duurde of te veel ruis had.

Met deze nieuwe methode:

Geen dure fouten meer: Je hoeft niet eerst een robot op een dure, echte quantumcomputer te testen om te zien of hij werkt. De "tijdmeter" voorspelt het al.
Echte balans: Je kunt nu eerlijk vergelijken tussen de klassieke en quantum-delen. Je ziet precies waar de tijd naartoe gaat (bijvoorbeeld: 80% van de tijd gaat naar het overbruggen van de verbindingen tussen de qubits).
Toekomstgericht: Het helpt onderzoekers om de beste hybride robots te bouwen die echt werken op de quantumcomputers van vandaag en morgen.

Kortom: Dit papier is als het vinden van de juiste meetlat voor een wereld die nog niet bestaat. Ze hebben een manier bedacht om te zeggen: "Dit ontwerp is niet alleen slim, het is ook haalbaar in de echte wereld, en hier is precies hoe lang het duurt."

Probleemstelling

Hybride kwantum-klassieke neurale netwerken (HQNNs) combineren klassieke lagen met kwantumcircuits. Het ontwerpen van dergelijke netwerken via Neural Architecture Search (NAS) is echter hinderd door twee fundamentele problemen:

Onvoldoende kostmodellen: Bestaande methoden gebruiken vaak Floating Point Operations (FLOPs) om de rekkracht te schatten. FLOPs zijn echter ongeschikt voor kwantumlagen omdat kwantumoperaties geen tensor-berekeningen zijn en hun hardwarekosten afhangen van kwantumspecifieke factoren zoals qubit-connectiviteit, ruis (noise) en decoherentie. FLOPs tellen kwantumlagen vaak als een "black box" of onderschatten de werkelijke kosten aanzienlijk.
Praktische beperkingen: Het trainen van kwantumcircuits op echte NISQ-apparaten (Noisy Intermediate-Scale Quantum) vereist duizenden uitvoeringen, wat onpraktisch en duur is. Simulaties op klassieke computers gebruiken vaak vereenvoudigde modellen die de echte hardwarebeperkingen negeren.

Er is een gebrek aan een gesloten lus tussen architectuurontwerp en de werkelijke hardwarekosten, wat leidt tot inefficiënte of onuitvoerbare HQNN-ontwerpen.

Methodologie

De auteurs stellen een nieuwe aanpak voor die bestaat uit drie kerncomponenten:

1. Analytisch Kwantum Kostmodel (Hardware-gekalibreerd)

In plaats van FLOPs, schatten de auteurs de kosten van kwantumlagen in tijd (seconden) op basis van real-time kalibratiegegevens van de kwantumhardware (bijv. IBM Quantum backends). Het model (Algorithm 2) berekent de totale effectieve tijd als volgt:

Poortdurendheid: Som van de tijden voor alle 1-qubit en 2-qubit poorten.
Routing-overhead: Extra tijd veroorzaakt door het transpileren van het circuit om beperkte qubit-connectiviteit te omzeilen (invoegen van SWAP-poorten).
Ruis-geïnduceerde inefficiëntie: Een statistische correctiefactor die rekening houdt met poortfouten en decoherentie. Omdat ruis de betrouwbaarheid verlaagt, zijn meer "shots" (metingen) nodig om een accuraat resultaat te krijgen. Dit wordt gemodelleerd als een tijdsstraf: $T_{eff} = T_{logical} / (1 - p_{fail})$ .
Gradiëntevaluatie: Voor QML-algoritmes wordt de parameter-shift regel gebruikt, wat twee circuit-evaluaties per parameter vereist.

2. Analytisch Klassiek Kostmodel

Om een eerlijke vergelijking mogelijk te maken, wordt het klassieke deel ook omgezet naar tijd.

De FLOPs van de klassieke lagen worden omgezet naar tijd door gebruik te maken van een apparaatspecifieke doorvoer (throughput) ( $\Phi_{device}$ ), gemeten via een referentiemodel.
Dit zorgt ervoor dat zowel klassieke als kwantumkosten worden uitgedrukt in dezelfde fysieke eenheid (seconden).

3. Hyb-HANAS Framework

De auteurs introduceren Hyb-HANAS, een hardware-bewuste NAS-framework gebaseerd op NSGA-II (een multi-objectieve evolutionair algoritme).

Doel: Het gezamenlijk optimaliseren van nauwkeurigheid, totale hardwarekosten (klassiek + kwantum) en het aantal parameters.
Zoekruimte: Ondersteunt zowel een "Fixed CNN"-modus (alleen kwantumlaag wordt geoptimaliseerd) als een "Variable CNN"-modus (zowel klassieke als kwantumlagen worden samen geëvolueerd).
Workflow: Het framework gebruikt een "hardware-in-the-loop" simulatie. De training gebeurt op een simulator (voor snelheid), maar de kosten worden geschat met het analytische model gebaseerd op echte hardware-data. Dit elimineert de noodzaak voor dure, echte hardware-uitvoeringen tijdens de zoektocht.

Belangrijkste Bijdragen

Identificatie van FLOPs-beperkingen: Het paper demonstreert dat FLOPs voor kwantumlagen misleidend zijn; ze weerspiegelen vaak alleen de klassieke simulatie-overhead en niet de echte kwantumkosten.
Unificatie van kostenmodellen: De ontwikkeling van een uniek, tijd-gebaseerd kostmodel dat kwantum- en klassieke componenten op een consistente schaal brengt, rekening houdend met real-world hardwarebeperkingen (routing, ruis).
Hyb-HANAS Framework: Een implementatie van multi-objectieve NAS die Pareto-optimale oplossingen vindt voor HQNNs, waarbij de trade-offs tussen nauwkeurigheid en hardwarekosten direct worden beïnvloed door fysieke hardwarefactoren.
Brede toepasbaarheid: Het analytische model is niet beperkt tot NAS; het kan ook worden gebruikt voor hardware-benchmarking, compiler-evaluatie en het schatten van trainingtijden voor NISQ-apparaten.

Resultaten

Validatie van het model: Het analytische model toonde een sterke correlatie met de tijdschattingen van de IBM Qiskit-scheduler, maar was iets conservatiever omdat het alle gekalibreerde poorttijden meerekende (in tegenstelling tot Qiskit dat sommige rotaties als nul-tijd beschouwt).
Fixed CNN Modus: Bij het vasthouden van de klassieke lagen en alleen de kwantumlaag te variëren, bleek dat efficiënte, ondiepe circuits vergelijkbare nauwkeurigheid kunnen bereiken als diepere, complexere circuits, maar met aanzienlijk lagere hardwarekosten.
Variable CNN Modus: Wanneer zowel klassieke als kwantumlagen worden geoptimaliseerd, ontstaat er een rijker spectrum aan Pareto-optimale oplossingen. Het systeem toont co-adaptatie: als de klassieke CNN zwaarder wordt, kiest het algoritme voor eenvoudigere, goed gerouteerde kwantumcircuits om de kosten te drukken. Als de klassieke CNN lichter is, neemt het systeem complexere kwantumarchitecturen voor zijn rekening.
Kostenontleding (Ablatie): De analyse toonde aan dat bij complexere circuits de routing-overhead en betrouwbaarheidsstraffen (door ruis) de dominante kostenfactoren worden, vaak meer dan de logische poorttijden zelf. Dit benadrukt het belang van het vermijden van diepe circuits met veel 2-qubit poorten op huidige hardware.

Significantie

Dit paper is van groot belang voor de ontwikkeling van praktische hybride AI-systemen op kwantumhardware. Door de "gesloten lus" te sluiten tussen architectuurontwerp en fysieke hardwarerealiteit, voorkomt het onderzoek dat onderzoekers inefficiënte netwerken ontwerpen die op echte apparaten niet werken.

Het biedt een realistische schattingsmethode die de kloof tussen simulatie en echte hardware overbrugt.
Het onderstreept dat toekomstige NAS-studies voor kwantumcomputing hardware-bewuste metrieken moeten gebruiken in plaats van abstracte complexiteitsmaten zoals FLOPs.
Het stelt onderzoekers in staat om HQNNs te ontwerpen die niet alleen nauwkeurig zijn, maar ook uitvoerbaar en kostenefficiënt op huidige en toekomstige NISQ-apparaten.