Variational Gibbs State Preparation on Trapped-Ion Devices

In dit artikel wordt een variatiele kwantumalgoritme voor het voorbereiden van Gibbs-toestanden van een transverse-field Ising-model op IonQ's kwantumcomputers geïmplementeerd, waarbij blijkt dat de fideliteit afneemt bij toenemende systeemgrootte en inverse temperatuur, en dat digitale verwarming door thermische fluctuaties in de hardware leidt tot een hogere effectieve temperatuur dan beoogd.

De kern

De Missie: Het Koken van een Perfecte "Quantum-soep"

Stel je voor dat je een chef-kok bent in een heel speciale keuken: een quantumcomputer. Je doel is niet om een pizza te bakken, maar om een heel specifieke toestand van materie te creëren die "Gibbs-toestand" wordt genoemd.

In de echte wereld is dit vergelijkbaar met het bereiden van een soep op een exacte temperatuur.

• Als de soep heet is (hoge temperatuur), bewegen de deeltjes wild en chaotisch.
• Als de soep koud is (lage temperatuur), bewegen de deeltjes langzaam en geordend.

De wetenschappers in dit artikel wilden bewijzen dat ze deze "soep" (de Gibbs-toestand) op een IonQ quantumcomputer (die werkt met gevangen ionen, oftewel geladen atomen) kunnen bereiden. Ze wilden zien of de computer de soep op de exacte temperatuur kon houden die ze wilden.

Het Recept: Een Variatie op een Thema

Om deze soep te maken, gebruikten ze een slim recept genaamd een Variational Quantum Algorithm (VQA).

• De Analogie: Stel je voor dat je een radio hebt die je moet afstemmen op een zender. Je draait aan de knoppen (de parameters) en luistert of het geluid helder is. Als het kraakt, draai je weer een beetje.
• In dit artikel: De computer heeft een circuit met veel "knoppen" (variabele parameters). De wetenschappers draaiden eerst aan deze knoppen op een simulatie (een virtuele computer) om het perfecte geluid te vinden. Zodra ze de beste instellingen hadden, stuurden ze het recept naar de echte quantumcomputer.

Het Experiment: De IonQ Keuken

Ze gebruikten IonQ-computers. Deze zijn speciaal omdat alle "deeltjes" (qubits) met elkaar kunnen praten, net als een groep vrienden die allemaal in één kamer staan en direct met elkaar kunnen babbelen. Dit is veel makkelijker dan bij andere computers (zoals die van IBM), waar de vrienden in verschillende kamers zitten en door deuren moeten lopen (wat veel lawaai en fouten veroorzaakt).

Ze probeerden dit recept te maken voor verschillende:

1. Groottes van de pan: 2, 3 of 4 deeltjes (qubits).
2. Kracht van het vuur: Verschillende sterktes van het magnetische veld.
3. De gewenste temperatuur: Van "boeiend heet" (oneindige temperatuur) tot "ijskoud" (zeer lage temperatuur).

De Verassende Resultaten: De "Digitale Verwarming"

Hier wordt het interessant. De wetenschappers hadden een voorspelling gedaan op basis van hun simulatie, maar de echte keuken gaf een verrassend antwoord.

1. De verwachting:
Ze dachten: "Als we de soep koud willen maken (lage temperatuur, hoge $\beta$), zal de computer het perfect doen, net als bij de hete soep."

2. De realiteit:
Hoe kouder ze de soep wilden maken, hoe slechter het resultaat werd. De "soep" werd warmer dan gepland.

De Analogie van de "Digitale Verwarming":
Stel je voor dat je een ijsblokje wilt maken in een kamer die net iets te warm is. Je zet de koelkast op "koud", maar door de warmte van de kamer smelt het ijs een beetje.
Op de quantumcomputer gebeurt iets vergelijkbaars. De computer zelf is niet perfect; hij heeft ruis (fouten). Deze ruis werkt als onbedoelde warmte.

• Als je een "heette" toestand wilt (chaos), maakt de extra ruis niet veel uit; het is al chaotisch genoeg.
• Maar als je een "koude" toestand wilt (rust en orde), is de extra ruis van de computer funest. Het maakt de soep warmer dan je wilde.

De auteurs noemen dit "digital heating" (digitale verwarming). De computer probeerde een temperatuur van 5 graden te maken, maar door de ruis van de machine eindigde het resultaat eigenlijk bij 3 graden (in hun eigen eenheid). Hoe kouder je het wilde hebben, hoe groter de fout.

De Grootte van het Probleem

Ook de grootte van de pan speelde een rol:

• Kleine pan (2 qubits): De soep was bijna perfect.
• Grote pan (4 qubits): De soep werd steeds rommeliger.
• Waarom? Net als in een echte keuken: hoe meer ingrediënten je hebt, hoe meer kans er is dat er iets misgaat of dat de warmte ongelijk verdeeld raakt. Meer deeltjes = meer kans op fouten.

Conclusie: Wat leren we hieruit?

Dit artikel is een belangrijke waarschuwing en een succesverhaal tegelijk.

1. Het succes: Ze hebben bewezen dat je op een IonQ-quantumcomputer complexe "soepen" (Gibbs-toestanden) kunt koken. Het werkt!
2. De waarschuwing: De machines zijn nog niet perfect. Ze hebben een eigen "warmtebron" (ruis) die ervoor zorgt dat je geen echte ijskoude toestand kunt maken. Als je een quantumcomputer gebruikt om een heel koud systeem te simuleren, moet je rekening houden met het feit dat de computer het systeem onbedoeld opwarmt.

Kort samengevat:
De wetenschappers hebben een slim recept bedacht om een quantum-systeem op een specifieke temperatuur te zetten. Het werkt goed, maar de quantumcomputer is als een slecht geïsoleerde oven: hoe koud je de oven ook probeert te maken, de oven zelf blijft een beetje warmte toevoegen. Voor nu is dat een probleem, maar het helpt wetenschappers om de machines in de toekomst nog beter te maken.

Technische samenvatting

Titel: Variationale Gibbs-toestandsvoorbereiding op Trapped-Ion-apparaten

Auteurs: Reece Robertson et al.
Publicatie: arXiv:2603.03801v1 (maart 2026)

---

1. Probleemstelling

Het numeriek modelleren van complexe kwantumsystemen is een van de oorspronkelijke doelen van kwantumcomputing. Veel van deze systemen worden echter het beste beschreven door thermodynamica en statistische fysica, waarbij de Gibbs-toestand (een thermisch evenwichtstoestand) centraal staat. Het voorbereiden van deze toestanden op kwantumcomputers is essentieel voor toepassingen zoals kwantummachine learning (bijv. Boltzmann-machines), kwantumthermodynamica en finite-temperatuur kwantumchemie.

De uitdaging ligt in het efficiënt en nauwkeurig voorbereiden van deze toestanden op NISQ-apparaten (Noisy Intermediate-Scale Quantum), die last hebben van ruis. Bestaande algoritmen moeten vaak worden gemapt op hardware met beperkte connectiviteit (zoals IBM's heavy-hex topologie), wat extra, ruisgevoelige SWAP-operaties vereist. Dit artikel onderzoekt de prestaties van een variatieel kwantumalgoritme (VQA) voor Gibbs-toestandsvoorbereiding (GSP) op IonQ's trapped-ion-apparaten, die volledig verbonden (all-to-all connectivity) zijn.

2. Methodologie

Algoritme:
De auteurs gebruiken een hybride kwantum-klassiek algoritme gebaseerd op het werk van Consiglio et al. Het doel is het minimaliseren van de Helmholtz-vrije energie $F(\rho)$ om de Gibbs-toestand $\rho(\beta, H) = e^{-\beta H} / Z$ te benaderen, waarbij $\beta$ de inverse temperatuur is.

• Circuit-structuur ($U_G(\theta, \phi)$): Het algoritme werkt op twee registers: een ancilla-register (A) en een systeem-register (S), beide van $n$ qubits.
  • Ancilla-kant: Een geparametriseerde unitaire $U_A(\theta)$ bereidt een kansverdeling voor op het ancilla-register.
  • Transversale koppeling: Een laag van CNOT-poorten koppelt het ancilla- en systeemregister.
  • Systeem-kant: Een geparametriseerde unitaire $U_S(\phi)$ transformeert de basis van de voorbereide verdeling naar de eigenbasis van de Hamiltoniaan.
• Hamiltoniaan: Er wordt gewerkt met het transversale veld Ising-model (TFIM) met periodieke randvoorwaarden:
  $$H = -\frac{1}{2}\sum_{i=1}^n \sigma_i^x \sigma_{i+1}^x - h\sum_{i=1}^n \sigma_i^z$$
• Optimalisatie: De parameters $\theta$ en $\phi$ worden geoptimaliseerd via classieke simulatie (gebruikmakend van de SPSA-optimizer) om de kostenfunctie (vrije energie) te minimaliseren. De optimale parameters worden vervolgens gebruikt om het circuit op echte hardware uit te voeren.
• Validatie: De kwaliteit van de voorbereide toestand wordt beoordeeld door kwantumtoestandstomografie op het systeemregister, waarna de fideliteit wordt berekend ten opzichte van de exacte analytische Gibbs-toestand.

Hardware:
Experimenten zijn uitgevoerd op drie IonQ-apparaten:

1. IonQ Aria 1 (25 qubits)
2. IonQ Forte (36 qubits)
3. IonQ Forte Enterprise (36 qubits)
   De keuze voor trapped-ion hardware is strategisch vanwege de all-to-all connectiviteit, wat de noodzaak van SWAP-poorten elimineert en de circuitdiepte voor twee-qubit poorten verlaagt in vergelijking met supergeleidende qubits.

3. Belangrijkste Resultaten

De auteurs hebben 1.701 circuits uitgevoerd voor verschillende waarden van systeemgrootte ($n \in \{2, 3, 4\}$), veldsterkte ($h$) en inverse temperatuur ($\beta \in \{10^{-8}, 1, 5\}$).

• Fideliteit en Systeemgrootte: De fideliteit neemt af naarmate het aantal qubits ($n$) toeneemt, wat consistent is met de verwachte toename van ruis in grotere systemen. Voor $n=2$ is de fideliteit zeer hoog (bijna 1).
• Het "Digitale Verwarmings"-effect: Een cruciale bevinding is dat de fideliteit niet-monotoon afneemt als functie van $\beta$.
  • Bij zeer hoge temperaturen ($\beta \approx 0$) en zeer lage temperaturen ($\beta = 5$) zou men hoge fideliteit verwachten op basis van ruisloze simulaties.
  • Op de echte hardware daalt de fideliteit echter dramatisch bij $\beta = 5$.
  • Interpretatie: Hardware-ruis introduceert thermische fluctuaties die het systeem effectief verhitten. Een Gibbs-toestand die bedoeld is voor een lage temperatuur (hoge $\beta$), gedraagt zich op de hardware alsof deze bij een hogere temperatuur (lagere $\beta$) is voorbereid.
• Verschuiving van de optimale $\beta$: Door de experimentele resultaten te vergelijken met klassiek berekende Gibbs-toestanden bij verschillende $\beta$-waarden, bleek dat de $\beta$ die de maximale fideliteit oplevert, verschuift naar lagere waarden (hogere temperaturen) naarmate de bedoelde $\beta$ hoger is. Dit effect is sterker bij grotere systemen ($n$) en is een direct bewijs van "digitale verwarming".
• Verrassende Nauwkeurigheid van Simulatie: Ondanks dat hardware-ruis de resultaten beïnvloedde, bleek de ruisbeheerde simulator van IonQ de prestaties van de echte hardware opmerkelijk goed te voorspellen. Dit is ongebruikelijk, aangezien simulaties vaak afwijken van echte hardware-gedrag.

4. Bijdragen en Significantie

• Eerste Implementatie op Trapped-Ion: Dit is een van de eerste succesvolle implementaties van een variatiele Gibbs-toestandsvoorbereiding op trapped-ion hardware, wat de voordelen van volledige connectiviteit voor dit type algoritme demonstreert.
• Karakterisering van Ruis: Het artikel biedt een diepgaand inzicht in hoe hardware-ruin thermodynamische eigenschappen beïnvloedt. Het concept van "digitale verwarming" is een belangrijke waarschuwing voor onderzoekers die Gibbs-toestanden gebruiken als startpunt voor andere kwantumalgoritmen; de effectieve temperatuur van de hardware moet eerst nauwkeurig worden gekarakteriseerd.
• Validatie van Simulatoren: De sterke correlatie tussen de ruisbeheerde simulatie en de echte hardware-resultaten suggereert dat voor dit specifieke algoritme (GSP op TFIM) simulaties een betrouwbare voorspeller kunnen zijn, wat de kosten voor hardware-experimenten kan verlagen.
• Toepassingsgebied: De resultaten zijn relevant voor kwantummachine learning, thermodynamica en chemie, waar het nauwkeurig voorbereiden van thermische toestanden cruciaal is.

Conclusie:
Hoewel het variatiele algoritme op IonQ-apparaten functioneert, beperkt hardware-ruis de prestaties bij lage temperaturen door het systeem effectief te verwarmen. De studie benadrukt de noodzaak van zorgvuldige hardware-karakterisering en toont aan dat trapped-ion hardware, dankzij zijn connectiviteit, een veelbelovend platform is voor thermische kwantumalgoritmen, mits de thermische effecten van de ruis worden meegenomen in de analyse.