Experimental Realization of the Markov Chain Monte Carlo Algorithm on a Quantum Computer

In dit artikel demonstreren de auteurs dat het mogelijk is om een kwantum Markov Chain Monte Carlo-algoritme (qMCMC) met nauwkeurige resultaten uit te voeren op de huidige ruisonderhevige NISQ-hardware van Quantinuum, zoals de H2- en Helios-quantumcomputers.

De kern

Hier is een uitleg van dit wetenschappelijke artikel, vertaald naar begrijpelijk Nederlands met behulp van alledaagse vergelijkingen.

De Kern: Een Quantum-Race in de Regen

Stel je voor dat je in een grote, regenachtige stad probeert om een specifieke plek te vinden, bijvoorbeeld de beste koffiebar. Je hebt geen kaart, dus je moet rondlopen en toevallig de juiste plek vinden. Dit noemen wetenschappers een Markov-keten: een proces waarbij je stap voor stap een beslissing neemt op basis van waar je nu bent, hopend dat je uiteindelijk overal even vaak komt (de "stationaire verdeling").

Op een normale computer (zoals je laptop) moet je dit rondlopen heel vaak doen om een goed gemiddelde te krijgen. Het is als een wandelaar die langzaam door de stad slentert.

Quantum-computers zijn echter als een superheld die overal tegelijk kan zijn. Ze kunnen deze wandeling niet alleen sneller doen, maar ze kunnen de "gemiddelde koffie" van de hele stad in één keer berekenen. Dit artikel gaat over het testen van deze superkracht op echte, huidige quantum-computers.

Wat hebben de onderzoekers gedaan?

De auteurs (van bedrijven en universiteiten in Parijs en Singapore) wilden bewijzen dat je deze geavanceerde quantum-algoritmes al kunt laten werken op de huidige, nog wat "ruisige" (onvolmaakte) quantum-computers, zoals die van het bedrijf Quantinuum (de machines H2 en Helios).

Ze hebben drie verschillende manieren uitgetest om de "wandeling" van de koffiezoeker in een quantum-computer te programmeren:

1. De "MIX-methode" (Linear Combination of Unitaries):

   • De analogie: Stel je voor dat je een recept hebt dat zegt: "Doe 75% van dit en 25% van dat." In plaats van te kiezen voor één route, doet de quantum-computer beide routes tegelijk en mixt ze.
   • Het resultaat: Dit werkte verrassend goed. Ze konden de juiste "koffiebar" vinden en het gemiddelde berekenen met 90% nauwkeurigheid, zelfs met de huidige fouten in de machine.

2. De "Szegedy-methode":

   • De analogie: Dit is als het maken van een perfecte spiegel van de stad. Als je in de spiegel kijkt, zie je precies hoe de wandeling eruit zou moeten zien. De quantum-computer bouwt deze spiegel en kijkt erin om de juiste plek te vinden.
   • Het resultaat: Ook dit werkte perfect. De computer vond precies de verdeling die de theorie voorspelde.

3. De "Dubbele Spel-methode" (Dual Space):

   • De analogie: In plaats van alleen te kijken naar waar je bent, kijken we ook naar waar je naartoe wilt gaan en of de wandeling "goedgekeurd" wordt. Het is alsof je twee vrienden hebt die samen een spelletje spelen om te beslissen welke route de beste is.
   • Het resultaat: Dit was de moeilijkste test. De machines waren hier net iets minder goed in, maar het bewees dat het principe werkt.

Waarom is dit belangrijk?

Vroeger dachten veel mensen: "Quantum-computers zijn nog te onvolmaakt; we moeten wachten tot ze perfect zijn (zonder fouten) voordat we ze kunnen gebruiken."

Dit artikel zegt: "Nee, we hoeven niet te wachten."

Zelfs met de huidige machines, die soms fouten maken (zoals een wandelaar die soms in een pootje stapt), kunnen we al nuttige berekeningen doen. Ze hebben bewezen dat je met deze nieuwe methoden al complexe statistische problemen kunt oplossen die voor gewone computers te langzaam zouden zijn.

De Conclusie in Eén Zin

De onderzoekers hebben laten zien dat je, zelfs met de huidige, imperfecte quantum-computers, al kunt "wandel" door complexe statistische werelden en daaruit de juiste antwoorden kunt halen, net als een superheld die sneller is dan de regen.

Dit opent de deur voor toekomstige toepassingen in:

• Geneeskunde: Het vinden van nieuwe medicijnen.
• Financiën: Het voorspellen van markten.
• Klimaat: Het simuleren van complexe weersystemen.

Het is een belangrijke stap van "theorie" naar "praktijk": we bouwen nu al de eerste quantum-toekomst, zelfs als de machines nog niet perfect zijn.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Experimental Realization of the Markov Chain Monte Carlo Algorithm on a Quantum Computer", geschreven in het Nederlands.

Titel: Experimentele Realisatie van het Markov Chain Monte Carlo-algoritme op een Quantumcomputer

Auteurs: Baptiste Claudon, Sergi Ramos-Calderer en Jean-Philip Piquemal.
Hardware: Quantinuum H2-1, H2-2 en Helios (gevangen-ion quantumcomputers).

---

1. Probleemstelling

Markov Chain Monte Carlo (MCMC) is een fundamentele techniek in de statistische fysica, chemie en machine learning om verwachtingswaarden te schatten door te bemonsteren uit complexe kansverdelingen. Klassiek heeft dit algoritme een lineaire complexiteit voor het bereiken van een bepaalde nauwkeurigheid.

Quantumalgoritmen beloven een kwadratische versnelling (via Quantum Amplitude Estimation, QAE) voor bepaalde bemonsteringstaken. Echter, om QAE toe te passen, moet men eerst de quantumtoestand kunnen voorbereiden die overeenkomt met de stationaire verdeling van de Markov-keten. De uitdaging ligt in het efficiënt coderen van niet-unitaire stochastische operatoren (Markov-kernen) in unitaire quantumoperaties op huidige, ruisgevoelige (NISQ) hardware. De vraag is of dit haalbaar is zonder volledige foutcorrectie.

2. Methodologie

De auteurs testen verschillende methoden om Markov-ketens te coderen en de stationaire verdeling te prepareren op Quantinuum's ionenval-systemen. Ze focussen op een eenvoudige twee-staten ruimte ($S = \{0, 1\}$) met een specifieke Markov-kern $P$.

De kern van de methode is het gebruik van Symmetric Projected Unitary Encodings (SPUEs). Hierbij wordt een niet-unitaire operator $A$ ingebed in een grotere unitaire operator $U$ via een partiële isometrie $\square$, zodat $\square^\dagger U \square = A$. Op basis hiervan wordt een qubitized walk operator $W = (2\square\square^\dagger - I)U$ geconstrueerd.

De auteurs testen vier specifieke coderingstechnieken:

1. Linear Combination of Unitaries (LCU):

   • De Markov-kern $P$ wordt geschreven als een gewogen som van unitaire operatoren: $P = (1-\delta)I + \delta X$.
   • Een ancilla-qubit wordt gebruikt om een gecontroleerde unitaire operatie te realiseren die $P$ encodeert.
   • De stationaire toestand wordt voorbereid via fase-schatting (phase estimation) op de walk-operator.

2. Szegedy's Quantization:

   • Een klassieke methode waarbij de Markov-kern wordt omgezet in een unitaire operator $O$ die de overgangskansen encodeert.
   • De walk-operator wordt gedefinieerd als $W = O Z O^\dagger S$ (waarbij $S$ de SWAP-operator is).
   • Dit vereist een specifieke unitaire implementatie van de overgangskansen.

3. Controlled-SWAP Encoding (Metropolis-Hastings):

   • De Markov-kern wordt gezien als een Metropolis-Hastings proces met een voorstel-kern en een acceptatiekans.
   • Dit encodeert het proces op paren van toestanden en vermijdt de noodzaak om acceptatie/afkeuring expliciet bij te houden via extra qubits op een inefficiënte manier.

4. Dual Space Quantum Markov Chain:

   • Een recentere aanpak die werkt in een "dual space" van paren toestanden.
   • Dit omzeilt de kosten van het bijhouden van acceptatiekansen en is specifiek ontworpen voor Metropolis-Hastings wandelingen.
   • De auteurs testen de eigenschap dat de stationaire toestand een eigenvector is van de walk-operator in deze ruimte.

Experimentele Opzet:

• De experimenten worden uitgevoerd op Quantinuum's H2-1, H2-2 en Helios systemen.
• Voor de state-preparation wordt gebruik gemaakt van post-selectie (alleen metingen waarbij de ancilla in de juiste toestand staat worden gehandhaafd).
• Voor de schatting van verwachtingswaarden wordt Quantum Amplitude Estimation (QAE) gebruikt.

3. Belangrijkste Resultaten

• State Preparation met LCU:

  • De stationaire verdeling (uniforme verdeling $0.5/0.5$) werd succesvol voorbereid.
  • De successrate voor het prepareren van de toestand was consistent met de theorie (ongeveer 50% post-selectie succes).
  • Bij het schatten van de verwachtingswaarde van een functie $f(x)$, leverde het algoritme in 90% van de experimenten de juiste verwachtingswaarde op.
  • Het circuit bestond uit 237 poorten op 6 qubits.

• Szegedy's Methode:

  • De experimentele resultaten kwamen perfect overeen met de theorie. De successrate van de state-preparation was exact 0.5, zoals voorspeld door de overlap tussen de startverdeling en de stationaire maat.

• Controlled-SWAP Methode:

  • De fase-schatting op de walk-operator leverde een successrate van 93% voor het meten van de verwachte fase (0).

• Dual Space Walk Operator:

  • De auteurs verifieerden dat de voorbereide toestand een eigenvector is van de walk-operator.
  • De overlap tussen de toestand voor en na het toepassen van de walk-operator was ongeveer 2/3.
  • De Helios-machine presteerde hier het beste.
  • Dit resultaat suggereert dat circuits met een diepte van ongeveer 500 elementaire poorten momenteel de limiet vormen voor deze NISQ-apparaten om nog betekenisvolle resultaten te leveren.

4. Bijdragen en Conclusie

Technische Bijdragen:

• Eerste experimentele validatie: Dit is een van de eerste experimentele realisaties van een volledige qMCMC (quantum Markov Chain Monte Carlo) cyclus op echte quantumhardware.
• Vergelijking van coderingen: Het artikel biedt een gedetailleerde vergelijking van verschillende coderingstechnieken (LCU, Szegedy, Metropolis-Hastings varianten) in termen van circuitdiepte en robustheid tegen ruis.
• NISQ-grens: De studie kwantificeert de huidige limieten van Quantinuum's hardware. Hoewel fouten aanwezig zijn, kunnen circuits met een diepte van ~250 poorten nog steeds kwantitatief zinvolle Monte Carlo-schattingen opleveren.

Significantie:

• Proof of Concept: Het werk bewijst dat het mogelijk is om complexe quantumalgoritmen voor statistisch bemonsteren direct op fysieke qubits uit te voeren, zelfs zonder volledige foutcorrectie.
• Toekomstperspectief: De resultaten tonen aan dat met de verbetering van de gate-kwaliteit op volgende generatie apparaten (en eventuele logische qubits via foutcorrectie), grotere en complexere Markov-ketens kunnen worden gesimuleerd.
• Toepassingen: Deze aanpak biedt een pad naar kwadratische versnelling in toepassingen zoals statistische fysica, computationele chemie, Bayesiaanse inferentie en machine learning optimalisatie.

Kortom, het artikel demonstreert dat de brug tussen theoretische quantumvoorsprong en praktische toepassing op NISQ-hardware wordt geslagen door slimme coderingstechnieken en nauwkeurige hardware-integratie.