⚛️ quantum physics

Distributed Quantum Computing via Adaptive Circuit Knitting

Dit paper introduceert de Adaptive Circuit Knitting-methode, die door het vinden van gebieden met minimale verstrengeling de sampling-overhead bij het distribueren van quantumcircuits over meerdere QPUs met wel vier ordes van grootte verlaagt, waardoor grootschalige quantumsimulaties efficiënter mogelijk worden.

Oorspronkelijke auteurs: K. Grace Johnson, Aniello Esposito, Gaurav Gyawali, Xin Zhan, Rohit Ganti, Namit Anand, Raymond G. Beausoleil, Masoud Mohseni

Gepubliceerd 2026-03-16

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: K. Grace Johnson, Aniello Esposito, Gaurav Gyawali, Xin Zhan, Rohit Ganti, Namit Anand, Raymond G. Beausoleil, Masoud Mohseni

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

De Grote Uitdaging: De "Kleine" Quantumcomputer

Stel je voor dat quantumcomputers superkrachtige auto's zijn die in staat zijn om problemen op te lossen die voor normale computers onmogelijk zijn. Het probleem is echter dat we momenteel alleen maar kleine, sportieve autootjes hebben. Ze zijn snel, maar ze kunnen niet zwaar werk verzetten, zoals het simuleren van complexe moleculen of grote medicijnen, omdat ze niet genoeg "zitplaatsen" (qubits) hebben.

Om deze grote problemen op te lossen, zouden we eigenlijk één gigantische vrachtwagen nodig hebben. Maar die bestaat nog niet. De technologie is er nog niet om die ene vrachtwagen te bouwen.

De Oplossing: Een Flitsend Teamwerk

In plaats van te wachten op die ene grote vrachtwagen, zegt dit artikel: "Laten we een heel team van die kleine autootjes samenwerken!"

Dit heet gedistribueerd quantumcomputen. Je deelt het grote probleem op in kleinere stukjes, geeft elk stukje aan een andere quantumcomputer, en probeert de antwoorden later weer samen te voegen.

Maar hier zit een addertje onder het gras:
Als je een quantumprobleem opdeelt, verlies je de "magische verbinding" (verstrengeling) tussen de stukjes. Om die verbinding weer te herstellen, moet je de kleine computers heel vaak laten rekenen en de resultaten statistisch samenvoegen. Dit is als proberen een groot mozaïek te maken door duizenden losse tegeltjes te gooien en hopen dat ze op de juiste plek vallen. Het kost enorm veel tijd en energie (dit noemen ze in het artikel de "sampling overhead").

De Nieuwe Methode: "Adaptive Circuit Knitting" (ACK)

De onderzoekers van HPE Labs hebben een slimme nieuwe methode bedacht: Adaptive Circuit Knitting (ofwel: Adaptief Aaneenrijgen).

Stel je voor dat je een lange, ingewikkelde breipatroon hebt (het quantumcircuit) en je wilt dit breien met twee verschillende breinaalden (twee quantumcomputers).

De oude manier: Je knipt het patroon ergens in het midden door, waar de patronen heel complex en verstrengeld zijn. Als je de twee helften later weer aan elkaar probeert te naaien, zie je dat de draden in de war zijn geraakt. Je moet duizenden keren proberen om de knoop te lossen voordat het past.
De nieuwe ACK-methode: De onderzoekers kijken eerst heel goed naar het patroon. Ze zoeken naar een plek waar de draden niet verstrengeld zijn, waar het patroon rustig en overzichtelijk is. Ze knippen daar. Omdat de draden daar rustig liggen, is het heel makkelijk om de twee helften later weer perfect aan elkaar te naaien. Je hoeft veel minder vaak te proberen.

De kern van de truc:
De computer scant het probleem en zoekt automatisch de "rustigste plekken" om te knippen. Dit noemen ze het vinden van gebieden met minimale verstrengeling.

Hoe werkt het in de praktijk?

De Scan: De computer kijkt naar het quantumprobleem (bijvoorbeeld een model van magnetische atomen) en maakt een "hittekaart" van waar de quantumverbindingen het sterkst en het zwakst zijn.
De Slimme Knip: In plaats van willekeurig te knippen (of precies in het midden), knipt de computer precies op de plek waar de hittekaart aangeeft dat de verbindingen het zwakst zijn.
Het Resultaat: Door op deze slimme plekken te knippen, kunnen ze het probleem oplossen met tot 10.000 keer minder rekenpogingen dan de oude methoden. Dat is alsof je een reis van 10.000 kilometer in plaats daarvan in 1 uur doet.

Waarom is dit belangrijk?

Dit is een game-changer voor twee redenen:

Voor nu (NISQ-tijdperk): We hebben nog geen perfecte, foutloze quantumcomputers. Met deze methode kunnen we nu al grotere problemen oplossen met de kleine, imperfecte machines die we vandaag hebben, zonder dat het rekenwerk onbetaalbaar wordt.
Voor de toekomst: Zelfs als we in de toekomst enorme quantumcomputers hebben, zullen we waarschijnlijk toch meerdere machines moeten koppelen om de allergrootste problemen op te lossen. Deze methode zorgt ervoor dat die samenwerking soepel en efficiënt verloopt.

Samenvatting in één zin

In plaats van een quantumprobleem willekeurig in stukken te hakken en te hopen dat het lukt, zoekt deze nieuwe methode slim naar de rustigste plekken om te knippen, zodat we het probleem met een fractie van de moeite weer perfect kunnen samenvoegen.

Het is alsof je een ingewikkeld raadsel oplost door eerst te kijken waar de randstukken liggen, in plaats van te beginnen met het midden.

Titel: Gedistribueerd Quantum Computing via Adaptieve Circuit Knitting

Auteurs: K. Grace Johnson et al. (HPE Quantum & HPE HPC & AI EMEA Research Lab)
Datum: 16 maart 2026

1. Het Probleem

De schaalbaarheid van quantumcomputers wordt beperkt door de fysieke grootte van individuele Quantum Processing Units (QPUs). Om grotere systemen te simuleren of complexe algoritmes uit te voeren, is het noodzakelijk om quantumwerklasten te verdelen over meerdere QPUs.

Beperkingen: Hoge-fideliteit quantum interconnects (voor directe quantumcommunicatie tussen QPUs) zijn nog niet beschikbaar.
Huidige Oplossing: "Circuit Knitting" is een techniek die grote quantumcircuits opdeelt in kleinere sub-circuits die onafhankelijk kunnen worden uitgevoerd, waarbij de resultaten via klassieke communicatie worden samengevoegd (gebaseerd op kwasi-kans decompositie, QPD).
De Uitdaging: De reconstructie van observabelen via circuit knitting leidt tot een exponentiële kostenstijging in het aantal benodigde samples (sampling overhead). Deze kosten worden bepaald door de hoeveelheid verstrengeling (entanglement) die verloren gaat bij het doorsnijden van het circuit. Als de snijpunten niet slim worden gekozen, wordt de rekentijd onbeheersbaar.

2. Methodologie: Adaptieve Circuit Knitting (ACK)

De auteurs introduceren Adaptive Circuit Knitting (ACK), een methode die de snijpunten in een quantumcircuit dynamisch optimaliseert om de sampling-overhead te minimaliseren.

Kernprincipe: De sampling-overhead ( $\gamma$ ) is direct gerelateerd aan de verstrengelingsweerstand (robustness of entanglement) en fungeert als een proxy voor de entropie. Door het circuit te snijden op locaties met minimale verstrengeling tussen de subsystemen, kan de overhead drastisch worden verlaagd.
Het Algorithmische Proces (Fig. 2):
1. Input: Een tensor-netwerk representatie van de quantumtoestand (bijv. een Matrix Product State - MPS).
2. Binnenste Lus (Variational Optimization): Voor elke mogelijke verdeling van het systeem over QPUs worden de twee-qubit poorten variational geoptimaliseerd om een quantum circuit tensor netwerk te vinden dat de sub-staten zo goed mogelijk benadert. Dit gebeurt parallel op meerdere GPUs.
3. Buitenste Lus (Adaptive Search): Het algoritme berekent partiële warmtekaarten van de verstrengelingsentropie. Op basis hiervan worden nieuwe snijpunten voorgesteld op locaties met de laagste verstrengeling.
4. Iteratie: Dit proces herhaalt zich totdat de optimale verdeling is gevonden.
5. Reconstructie: De geoptimaliseerde sub-circuits worden uitgevoerd en de observabelen worden gereconstrueerd via QPD (Circuit Knitting).
Implementatie: De auteurs hebben een parallelle, GPU-versnelde implementatie ontwikkeld. Ze gebruiken MPI voor distributie tussen knopen en CuPy voor GPU-acceleratie binnen de knopen. Ze maken gebruik van de Qiskit toolkit (qiskit-addon-cutting) voor de daadwerkelijke circuit-knitting simulaties.

3. Belangrijkste Bijdragen

ACK-algoritme: Een nieuwe methode die verstrengelingsmetingen gebruikt om dynamisch de meest efficiënte verdelingen van quantumcircuits te vinden, in plaats van statische of willekeurige verdelingen.
Theoretisch Kader: Het leggen van een expliciete link tussen de sampling-overhead ( $\gamma$ ) en de Rényi-entropie (specifiek $S_{1/2}$ ), wat aantoont dat het minimaliseren van verstrengeling de rekenefficiëntie maximaliseert.
Hoge-prestatie Simulatie: Een schaalbare, hybride CPU/GPU implementatie die het mogelijk maakt om ACK te testen op systemen die te groot zijn voor klassieke simulatie zonder verdeling.
Validatie op Complexe Systemen: Toepassing op 1D en 2D disordered mixed-field Ising-modellen tot wel 60 qubits.

4. Resultaten

De auteurs hebben ACK getest op disordered Ising-modellen (waarbij de longitudinale velden willekeurig zijn), systemen die bekend staan om hun complexe verstrengelingsstructuur.

Significante Overheadreductie:
- Voor 40-qubit systemen: De adaptieve strategie verlaagde de sampling-overhead met een mediaan factor van 17 ten opzichte van een load-balanced (willekeurige) verdeling. In de 90e percentiel was dit een factor van 459.
- Voor 60-qubit systemen (met meerdere snijpunten): De verbetering nam toe. De adaptieve methode was een mediaan factor van 51 beter, met een 90e percentiel factor van 10.167.
- Totale winst: De methode kan de sampling-overhead met tot wel vier ordes van grootte (factor 10.000) reduceren voor observabelen van belang.
Nauwkeurigheid: Met een vast aantal samples (en dus vaste QPU-resources) leverde de adaptieve methode aanzienlijk nauwkeurigere resultaten op dan load-balanced methoden, vooral voor latere tijdstippen in de tijdsevolutie.
2D Systemen: Hoewel 2D systemen complexer zijn, toonde de toepassing op een 4x8 rooster (32 qubits) via een "snake"-mapping naar een 1D keten een mediaan verbetering van 46x.
Performance: De hybride CPU/GPU implementatie was 15-30% sneller dan een puur GPU-uitvoering voor gemengde circuitgroottes, wat de efficiëntie van de klassieke simulatie voor het ontwikkelen van gedistribueerde algoritmes onderstreept.

5. Betekenis en Toekomstperspectief

Praktische Toepasbaarheid: ACK biedt een haalbare route om quantumwerklasten te verdelen op huidige en toekomstige NISQ (Noisy Intermediate-Scale Quantum) apparatuur, zonder afhankelijk te zijn van nog niet bestaande hoog-fideliteit quantum interconnects.
HPC-QC Integratie: De techniek is essentieel voor de integratie van quantumcomputers in High-Performance Computing (HPC) omgevingen. Het fungeert als een "hypervisor"-laag die dynamisch circuits deelt op basis van verstrengeling, wat resource-allocatie en sampling-kosten beheersbaar maakt.
Schalbaarheid: De resultaten suggereren dat de voordelen van ACK groter worden naarmate de systemen groter worden en meer snijpunten nodig zijn.
Toekomst: De methode is niet beperkt tot MPS; het raamwerk kan worden uitgebreid naar andere tensor-netwerken (zoals PEPS voor volledig 2D systemen) en is toepasbaar op diverse algoritmes, waaronder de Quantum Fourier Transform (QFT).

Conclusie:
Het paper demonstreert dat het slim, adaptief verdelen van quantumcircuits op basis van verstrengelingsanalyse de exponentiële kosten van gedistribueerd quantum computing aanzienlijk kan temperen. Dit maakt het mogelijk om grotere en complexere quantumproblemen op te lossen met de beperkte hardware die nu en in de nabije toekomst beschikbaar is.