⚛️ quantum physics

Active Sampling Sample-based Quantum Diagonalization from Finite-Shot Measurements

Deze paper introduceert Active Sampling Sample-based Quantum Diagonalization (AS-SQD), een algoritme dat door middel van actieve leertechnieken en een op verstoringstheorie gebaseerde acquisitiefunctie efficiënt de grondtoestandsenergie schat uit beperkte quantummetingen, waardoor het aanzienlijk nauwkeuriger en robuuster is dan bestaande methoden.

Oorspronkelijke auteurs: Rinka Miura

Gepubliceerd 2026-03-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Rinka Miura

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 Kern van het Probleem: Een Onvolmaakte Foto

Stel je voor dat je een heel complexe machine probeert te begrijpen, zoals een auto of een computerchip. In de wereld van kwantumcomputers noemen we deze machines "kwantum-systemen". De grootste uitdaging is dat we deze systemen niet perfect kunnen zien.

Op de huidige kwantumcomputers (die nog wat "ruis" hebben) krijgen we geen perfecte blauwdruk van de machine. In plaats daarvan krijgen we een onvolmaakte foto gemaakt van een heel korte momentopname.

Het probleem: De foto is wazig (door ruis), en soms zie je ook nog een beetje van de "achtergrond" (een verkeerde toestand) in de foto.
De beperking: Je kunt niet oneindig vaak fotograferen. Je hebt maar een beperkt aantal "flitsen" (metingen) om een goed beeld te krijgen.

Als je probeert de energie van de machine (de "grondtoestand") te berekenen op basis van deze wazige, onvolledige foto's, krijg je vaak een verkeerd antwoord.

De Oude Aanpak: Gissen en Radeloos Zoeken

Vroeger probeerden wetenschappers dit op twee manieren op te lossen:

Alleen kijken naar wat je hebt: Ze namen de foto's die ze hadden en probeerden daar een antwoord op te vinden. Maar omdat de foto's onvolledig waren, was het antwoord vaak fout.
Willekeurig zoeken: Ze dachten: "Laten we gewoon willekeurig nog wat extra stukjes van de machine toevoegen aan onze analyse." Dit is alsof je in een enorme, donkere bibliotheek probeert het juiste boek te vinden door willekeurig boeken van de plank te trekken. Het kan lukken, maar het duurt eeuwen en je pakt vaak irrelevant spul.

De Nieuwe Oplossing: AS-SQD (De Slimme Verkenner)

Rinka Miura en haar team hebben een nieuwe methode bedacht, genaamd AS-SQD. Ze noemen dit "Actief Sampling".

Stel je voor dat je een detective bent in een gigantisch, donker labyrint (de kwantumwereld). Je hebt een lantaarn (je metingen) die maar een klein stukje verlicht. Je wilt weten waar de schat (de juiste energie) ligt.

In plaats van willekeurig rond te lopen, gebruikt AS-SQD een slim kompas gebaseerd op natuurkunde-wiskunde (de "Epstein-Nesbet" theorie).

Hoe werkt dit kompas?
Elke keer als je een klein stukje van het labyrint hebt verlicht, vraagt het kompas: "Welk volgende stukje van de muur, als ik het verlicht, geeft me de meeste nieuwe informatie om de schat te vinden?"

Het kijkt niet naar willekeurige hoeken.
Het kijkt alleen naar de hoeken die direct verbonden zijn met wat je al ziet.
Het berekent welke hoek de grootste kans heeft om de "energie" te verlagen (dichter bij de waarheid te komen).

De Vergelijking: Het Bouwteam

Laten we het nog anders bekijken met een bouwvergelijking:

Het doel: Een perfect huis bouwen (de juiste toestand van de kwantumcomputer).
Het probleem: Je hebt een onduidelijk plan en een bouwteam dat soms fouten maakt (ruis).
De oude methode: Je laat het team willekeurig muren optrekken. Soms bouwen ze een muur waar je geen brug naar hebt. Het huis wordt lelijk en instabiel.
De AS-SQD methode: Je hebt een slimme architect. Deze architect kijkt naar het huidige gedeelte van het huis en zegt: "We hebben een gat in het dak. Laten we eerst dat gat dichten, want dat is het belangrijkste. Laten we niet eerst de tuin opknappen."
- De architect gebruikt een wiskundige formule om te voorspellen welke "steen" (basis toestand) het meest waardevol is om toe te voegen.
- Hierdoor bouwen ze het huis veel sneller en nauwkeuriger, zelfs als de bouwvakkers (de kwantumcomputer) soms een steen verkeerd plaatsen.

Waarom is dit zo cool?

Het werkt zelfs als de data slecht is: Zelfs als de kwantumcomputer "ruis" produceert (zoals een trillende camera), filtert deze slimme architect de fouten eruit. Hij ziet dat bepaalde "stenen" die door de ruis zijn toegevoegd, geen logische verbinding hebben met de rest van het huis, en negeert ze.
Het is snel: In plaats van alle mogelijke combinaties van stenen te testen (wat miljarden jaren zou duren), focust het zich alleen op de meest belovende opties.
Het werkt op echte computers: De auteurs hebben dit getest op een echte IBM-kwantumcomputer. Zelfs met de onnauwkeurigheden van die echte machine, lukte het hen om de juiste energie te vinden, terwijl de oude methoden faalden.

Conclusie

Dit onderzoek laat zien dat we niet hoeven te wachten tot kwantumcomputers perfect zijn om nuttige dingen te doen. Door slimme wiskunde toe te passen om te beslissen waar we naar moeten kijken (in plaats van blindelings alles te meten), kunnen we al nu betrouwbare resultaten halen uit onvolmaakte machines.

Het is alsof je in een stormachtige nacht een schip probeert te navigeren: je kunt niet alles zien, maar met een goed kompas (AS-SQD) weet je precies welke richting je moet sturen om veilig aan te komen.

Titel: Active Sampling Sample-based Quantum Diagonalization (AS-SQD)

Auteur: Rinka Miura
Datum: 17 maart 2026

1. Probleemstelling

Nabije-toekomstige kwantumapparaten (NISQ-apparaten) hebben ernstige beperkingen die de nauwkeurigheid van berekeningen beïnvloeden:

Beperkte shots: Metingen leveren slechts een eindig aantal steekproeven (bitstrings) op in een gekozen basis, wat leidt tot statistische ruis.
Onvolmaakte toestanden: De voorbereide kwantumtoestanden zijn zelden exact de grondtoestand; ze bevatten vaak contaminatie door aangeslagen toestanden (excited states).
Beperkte toegang: Volledige toegang tot de Hamilton-matrix is niet mogelijk; men heeft alleen toegang tot de Pauli-termen en de gemeten bitstrings.

Bestaande methoden zoals de Variational Quantum Eigensolver (VQE) kampen met optimalisatieproblemen en hoge shot-kosten. Een alternatief is Sample-based Quantum Diagonalization (SQD), waarbij een effectieve Hamilton-matrix wordt geconstrueerd door deze te beperken tot de ruimte opgespannen door de gemeten bitstrings. Echter, een "naieve" SQD die alleen de oorspronkelijke steekproeven gebruikt, levert vaak onnauwkeurige resultaten op door bias en contaminatie. Het willekeurig uitbreiden van deze deelruimte (subspace) is inefficiënt en schaalt slecht naarmate het systeem groter wordt, omdat het combinatorische aantal mogelijke basisstaten exponentieel groeit.

2. Methodologie: AS-SQD

De auteurs stellen Active Sampling Sample-based Quantum Diagonalization (AS-SQD) voor. Dit is een adaptieve strategie die het uitbreiden van de deelruimte formuleert als een actieve leerprobleem. Het doel is om te bepalen welke extra basisstaten het meest waardevol zijn om toe te voegen aan de huidige deelruimte om de schatting van de grondtoestandsenergie ( $E_0$ ) te maximaliseren.

Het Kernalgoritme:

Initialisatie: Start met een verzameling $S$ van de $K$ meest frequente gemeten bitstrings.
Diagonalisatie: Los het beperkte eigenwaardeprobleem op voor de Hamilton-matrix $H_S$ (beperkt tot $S$ ) om een benaderende grondtoestand $|\psi_S\rangle$ en energie $E_S$ te verkrijgen.
Kandidaatgeneratie: Identificeer basisstaten die verbonden zijn met de huidige deelruimte via de Hamilton-operator (1-hop connectiviteit).
Acquisitiefunctie (Scoring): Gebruik Epstein-Nesbet (EN) perturbatietheorie om kandidaten te scoren. De score $a(k)$ $a (k)$ voor een kandidaat $|k\rangle$ $∣ k ⟩$ wordt berekend als:
$a(k) = \frac{|\langle k|H|\psi_S\rangle|^2}{|E_S - H_{kk}|}$
- De teller ( $|\langle k|H|\psi_S\rangle|^2$ ) vertegenwoordigt de koppelingssterkte tussen de kandidaat en de huidige benadering.
- De noemer ( $|E_S - H_{kk}|$ ) vertegenwoordigt de energetische afstand (energetische nabijheid).
Selectie: Voeg de $B$ beste kandidaten (hoogste score) toe aan $S$ en herhaal het proces.

Belangrijke kenmerken:

De methode gebruikt alleen de beschikbare bitstrings en de Pauli-decompositie van $H$ ; er zijn geen extra kwantummetingen nodig tijdens de iteraties.
De scoring is computatieel efficiënt omdat de matrixelementen van Pauli-strings schaars zijn.

3. Belangrijkste Bijdragen

Formulering als Actief Leren: Het kaderen van subspace-expansie als een sequentiële besluitvormingsopdracht onder beperkingen van eindige shots.
Perturbatie-gestuurde acquisitie: De introductie van een acquisitiefunctie gebaseerd op tweede-orde energiecorrecties (Epstein-Nesbet) om de meest energetisch relevante richtingen in de Hilbert-ruimte te identificeren.
Robuustheid tegen Ruis: Het aantonen dat de methode inherent robuust is tegen SPAM-fouten (State Preparation and Measurement) en gate-ruis, omdat ruisbeïnvloede bitstrings vaak een lage score krijgen door zwakke koppeling of hoge diagonale energie.
Efficiëntie: Het omzeilen van de exponentiële combinatorische bottleneck door zich te focussen op een kleine, fysiek gefundeerde subset van basisstaten.

4. Resultaten

De methode werd geëvalueerd op twee modellen: de Disordered Heisenberg-keten en het Transverse-Field Ising Model (TFIM), tot 16 qubits.

Simulaties met Contaminatie:
- De tests gebruikten een model met 80% grondtoestand en 20% eerste aangeslagen toestand, met 2000-3000 shots.
- AS-SQD presteerde aanzienlijk beter dan standaard SQD (geen expansie) en willekeurige expansie (Random SQD).
- Bij grotere systemen (bijv. 16 qubits, dimensie $2^{16}$ ) behield AS-SQD een zeer lage mediane absolute fout, terwijl andere methoden snel degradeerden.
- Ablatiestudies toonden aan dat de volledige EN-score (koppeling + energetische nabijheid) het beste werkt, maar dat alleen de koppelingssterkte ( $|\langle k|H|\psi_S\rangle|^2$ ) al een sterke indicator is.
Hardware Validatie (IBM Quantum):
- Tests werden uitgevoerd op de ibmq_pittsburgh processor.
- Ondanks extreme hardware-ruis (SPAM, decoherentie), slaagde AS-SQD erin om bij 8 qubits de exacte grondtoestand te identificeren (fout $\sim 10^{-14}$ ).
- De methode filterde hardware-ruis effectief door bitstrings met ruis een lage score te geven, zonder klassieke foutcorrectietechnieken zoals zero-noise extrapolatie.
Horizon-effect:
- Het uitbreiden van de zoekhorizon naar 2-hops (staten die twee stappen verwijderd zijn) bleek de convergentie te vertragen. De strikte 1-hop beperking bleek een gunstige inductieve bias te zijn.

5. Betekenis en Conclusie

AS-SQD biedt een krachtige oplossing voor het probleem van het extraheren van betrouwbare fysische eigenschappen uit imperfecte, beperkte kwantumdata.

Praktische Toepasbaarheid: De methode vereist geen volledige toestandstomografie en werkt direct met de ruwe output van NISQ-apparaten.
Schaalbaarheid: De klassieke rekentijd is afhankelijk van de grootte van de geselecteerde subspace (die klein wordt gehouden) en niet van de totale Hilbert-ruimte, waardoor het schaalbaar is voor grotere systemen.
Fysiek Geleid AI: Het paper illustreert een algemeen principe voor "Quantum AI" in het NISQ-tijdperk: gebruik fysiek afgeleide acquisitiefuncties (zoals perturbatietheorie) om te beslissen welke informatie als volgende moet worden opgehaald onder strikte steekproefbeperkingen.

De auteurs concluderen dat AS-SQD een significante verbetering is ten opzichte van bestaande subspace-methoden en een veelbelovende richting voor toekomstig onderzoek, inclusief toepassing op moleculaire elektronische structuurproblemen en adaptieve meetallocatie.