⚛️ quantum physics

A generalized framework for quantum subspace diagonalization

Dit artikel introduceert een geavanceerd raamwerk voor het oplossen van Hamiltonian-eigenproblemen in een subspace gedefinieerd door op een quantumcomputer gesamplede bit-strings, wat leidt tot een unificatie van qubit- en fermionische systemen en aanzienlijke verbeteringen in geheugengebruik en rekentijd.

Oorspronkelijke auteurs: Paul D. Nation, Abdullah Ash Saki, Hwajung Kang

Gepubliceerd 2026-03-20

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Paul D. Nation, Abdullah Ash Saki, Hwajung Kang

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 enorme, ingewikkelde puzzel probeert op te lossen: het vinden van de "grondtoestand" (de meest stabiele, energiezuinigste toestand) van een molecuul of een magnetisch materiaal. In de quantumwereld is dit als proberen de perfecte balans te vinden in een kamer vol met miljarden dansende deeltjes.

Vroeger moesten supercomputers proberen alle mogelijke combinaties van deze deeltjes te bekijken. Dat is als proberen elke mogelijke uitweg uit een doolhof te testen voordat je de juiste vindt. Het kostte eeuwen en enorme hoeveelheden geheugen.

Wat is Fulqrum?
De auteurs van dit paper (van IBM Quantum) hebben een nieuwe, slimme manier bedacht om dit op te lossen, genaamd Fulqrum. Je kunt het zien als een slimme filter en een super-efficiënte archivaris in één.

Hier is hoe het werkt, vertaald naar alledaagse metaforen:

1. De "Quantum-Selectie" (Het Begin)

In plaats van de hele puzzel zelf op te lossen, laat je een quantumcomputer een klein deel van het werk doen: het "snuffelen". De quantumcomputer stopt met het berekenen van alles en geeft je een lijst met de meest veelbelovende stukjes van de puzzel (de "bit-strings").

Vergelijking: Stel je voor dat je op zoek bent naar de beste route door een stad. In plaats van elke straat in de stad te rijden, laat je een drone (de quantumcomputer) een snelle rondvlucht maken en je een lijst geven van de 100 meest waarschijnlijke routes.

2. De "Grote Sorteerder" (Het Nieuwe Alphabet)

Het oude probleem was dat de software niet goed wist hoe ze met deze lijst moest omgaan, vooral als het om complexe deeltjes (fermionen) ging. Ze moesten alles eerst omzetten in een taal die de computer begrijpt, wat veel tijd kostte.
Fulqrum gebruikt een uitgebreide taal (een "extended alphabet").

Vergelijking: Stel je voor dat je een bibliotheek hebt. De oude methoden moesten elk boek eerst vertalen naar een andere taal voordat ze het konden sorteren. Fulqrum heeft een bibliotheekbeheerder die direct begrijpt dat een boek over "ladders" en "projecties" (specifieke quantum-operatoren) eigenlijk hetzelfde is als een boek over "X, Y en Z". Ze groeperen de boeken direct op inhoud, waardoor ze alleen de boeken hoeven te lezen die echt relevant zijn. Dit bespaart enorm veel tijd.

3. De "Slimme Archiefkast" (Bit-sets en Hash Maps)

De lijst met mogelijke routes (de subspace) kan gigantisch zijn. Als je die op een gewone manier opslaat, raak je je geheugen kwijt.
Fulqrum gebruikt Bit-sets en Hash Maps.

Vergelijking:
- Oude methode: Je schrijft elke route op een los vel papier en legt ze in een grote stapel. Om te zien of route X al bestaat, moet je de hele stapel doorbladeren.
- Fulqrum-methode: Je gebruikt een slimme archiefkast met een barcode-systeem. Je kunt direct naar de juiste lade springen (via de hash map) om te zien of een route al bestaat. Bovendien worden de routes niet als lange lijsten geschreven, maar als compacte "bit-sets" (zoals een reeks aan/uit-schakelaars), wat veel minder ruimte inneemt. Het is alsof je in plaats van een hele foto, alleen de pixel-coördinaten opslaat.

4. De "Spaarzame Bouwer" (Matrix-vrije methoden)

Soms is het zelfs niet nodig om de hele puzzel op papier te zetten (een matrix te bouwen).

Vergelijking: Stel je voor dat je een muur moet bouwen.
- Oude methode: Je bouwt de hele muur van bakstenen, ook al heb je alleen maar de bovenste laag nodig om het antwoord te zien. Dit kost veel bakstenen (geheugen).
- Fulqrum-methode: Je berekent alleen de kracht van de muur op het moment dat je er tegenaan duwt. Je bouwt de muur niet fysiek, maar je "voelt" hem direct. Dit heet "matrix-free". Je gebruikt veel minder ruimte, maar het kost iets meer tijd om de berekening te doen. Je hebt de keuze: snel en veel ruimte, of langzaam en heel weinig ruimte.

Waarom is dit belangrijk?

De auteurs hebben getoond dat Fulqrum veel sneller is en minder geheugen gebruikt dan de huidige beste methoden (zoals qiskit-addon-sqd of Dice).

In sommige gevallen is het 10 tot 130 keer sneller.
Het kan problemen oplossen met veel meer qubits dan voorheen mogelijk was (geen limiet meer van 128 qubits).

Conclusie:
Fulqrum is als een slimme, flexibele tolk en logistiek expert voor quantumcomputers. Het zorgt dat de quantumcomputer zijn kracht gebruikt om de beste hints te geven, en dat de klassieke computer die hints op de meest efficiënte manier verwerkt, zonder vast te lopen in een zee van data. Dit maakt het mogelijk om in de toekomst veel complexere moleculen en materialen te simuleren, wat essentieel is voor het vinden van nieuwe medicijnen of batterijen.

Titel: Een gegeneraliseerd raamwerk voor kwantum subruimte-diagonalisatie

Auteurs: Paul D. Nation, Abdullah Ash Saki, en Hwajung Kang (IBM Quantum)
Datum: 20 maart 2026

1. Het Probleem

Kwantum-eigenwaardeproblemen (het vinden van de grondtoestand en geëxciteerde toestanden van een Hamilton-operator) zijn fundamenteel voor toepassingen in kwantumchemie en optimalisatie. Bestaande methoden voor Quantum Subspace Diagonalization (QSD) hebben echter enkele kritieke beperkingen:

Gebrek aan universaliteit: Bestaande tools zijn vaak specifiek voor qubit-systemen of fermionische systemen (moleculen) en vereisen complexe transformaties (zoals Jordan-Wigner) om tussen deze domeinen te schakelen.
Schalingsbeperkingen: Veel huidige implementaties zijn beperkt tot systemen met maximaal 128 qubits vanwege beperkingen in standaard integer-datastructuren.
Efficiëntie: Het omzetten van Hamilton-operatoren en subruimtes (bepaald door bit-strings van een kwantumcomputer) naar datastructuren die geschikt zijn voor efficiënte klassieke berekeningen (zoals Sparse Matrix-Vector Multiplication of SpMV) is vaak een knelpunt in termen van geheugengebruik en rekentijd.
Rigiditeit: Bestaande frameworks laten gebruikers weinig keuze in de gebruikte klassieke eigenoplossers (eigensolvers) of optimalisatietechnieken.

2. Methodologie: Het Fulqrum Framework

De auteurs introduceren Fulqrum, een geünificeerd, hoog-presterend framework dat zowel qubit- als fermionische systemen aanpakt zonder fundamentele limiet op het aantal qubits. De kernmethodologie omvat:

A. Uitgebreide Operator-Alfabet

In plaats van alleen Pauli-operatoren ( $X, Y, Z, I$ ) te gebruiken, introduceert Fulqrum een uitgebreid alfabet dat ook projectie-operatoren ( $\hat{0}, \hat{1}$ ) en ladder-operatoren ( $\hat{a}^-, \hat{a}^+$ ) omvat.

Fermionische systemen worden direct gemapt naar qubit-Hamiltonianen met dit uitgebreide alfabet via een aangepaste Jordan-Wigner-transformatie.
Dit elimineert de noodzaak voor complexe decompositie naar Pauli-termen en behoudt de structuur van de operatoren, wat leidt tot efficiëntere berekeningen.

B. Operator Groepering en Sortering

Om de berekening van matrix-elementen te optimaliseren, worden Hamilton-termen gegroepeerd en gesorteerd op basis van hun off-diagonale structuur (de indices waar niet-triviale operatoren optreden).

Termen met dezelfde off-diagonale structuur worden gegroepeerd.
Voor fermionische systemen worden ladder-operatoren binnen een groep omgezet naar een binair getal (de "ladder integer").
Voordeel: Dit stelt het framework in staat om groepen termen te overslaan die geen bijdrage leveren aan een specifieke matrix-element (bijvoorbeeld omdat de projectie-operatoren de waarde nul opleveren), wat de rekentijd drastisch verlaagt.

C. Datastructuren voor Subruimtes

De subruimte wordt gedefinieerd door een verzameling bit-strings gesampleerd van een kwantumprocessor.

Bit-sets: In plaats van integers worden bit-sets (boost::dynamic_bitset) gebruikt. Dit elimineert de limiet van 128 qubits en verlaagt het geheugengebruik.
Hash Map: De subruimte wordt opgeslagen in een aangepaste emhash8::HashMap. Deze structuur ondersteunt parallelle toegang tot sleutels en snelle opzoekingen.
Cache-optimalisatie: De implementatie gebruikt een bit-set voor bezettingsinformatie van "buckets" in de hash map. Dit maakt het mogelijk om in één cache-line-lading te controleren of 512 buckets bezet zijn, wat de zoekefficiëntie aanzienlijk verbetert.

D. Matrix-evaluatie en SpMV

Fulqrum genereert datastructuren die compatibel zijn met klassieke eigenoplossers (zoals ARPACK, PRIMME, SLEPc).

CSR (Compressed Sparse Row): Het framework kan een expliciete CSR-matrix construeren. Het gebruikt een "fast" methode die dynamische vectoren gebruikt voor snelle opbouw, gevolgd door conversie naar standaard CSR.
Matrix-vrij (Matrix-free): Voor systemen waar het opslaan van de volledige matrix te veel geheugen kost, biedt Fulqrum een matrix-vrije interface. Hierbij worden matrix-elementen "on-the-fly" berekend tijdens de SpMV-operatie.
Symmetrie-uitbuiting: Door alleen de onder- (of boven-) driehoek van de Hermitische matrix te evalueren, wordt het aantal berekeningen gehalveerd. Dit wordt gedaan door te kijken naar de Meest Significant Off-diagonale Bit (MSOB) van de rij, zonder de volledige kolom-bit-string te hoeven genereren.

E. RAMPS (Recursive Algorithm for Minimal Perturbative Subspaces)

Als voorverwerkingsstap wordt een recursief algoritme gebruikt om de subruimte te "trimmen".

Het algoritme verwijdert bit-strings die slechts een verwaarloosbare bijdrage leveren aan de uiteindelijke eigenenergie (bepaald door een gebruikte tolerantie).
Dit reduceert de dimensie van het probleem met factoren van 40x tot 39.000x in de geteste voorbeelden, zonder significant verlies aan nauwkeurigheid.

3. Belangrijkste Resultaten

De auteurs vergelijken Fulqrum met bestaande tools zoals qiskit-addon-sqd (voor qubits) en Dice (voor chemie).

Snelheid:
- Voor het projecteren van een Heisenberg-spin-keten (30-60 qubits) is Fulqrum meer dan een orde van grootte sneller dan qiskit-addon-sqd.
- Voor moleculaire systemen ( $N_2$ en $CH_4$ -dimer) is Fulqrum 34% en 9% sneller dan Dice bij het bouwen van de volledige CSR-matrix.
Geheugenefficiëntie:
- Fulqrum verbruikt aanzienlijk minder piekgeheugen. Bij de $CH_4$ -dimer berekening is er een 5x reductie in geheugenverbruik ten opzichte van Dice.
- Met de RAMPS-optimatie is het geheugengebruik tot 130x lager dan bij Dice voor de $N_2$ -molecule.
- De matrix-vrije modus maakt het mogelijk om volledige subruimte-berekeningen uit te voeren op een persoonlijke laptop (geheugenreductie van ~94x t.o.v. CSR-methoden voor $N_2$ ).
Schalbaarheid:
- Het framework werkt succesvol met subruimtes van tientallen miljoenen bit-strings en is niet beperkt door het aantal qubits (tot ver boven de 128-qubit grens).

4. Bijdragen en Significantie

Unificatie: Fulqrum biedt een enkele, flexibele interface voor zowel qubit- als fermionische eigenproblemen, wat de drempel voor onderzoekers verlaagt en interoperabiliteit bevordert.
Prestaties zonder inlevering: Het demonstreert dat een gegeneraliseerd raamwerk niet per se ten koste gaat van de prestaties; Fulqrum overtreft gespecialiseerde tools in zowel snelheid als geheugengebruik.
Toegang tot Quantum Advantage: Door de beperkingen op het aantal qubits te verwijderen en de klassieke rekentijd te minimaliseren, maakt Fulqrum het mogelijk om grootschalige problemen op te lossen die relevant zijn voor de realisatie van kwantumvoordeel op huidige en toekomstige hardware.
Flexibiliteit: Gebruikers kunnen hun eigen klassieke eigenoplossers en voorverwerkingsstappen (zoals RAMPS) kiezen, wat de aanpasbaarheid voor specifieke toepassingen maximaliseert.

Conclusie

Dit werk presenteert een doorbraak in de klassieke verwerking van kwantum-sampled data. Door slimme datastructuren, een uitgebreid operator-alfabet en geavanceerde optimalisatietechnieken zoals RAMPS en MSOB-checking, biedt Fulqrum een robuust en schaalbaar platform voor de volgende generatie kwantum-chemische en fysieke simulaties.