Harnessing DEN models for quantum computing tasks on neutral atom QPUs

Dit artikel demonstreert de succesvolle embedden van grafen van eiwit- en cellulaire antennesystemen op quantumprocessors met neutrale atomen (Orion Alpha van PASQAL en Aquila van QuEra) met behulp van Distance Encoder Networks, waarbij hoge embeddingspercentages worden bereikt voor quantummachinelearning- en grafkleuringstaken.

De kern

Stel je een zeer speciale, high-tech speeltuin voor, gemaakt van kleine, zwevende atomen. Deze speeltuin is een Quantumcomputer (specifiek, één die "neutrale atomen" gebruikt). In tegenstelling tot gewone computers die bits gebruiken (0'en en 1'en), maakt deze machine gebruik van atomen die tegelijkertijd in twee toestanden kunnen verkeren.

De onderzoekers in dit artikel stonden voor een lastige puzzel: Hoe neem je een complexe kaart (een graf) en pas je deze perfect aan op deze specifieke speeltuin?

Hier is de uiteenzetting van hun werk, met gebruikmaking van eenvoudige analogieën:

1. De Speeltuinregels (De Hardware)

Stel je de quantumcomputer voor als een rooster van onzichtbare "traps" waar je atomen kunt parkeren.

• De "Niet-toegangszone": Als twee atomen te dicht bij elkaar komen, stoten ze elkaar heftig af (zoals twee magneten met dezelfde pool naar elkaar toe gericht). Dit wordt het "blokkerings-effect" genoemd.
• De "Vriendschapszone": Als atomen dicht genoeg bij elkaar zijn (maar niet te dicht), kunnen ze met elkaar "praten".
• De Vorm: De speeltuin is geen perfecte cirkel; het is een rechthoek. Bovendien moeten de atomen in nette rijen worden geparkeerd, en die rijen moeten op de juiste afstand van elkaar staan.

Het doel was om een tekening van een netwerk (zoals een eiwitstructuur of een kaart van mobiele masten) te nemen en de punten ervan zo te herschikken dat ze aan deze strenge parkeerregels voldoen. Als de punten aan de regels voldoen, kan de quantumcomputer problemen over dat netwerk direct oplossen.

2. Het Probleem: De "Vrije Ruimte" versus de "Reële Wereld"

In hun eerdere werk gebruikte het team een slim AI-hulpmiddel (een DEN-model) dat deze punten overal in "vrije ruimte" kon rangschikken (stel je een blanco vel papier voor zonder lijnen). Het was uitstekend in het vinden van de perfecte vorm.

Maar toen ze probeerden om echte quantumcomputers te gebruiken (twee specifieke exemplaren genaamd Orion Alpha en Aquila), liepen ze tegen een muur aan:

• Orion Alpha: De atomen moesten worden geparkeerd op een specifiek driehoekig rooster (zoals een honingraat). Je kon niet zomaar een atoom ergens neerzetten; het moest vastklikken op een specifieke val.
• Aquila: De atomen moesten passen in een rechthoek en in rijen blijven met een specifieke onderlinge afstand.

Het was alsof je probeert een auto te parkeren in een garage waar de plekken op de vloer zijn geschilderd, maar je AI je vertelt om in het midden van de oprit te parkeren.

3. De Oplossing: De "Slimme Verhuizer"

Het team heeft hun AI-hulpmiddel geüpgraded om deze reële beperkingen te hanteren.

• Voor de Honingraat (Orion Alpha):
  Ze gebruikten een "Naaste Buur"-strategie. Stel je een lijst met mensen (de punten) en een lijst met stoelen (de vallen) voor.

  1. De AI bepaalt eerst de ideale zitindeling in vrije ruimte.
  2. Vervolgens neemt het de belangrijkste mensen (degenen met de meeste vrienden/verbindingen) en plaatst ze eerst.
  3. Het plaatst ze in de dichtstbijzijnde beschikbare stoel op het honingraatrooster.
  • Resultaat: Ze slaagden erin om een netwerk van 90 mobiele masten in Turijn, Italië, op de machine af te beelden. Hoewel de zitindeling wiskundig niet perfect was, kon de computer toch het "kleurprobleem" oplossen (het toewijzen van unieke ID's aan masten om signaalconflicten te voorkomen).

• Voor de Rechthoek (Aquila):
  Ze voegden een nieuwe "regel" toe aan het brein van de AI. Ze leerden de AI dat als twee punten in dezelfde rij zitten, ze ver genoeg uit elkaar moeten staan, of als ze in verschillende rijen zitten, de rijen voldoende uit elkaar moeten liggen.

  • Resultaat: Ze probeerden honderden eiwitstructuren af te beelden.
    • Voor kleine eiwitten (tot 12 punten) slaagden ze ongeveer 76% van de tijd.
    • Voor middelgrote eiwitten (tot 16 punten) daalde het succes naar 68%.
    • Voor grotere eiwitten (tot 256 punten) daalde het succes naar 34%.

4. Waarom Dit Belangrijk Is (Het "En dan?")

Het artikel laat zien dat, hoewel het passen van complexe vormen op deze quantummachines moeilijk is (zoals proberen een grote kaart in een klein zakje te vouwen), hun methode beter werkt dan traditionele wiskundige oplossers.

• De Vergelijking: Oude wiskundige hulpmiddelen probeerden dit urenlang op te lossen en gaven vaak op (0% succes). De AI-methode van het team vond meestal een oplossing in minder dan 5 minuten.
• De Conclusie: Zelfs als ze niet elk graf perfect konden laten passen, konden ze er genoeg van laten passen om echte experimenten uit te voeren. Ze bewezen dat je reële gegevens (zoals mobiele masten of eiwitten) kunt vertalen naar een taal die deze quantummachines begrijpen.

Samenvattende Analogie

Stel je voor dat je een groep vrienden probeert te rangschikken voor een foto.

• De Oude Manier: Je zegt hen in een perfecte cirkel te gaan staan.
• De Nieuwe Realiteit: Je staat op een podium met specifieke, vooraf gemarkeerde plekken, en sommige vrienden zijn allergisch om te dicht bij anderen te staan.
• De Bijdrage van het Artikel: Ze bouwden een slimme assistent die snel uitzoekt wie waar staat op de specifieke podiumplekken, zodat iedereen tevreden is (of in ieder geval de foto gemaakt kan worden), zelfs als de perfecte cirkel niet mogelijk is. Ze hebben dit getest op twee verschillende podia en bewezen dat het werkt voor veel verschillende groepen vrienden.

Technische samenvatting

Technische Samenvatting: Het Benutten van DEN-Modellen voor Quantum Computing-taken op Neutral Atom QPUs

Probleemstelling
Neutral atom quantum processors (QPUs), zoals die ontwikkeld door PASQAL (Orion Alpha) en QuEra (Aquila), gebruiken individuele Rubidium-atomen als qubits. Deze machines representeren Unit-Disk Graphs (UDGs) op natuurlijke wijze via hun Hamilton-dynamica, waarbij randen bestaan tussen qubits als hun fysieke scheiding binnen een specifieke Rydberg-straal ($r_b$) ligt. Het echter afbeelden van willekeurige probleemgrafieken (bijvoorbeeld eiwitstructuren of cellulaire antennenetwerken) op deze fysieke registers wordt beperkt door hardware-beperkingen. Specifiek moeten atomen worden gepositioneerd op vaste coördinaten (vaak een driehoekig rooster) of voldoen aan strikte rij-afstandsbeperkingen, en moet het systeem voldoen aan afstandsvereisten om te onderscheiden tussen aangrenzende en niet-aangrenzende hoekpunten. Vorig werk introduceerde Distance Encoder Networks (DEN) om UDG's in te bedden onder "vrije ruimte"-aannames, maar deze modellen hielden geen rekening met de discrete, beperkte geometrieën van real-world QPUs.

Methodologie
De auteurs hebben het DEN-kader aangepast om de specifieke hardware-beperkingen van twee verschillende QPUs aan te pakken:

1. Orion Alpha (PASQAL):

   • Beperking: Atomen moeten vaste posities innemen binnen een driehoekig rooster (61 valkuilen, zijlengte 5µm) met een minimale atoom-atoomafstand van 5µm en een maximum van 40µm.
   • Aanpak: Aangezien het DEN-model continue coördinaten in vrije ruimte genereert en geen inheemse omgang kan hebben met discrete integraliteitsbeperkingen binnen zijn differentieerbare verliesfunctie, hanteerden de auteurs een tweestapsproces. Eerst werd het DEN-model getraind om een haalbare inbedding te genereren onder vrije ruimte-aannames. Vervolgens werd een naaste-buur-algoritme toegepast om deze continue coördinaten af te beelden op de dichtstbijzijnde beschikbare valkuil in het driehoekige rooster. Hoekpunten werden gesorteerd op graad (aflopend) voorafgaand aan het afbeelden om de plaatsing van sterk verbonden knopen te prioriteren.

2. Aquila (QuEra):

   • Beperking: Het register is rechthoekig (75µm × 76µm) en vereist dat atomen zijn georganiseerd in rijen met een minimale verticale afstand van 4µm.
   • Aanpak: De auteurs hebben de DEN-architectuur direct aangepast. Ze introduceerden een rij-afstandsbeperking in de Embedding Loss Function (ELF). De modelarchitectuur werd bijgewerkt met een CoordL-laag (met een tanh-activering om coördinaten binnen het rechthoekige register te begrenzen) en een DistL-laag. De DistL-laag berekent zowel de standaard paarsgewijze kwadratische afstanden als de kwadratische rij-afstanden ($y'_i - y'_j)^2$). Een nieuwe straalcomponent, ELFrow, werd toegevoegd aan de verliesfunctie om configuraties te bestraffen waarbij rij-afstanden tussen 0 en 4µm liggen, terwijl afstanden $\ge$ 4µm of 0 (dezelfde rij) worden toegestaan.

Belangrijkste Bijdragen

• Hardware-bewuste Inbedding: Het artikel presenteert een methodologie om over te gaan van theoretische vrije ruimte UDG-inbeddingen naar hardware-haalbare oplossingen voor twee echte QPUs.
• Algoritmische Aanpassing:
  • Voor discrete roosters (Orion Alpha) werd een heuristische strategie voor herafbeelding via de naaste buur ontwikkeld om DEN-uitvoer om te zetten in geldige valkuilconfiguraties.
  • Voor rechthoekige registers met rij-beperkingen (Aquila) werd het DEN-model structureel gewijzigd om rij-afstandsbeperkingen direct af te dwingen binnen de verliesfunctie van het neurale netwerk.
• Toepassing-specifieke Validatie: De aanpak werd gevalideerd op twee verschillende use-cases:
  • Grafkleuring: Het oplossen van Principal Cell Identifier (PCI)-optimalisatie voor 90 cellulaire antennes in Turijn, Italië, met behulp van het hybride BBQ-mIS-algoritme op Orion Alpha.
  • Quantum Machine Learning: Het classificeren van eiwitten (enzym vs. niet-enzym) met behulp van de PROTEINS-dataset op Aquila.

Resultaten

• Orion Alpha (Grafkleuring): De dataset van 90 antennes werd ontleed in samenhangende componenten. Hoewel geïsoleerde hoekpunten en volledige grafen triviale oplossingen hadden, slaagden de auteurs erin vier niet-triviale subgrafieken in te bedden (groottes 7, 7, 10 en 19 hoekpunten). Hoewel de herafbeelding naar het rooster de kwaliteit van de inbedding verminderde (door de kloof tussen aangrenzende en niet-aangrenzende afstanden te verkleinen), bleef het BBQ-mIS-algoritme robuust en slaagde het erin optimale kleuringen te vinden ondanks onvolmaakte UDG-representaties.
• Aquila (Eiwitclassificatie):
  • Voor grafen met $n \le 12$ bereikte het DEN-model een slaagpercentage van 76% (158/207 steekproeven).
  • Voor grafen met $n \le 16$ daalde het slaagpercentage tot 68% (210/307 steekproeven).
  • Voor de volledige dataset ($n \le 256$) was het slaagpercentage 34% (279 steekproeven).
  • De auteurs merken op dat hoewel de slaagpercentages afnemen naarmate de grafgrootte toeneemt door geometrische beperkingen, de DEN-heuristiek aanzienlijk beter presteert dan state-of-the-art Mixed Integer Programming (MIP)-oplossers, die zelfs op kleinere grafen een succespercentage van bijna 0% bereikten, zelfs met 5–10 uur rekentijd. Het DEN-model levert doorgaans oplossingen in minder dan 5 minuten.

Betekenis en Beweringen
Het artikel beweert dat deze resultaten de effectiviteit en veelzijdigheid onderstrepen van de DEN-gebaseerde inbeddingsaanpak voor het representeren van unit-disk grafen op neutral atom quantum computers in diverse toepassingen. De auteurs benadrukken dat zelfs gedeeltelijk succes in het inbedden van grote, complexe grafen een aanzienlijke vooruitgang vertegenwoordigt, vooral gezien het gebrek aan bestaande hulpmiddelen voor het afbeelden van problemen op deze specifieke hardware-architecturen. Zij suggereren dat voor kleinere grafen een strategie waarbij de grafiek meerdere keren binnen het register wordt gerepliceerd (zorgend voor voldoende afstand tussen de kopieën) de uitvoering van quantum-taken verder kan optimaliseren door de meetvereisten te verminderen. Het werk dient als een praktische brug tussen theoretische grafproblemen en de fysieke beperkingen van huidige neutral atom QPUs.