Pure and mixed Dicke state ansatz for equality and inequality constraints in variational quantum eigensolver

Dit artikel introduceert een naar haalbaarheid behoudende gemengde Dicke-toestand ansatz voor de Variational Quantum Eigensolver die zowel gelijkheids- als ongelijkheids-Hamminggewicht-beperkingen structureel codeert om de noodzaak voor straftermen te elimineren, waarbij een superieure prestatie wordt aangetoond ten opzichte van willekeurige zoektochten bij combinatorische portfolio-optimalisatie, terwijl tegelijkertijd de resterende uitdagingen voor NISQ-hardware-implementatie worden belicht.

De kern

Het Grote Plaatje: Het Beste Team Vinden in een Zee van Opties

Stel je voor dat je een manager bent die probeert het perfecte team van werknemers samen te stellen uit een vijver van 100 kandidaten. Je hebt twee hoofddoelen:

1. Maximaliseer prestaties (krijg de beste resultaten).
2. Volg strikte regels op (bijv. "Je moet precies 5 mensen kiezen," of "Je moet tussen de 3 en 7 mensen kiezen").

In de wereld van de financiële sector wordt dit Portfolio Optimalisatie genoemd. In plaats van werknemers kies je aandelen. In plaats van prestaties zoek je naar hoge rendementen met een laag risico.

Het probleem is dat naarmate het aantal kandidaten groeit, het aantal mogelijke teams explodeert. Elke mogelijke combinatie één voor één controleren (zoals een brute-force zoekopdracht) duurt eeuwig. Dit is waar Quantum Computing om de hoek komt kijken. Het belooft deze enorme mogelijkheden veel sneller te verkennen dan een gewone computer.

Het Probleem: De "Penalty" Valstrik

In het verleden probeerden wetenschappers dit met quantumcomputers op te lossen met een methode genaamd de Variational Quantum Eigensolver (VQE). Zie VQE als een student die een wiskundeprobleem probeert op te lossen.

Om ervoor te zorgen dat de student de regels volgt (zoals "kies precies 5 aandelen"), voegt de docent meestal een penalty (strafpunt) toe.

• Docent: "Als je 6 aandelen kiest, krijg je een grote rode streep op je papier."
• Student: "Oké, ik zal proberen die rode streep te vermijden."

Het probleem is dat de docent moet raden hoe groot die rode streep moet zijn. Als de penalty te klein is, negeert de student de regels. Als de penalty te groot is, raakt de student in de war en kan hij niet de beste oplossing vinden. Het afstemmen van deze "penalty" is een enorme hoofdpijn en leidt vaak tot slechte resultaten.

De Oplossing: De Regels Inbouwen in het Blauwdruk

Dit paper introduceert een nieuwe manier om de "student" van de quantumcomputer (een zogenaamde Ansatz) te bouwen. In plaats van achteraf strafpunten toe te voegen, bouwen de auteurs de regels direct in het DNA van de student.

Ze gebruiken iets dat Dicke States wordt genoemd.

• De Analogie: Stel je een magische doos voor die alleen teams van exact 5 mensen uitspuugt. Je kunt de doos niet vragen om 4 of 6 mensen te geven. Het is fysiek onmogelijk voor de doos om de regel te breken.
• Pure Dicke State: Dit is de doos die alleen teams van exact 5 mensen uitspuugt. Dit lost de "Gelijkheidseis" op (moet exact 5 zijn).
• Mixed Dicke State: Dit is de grote innovatie van het paper. Stel je een doos voor die teams van 3, 4, 5, 6 of 7 mensen kan uitspugen, maar nooit 2 of 8. Het is een "mengeling" van verschillende geldige teamgroottes. Dit lost de "Ongelijkheidseis" op (moet tussen de 3 en 7 zijn).

Door gebruik te maken van Density Matrices (een chique wiskundige manier om een mix van mogelijkheden te beschrijven), hebben de auteurs een quantumcircuit gecreëerd dat alleen maar geldige oplossingen verkent.

• Geen Penalties Nodig: Omdat de machine fysiek geen ongeldig team kan genereren, heb je geen rode strepen of strafpunten nodig.
• Geen Afstemming Nodig: Je hoeft niet te raden hoe streng de regels moeten zijn; de regels zitten hard-coded in de machine.

Hoe Ze Het Testten

De auteurs testten dit idee met een "Combinatorial Portfolio Optimization" probleem (het kiezen van de beste mix van aandelen). Ze creëerden drie scenario's, zoals het beklimmen van een berg met toenemende moeilijkheidsgraad:

1. Scenario 1 (Kleine Heuvel): Kies maximaal 4 aandelen uit 11 opties.
2. Scenario 2 (Middelgrote Heuvel): Kies tussen de 3 en 6 aandelen uit 11 opties.
3. Scenario 3 (Grote Berg): Een complexe mix waarbij verschillende groepen aandelen verschillende regels hebben (bijv. "Kies exact 3 uit Energie," "Kies 1 of 2 uit Financiën").

Ze vergeleken hun nieuwe "Regels-Ingebouwd" quantummethode met een Random Search (gewoon willekeurig geldige teams zoeken).

De Resultaten:

• Naarmate het aantal mogelijke geldige teams groter werd (van Scenario 1 naar 3), werd hun methode veel beter dan willekeurig gokken.
• Willekeurig gokken is als blindelings pijltjes gooien; uiteindelijk raak je misschien de roos, maar het duurt lang. Hun methode is als een geleide raket die alleen naar de geldige doelen vliegt.
• Ze vonden hoogwaardige oplossingen (portefeuilles op de "efficient frontier", oftewel de beste balans tussen risico en rendement) veel sneller dan bij een random search.

De Keerzijde: Ruis in de Echte Wereld

Het paper testte dit ook op echte quantumcomputers (de luidruchtige machines van IBM).

• Het Probleem: Echte quantumcomputers zijn als delicate instrumenten; ze zijn "luidruchtig". Een kleine verstoring kan een bit laten omdraaien (een 0 veranderen in een 1).
• Het Risico: Als een bit omdraait, kan een geldig team van 5 per ongeluk een team van 6 worden, waardoor de regel wordt gebroken.
• De Bevinding: De auteurs ontdekten dat hun "Mixed" methode (de doos die 3, 4, 5, 6 of 7 toestaat) eigenlijk robuuster is tegen deze fouten dan de strikte "Pure" methode. Als er een fout optreedt, is de "Mixed" doos eerder geneigd binnen het geldige bereik te blijven dan de strikte doos.
• De Werkelijkheid: Ondanks dit voordeel is de echte hardware nog steeds erg luidruchtig. De resultaten op echte machines hadden een foutmarge van ongeveer 50% vergeleken met simulaties. Het paper concludeert dat hoewel het idee briljant is, we betere "ruisonderdrukkingstechnologie" nodig hebben voordat dit gebruikt kan worden voor echt vermogensbeheer.

Samenvatting

Dit paper stelt een slimme truc voor aan quantumcomputers: Stop met het straffen van slechte antwoorden; bouw in plaats daarvan een machine die ze niet eens kan maken. Door de regels (zoals "kies 3 tot 7 aandelen") structureel te coderen in het quantumcircuit via "Mixed Dicke States", hebben ze de noodzaak voor lastige penalty-afstemming geëlimineerd. Hun experimenten toonden aan dat deze methode veel sneller de beste oplossingen vindt dan willekeurig zoeken, vooral voor complexe problemen, hoewel de ruis van de echte hardware nog een hindernis blijft die overwonnen moet worden.

Technische samenvatting

Technische Samenvatting: Pure en Gemengde Dicke-toestand Ansatz voor Gelijkheid en Ongelijkheid van Constraints in de Variational Quantum Eigensolver

Probleemstelling
Het artikel behandelt een centrale uitdaging bij het toepassen van Variational Quantum Algorithms (VQA's), specifiek de Variational Quantum Eigensolver (VQE), op combinatorische optimalisatie: het ontwerpen van een ansatz die expressief genoeg is om de haalbare subruimte van de Hilbertruimte te verkennen terwijl de probleemconstraints worden gerespecteerd. Traditionele benaderingen vertrouwen vaak op straftermen (penalty terms) in de objectieve functie om constraints (zoals Hamming-gewicht limieten) af te dwingen, wat de moeilijke afstemming van Lagrange-multiplicatoren vereist. Bovendien groeit, naarmate het aantal variabelen en constraints schaalt, de computationele kosten voor het vinden van optimale oplossingen exponentieel, wat exacte klassieke methoden onhandelbaar maakt en dwingt tot het vertrouwen op suboptimale benaderingen. Het specifieke probleemdomein dat wordt belicht is combinatorische portfolio-optimalisatie, waarbij het doel is om een subset van activa te selecteren om rendement te maximaliseren terwijl het risico wordt geminimaliseerd, onderworpen aan constraints op het aantal geselecteerde activa (Hamming-gewicht).

Methodologie
De auteurs stellen een haalbaarheidsbehoudend framework voor dat zowel gelijkheids- als ongelijkheidsconstraints direct in de quantumcircuit-ansatz structureel codeert, waardoor de noodzaak voor straftermen wordt geëlimineerd.

1. Pure en Gemengde Dicke-toestanden:

   • Gelijkheidsconstraints: Voor constraints die een exact aantal geselecteerde activa vereisen ($k=b$), maken de auteurs gebruik van een geparametriseerde pure Dicke-toestand ansatz. Deze toestand is een superpositie van computationele basis-toestanden met een vast Hamming-gewicht $k$, wat de zoektocht natuurlijk beperkt tot de haalbare subruimte.
   • Ongelijkheidsconstraints: Voor constraints die betrokken zijn bij boven- of ondergrenzen ($k \leq b$ of $k \geq b$), breiden de auteurs het formalisme uit naar gemengde Dicke-toestanden. Door het dichtheidsmatrix-formalisme en de open quantum systemen theorie te gebruiken, construeren zij een ansatz die een ensemble (mengsel) van Dicke-toestanden vertegenwoordigt met variërende Hamming-gewichten binnen het haalbare bereik.
   • Implementatie: De gemengde toestand wordt gegenereerd met behulp van ancilla-qubits om de conditionele voorbereiding van verschillende Dicke-toestanden te controleren. De gereduceerde dichtheidsmatrix van het systeem (verkregen door de ancilla uit te laten via de partial trace) beschrijft het mengsel. De VQE-objectieve functie wordt gegeneraliseerd om de trace van het product van deze dichtheidsmatrix en de probleem-Hamiltoniaan te minimaliseren: $\min \text{tr}(\sigma H)$.

2. Tensorproductstructuur:
   Het framework generaliseert naar problemen met meerdere constraint-groepen (bijv. verschillende sectoren in een portfolio) door de globale ansatz te construeren als een tensorproduct van individuele pure of gemengde Dicke-toestand dichtheidsmatrices. Dit maakt de gelijktijdige voldoening van diverse typen constraints (gelijkheid en ongelijkheid) over verschillende subsets van variabelen mogelijk.

3. Experimentele Opstelling:
   De aanpak werd gevalideerd met behulp van combinatorische portfolio-optimalisatie met drie scenario's van toenemende complexiteit:

   • Scenario I: 11 activa met een bovengrens-constraint ($k \leq 4$).
   • Scenario II: 11 activa met een bereik-constraint ($3 \leq k \leq 6$).
   • Scenario III: Een multi-sector portfolio (4 sectoren, elk met 5 activa) met een mix van gelijkheids- en ongelijkheidsconstraints, gebruikmakend van een tensorproduct-ansatz.
     De optimalisatie werd uitgevoerd met de CMA-ES (Covariance Matrix Adaptation Evolution Strategy) optimizer, een gradiëntvrije methode, en vergeleken met een random search beperkt tot de haalbare subruimte. Simulaties werden uitgevoerd op klassieke hardware (CPU/GPU) en gevalideerd op IBM NISQ-processors.

Belangrijkste Resultaten

• Zoonefficiëntie: Naarmate de grootte van de haalbare zoekruimte toenam (van 561 in Scenario I naar 45.000 in Scenario III), vertoonde het voorgestelde VQE-Dicke framework een duidelijk voordeel ten opzichte van random search. Het vereiste aanzienlijk minder objectieve functie-aanroepen om kwalitatief hoogwaardige oplossingen en de optimale oplossing te identificeren.
• Oplossingskwaliteit: In alle scenario's mapten de uit de geoptimaliseerde distributie gesamplede bitstrings naar portfolio's die op of nabij de klassieke efficiënte grens (efficient frontier) liggen. Zelfs wanneer de optimizer de dichtheidsmatrix niet volledig concentreerde op de enkele optimale bitstring, bleven de gesamplede oplossingen hoogwaardige haalbare kandidaten.
• Hardwareprestaties: Experimenten op IBM NISQ-processors bevestigden de theoretische haalbaarheid, maar benadrukten praktische beperkingen. De ansatz vertoonde relatieve fouten van ongeveer 50% op QPU's. De auteurs merken op dat hoewel de gemengde toestand-ansatz grotere theoretische robuustheid biedt tegen enkelvoudige bit-flip fouten (die een pure toestand buiten de haalbare set zouden kunnen plaatsen), de cumulatieve ruis van twee-qubit gates een aanzienlijke uitdaging blijft.

Betekenis en Claims
Het artikel claimt de eerste haalbaarheidsbehoudende gemengde Dicke-toestand ansatz te hebben geïntroduceerd die zowel gelijkheids- als ongelijkheidsconstraints kan afhandelen in VQE zonder straftermen. De primaire betekenis ligt in:

1. Structurele Constraint-codering: Door constraints direct in de ansatz te embedden via het dichtheidsmatrix-formalisme, elimineert de methode de noodzaak voor het afstemmen van Lagrange-multiplicatoren en vermindert het de complexiteit van het optimalisatielandschap.
2. Schaalbaarheid: De aanpak is bijzonder effectief in regimes waar de haalbare subruimte groot genoeg is om exhaustieve random sampling onpraktisch te maken, maar klein genoeg om een fractie van de totale Hilbertruimte te zijn ($O(n^k)$ vs $O(2^n)$).
3. Generaliseerbaarheid: Hoewel gevalideerd op portfolio-optimalisatie, wordt gesteld dat het framework direct toepasbaar is op andere combinatorische problemen met Hamming-gewicht constraints, zoals feature selectie en ensemble selectie.

De auteurs hanteren een bescheiden standpunt met betrekking tot praktische implementatie, waarbij zij erkennen dat ruisonderdrukking (noise mitigation) en circuit-transpilatie-optimalisaties openstaande uitdagingen blijven voor NISQ-hardware. Zij benadrukken dat het huidige werk dient als een theoretische en experimentele validatie van het potentieel van de ansatz, in plaats van een volledig gerealiseerde commerciële oplossing.