⚛️ quantum physics

Benchmark of Pauli Correlation Encoding for different optimisation problems

Dit artikel evalueert een quantum-klassiek optimalisatiekader met behulp van Pauli Correlation Encoding over drie combinatorische problemen, waarbij de bekwaamheid wordt aangetoond om concurrerende of superieure oplossingen te bereiken, terwijl de impact van de coderingsvolgorde, probleemstructuur, hyperparameters en hardwareruis wordt geanalyseerd.

Oorspronkelijke auteurs: Fernando Alonso, Colomán Samprón, Jacobo Veiga, Mariamo Mussa Juane, Andrés Gómez

Gepubliceerd 2026-07-03

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Fernando Alonso, Colomán Samprón, Jacobo Veiga, Mariamo Mussa Juane, Andrés Gómez

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 probeert een enorme, ingewikkelde puzzel op te lossen, maar je hebt alleen een piepklein doosje om de stukjes in te doen. Dit is de huidige realiteit van quantum computing: de "doosjes" (quantumcomputers) zijn klein en luidruchtig, terwijl de puzzels (optimalisatieproblemen) enorm zijn.

Dit artikel is als een rapport van een team ingenieurs dat een nieuwe, slimme manier test om die enorme puzzel zo te vouwen dat hij in het kleine doosje past zonder dat de afbeelding verloren gaat. Ze noemen deze nieuwe vouwmethode Pauli Correlation Encoding (PCE).

Hier is een uitsplitsing van hun bevindingen met eenvoudige analogieën:

1. Het Probleem: Het "Te groot voor de doos"-dilemma

Normaal gesproken, om een probleem met 100 variabelen op te lossen (zoals 100 stops voor een bezorger of 100 mensen aan een tafel zetten), heeft een standaard quantumcomputer 100 "qubits" (quantum bits) nodig. Maar huidige computers hebben slechts ongeveer 50 tot 100 qubits in totaal, en ze zijn erg gevoelig voor ruis (zoals proberen een kaartenhuis te bouwen in een storm).

De PCE-oplossing:
De auteurs stellen een manier voor om de puzzel te "comprimeren". In plaats van 100 qubits nodig te hebben voor 100 variabelen, kan PCE die 100 variabelen weergeven met slechts een handvol qubits (misschien wel 10 of 15).

De Analogie: Stel je voor dat je een bibliotheek hebt van 1.000 boeken. Een standaardmethode vereist een plank voor elk afzonderlijk boek. PCE is als een magisch compressie-algoritme dat je in staat stelt om al die 1.000 boeken op één enkele, kleine plank te bewaren door hun relaties te coderen in plaats van hun fysieke omvang.

2. De Proefrit: Drie Klassieke Puzzels

Om te zien of deze "vouwtruc" daadwerkelijk werkt, heeft het team het getest op drie beroemde soorten logische puzzels die in de echte wereld voorkomen:

Het Maximum Cut Problem (MCP): Stel je een groep vrienden voor op een feestje voor. Je wilt ze in twee groepen verdelen zodat het grootste aantal vriendschappen tussen de groepen door loopt.
Het Bin Packing Problem (BPP): Stel je voor dat je een heleboel dozen van verschillende formaten hebt en een beperkt aantal verzendcontainers. Je wilt alles in zo min mogelijk containers verpakken zonder dat ze overstromen.
Het Traveling Salesman Problem (TSP): Stel je voor dat een verkoper precies 20 steden moet bezoeken en vervolgens terugkeert naar huis via de kortste route.

Ze vergeleken hun PCE-methode met de best bekende oplossingen (de "gouden standaard") en ontdekten dat PCE vaak oplossingen kon vinden die net zo goed, en soms zelfs beter, waren dan de standaardmethoden.

3. De "Knoppen en Draaiknoppen" (Hyperparameters)

De methode is niet automatisch; het vereist afstelling. De auteurs ontdekten twee belangrijke "knoppen" waar ze aan moesten draaien om goede resultaten te krijgen:

De "Scherpte"-knop ( $\alpha$ ): De wiskunde behandelt de variabelen aanvankelijk als "vage" getallen (zoals 0,5) in plaats van strikte "Ja/Nee" (0 of 1). De $\alpha$ -knop maakt deze vage getallen "scherper" en besluitvaardiger. Ze ontdekten dat het omhoog draaien van deze knop (het maken van de getallen duidelijker) meestal leidde tot betere puzzeloplossingen.
De "Smoothing"-knop ( $\beta$ ): Deze helpt de computer om meer vloeiend te zoeken. Interessant genoeg ontdekten ze dat het soms net zo goed werkte om deze knop op nul te laten staan als om hem omhoog te draaien, wat een beetje een verrassing is.

4. De "Compressieorde" Afweging

Het team testte verschillende niveaus van compressie (hoe strak ze de puzzel vouwden).

Losse Vouw (Lage Compressie): Makkelijker voor de computer om te verwerken, maar het had moeite met de grotere, moeilijkere puzzels.
Strakke Vouw (Hoge Compressie): Hiermee kon de computer veel grotere puzzels oplossen, maar het vereiste een veel dieper en complexer "circuit" (een langere keten van instructies).
Het Resultaat: Het is een afweging. Om de moeilijkste puzzels op te lossen, moet je de puzzel strakker vouwen, maar dat maakt de instructies langer en moeilijker perfect uit te voeren.

5. De "Ruis"-factor: Wanneer statische elektriciteit helpt

Echte quantumcomputers zijn luidruchtig. Meestal is ruis slecht — het is als statische elektriciteit op een radio die het liedje verpest.

De Bevinding: Het team simuleerde wat er gebeurt als je dit op een echte, luidruchtige machine draait. Ze ontdekten dat hoewel de ruis de precisie van het antwoord weliswaar beperkt, het de computer soms juist helpt om uit "doodlopende wegen" te ontsnappen.
De Analogie: Stel je voor dat je probeert het laagste punt in een mistig dal te vinden (de beste oplossing). Als de grond perfect glad is, kun je vast komen te zitten in een kleine kuil en denken dat dit de bodem is. Een beetje "schudden" (ruis) kan je soms uit die kleine kuil helpen en je helpen om naar de echte bodem te rollen.

6. De "Polijst"-stap

De quantumcomputer geeft een eerste versie van de oplossing. De auteurs ontdekten dat een snelle, eenvoudige "polijststap" uitgevoerd door een klassieke computer (een gewone laptop) na het quantumgedeelte het uiteindelijke antwoord aanzienlijk kon verbeteren.

De Analogie: De quantumcomputer is als een ruwe beeldhouwer die de algemene vorm van een standbeeld uithakt. De klassieke nabewerking is als een fijne kunstenaar die de details gladstrijkt en het standbeeld perfect maakt.

Samenvatting

Het artikel concludeert dat deze "Pauli Correlation Encoding" een krachtig hulpmiddel is. Het stelt ons in staat om grote, complexe optimalisatieproblemen op kleine, imperfecte quantumcomputers op te lossen door de gegevens efficiënt te comprimeren. Hoewel het zorgvuldige afstelling van instellingen en wat extra "polijsten" achteraf vereist, toont het veelbelovende resultaten voor het huidige tijdperk van quantum computing, waarin machines klein en luidruchtig zijn.

Technische Samenvatting: Benchmark van Pauli Correlation Encoding voor Verschillende Optimalisatieproblemen

1. Probleemstelling

Het artikel behandelt de schaalbaarheidsbeperkingen van Variational Quantum Algorithms (VQA's) in het Noisy Intermediate-Scale Quantum (NISQ) tijdperk. Specifiek richt het zich op de uitdaging van het coderen van klassieke combinatorische optimalisatieproblemen waarbij het aantal vereiste qubits doorgaans lineair schaalt met het aantal binaire variabelen. Deze lineaire schaling beperkt de omvang van problemen die op huidige hardware kunnen worden opgelost.

De auteurs onderzoeken Pauli Correlation Encoding (PCC), een recent voorgestelde coderingmethode die in staat is om $m$ binaire variabelen te representeren met een polynomiaal aantal qubits $n$ (waarbij $n \ll m$ ). De kern van het probleem is evalueren of PCC, in combinatie met een variationeel framework, effectief klassieke optimalisatieproblemen kan oplossen terwijl de kwaliteit en haalbaarheid van de oplossing behouden blijven, met name onder de beperkingen van shot-gebaseerde executie en hardware-ruis.

2. Methodologie

De studie maakt gebruik van een hybride quantum-klassiek framework waarbij een Parametriserend Quantum Circuit (PQC) wordt geoptimaliseerd om een kostenfunctie te minimaliseren die is aangepast aan de PCC-methode.

2.1 Coderingmethode

De PCC brengt $m$ binaire variabelen $\vec{z} \in \{-1, 1\}^m$ in naar de verwachte waarden van een subset van traceless Pauli-strings $\Pi$ . De variabelen worden gereconstrueerd via:
$z_i := \text{sgn}(\langle \Psi | \Pi_i | \Psi \rangle)$
waarbij $|\Psi\rangle$ de quantumtoestand is. De codering gebruikt een compressieorde $k$ , waarbij Pauli-strings worden geselecteerd die gevormd zijn door tensorproducten van $k$ niet-identieke Pauli-matrices. Dit maakt het mogelijk om tot $m = 3 \binom{n}{k}$ variabelen te coderen met $n$ qubits.

2.2 Circuit Ansatz en Optimalisatie

Ansatz: Er wordt een probleem-agnostische, hardware-efficiënte baksteenstructuur gebruikt. Deze wisselt lagen van geparametriseerde single-qubit rotaties ( $R_X, R_Y, R_Z$ ) en two-qubit rotaties ( $R_{XX}, R_{YY}, R_{ZZ}$ ) op naburige qubits af. De circuitdiepte schaalt als $O(m^{1-1/k})$ .
Relaxatie: Om optimalisatie te vergemakkelijken, wordt de discrete tekenfunctie gerelaxeerd met behulp van een hyperbolische tangens: $z_i := \tanh(\alpha \langle \Pi_i \rangle)$ . Ook is een regularisatieterm toegevoegd om verwachte waarden rond nul te concentreren.
Klassieke Optimaleerder: Differential Evolution (DE) wordt gebruikt als een gradiëntvrije optimelaar om door het kostenlandschap te navigeren en lokale minima te vermijden.
Post-processing: Een klassieke post-processing stap wordt toegepast op de gerelaxeerde oplossingen om haalbaarheid af te dwingen en de kwaliteit van de oplossing te verbeteren (bijv. bit-flipping voor MCP, bin-reassignment voor BPP, 2-opt voor TSP).

2.3 Benchmark en Problemen

Het framework wordt geëvalueerd tegen de QOPTLib benchmark met drie klassieke problemen:

Maximum Cut Problem (MCP): 10 instanties ( $N \in \{10, \dots, 300\}$ ).
Bin Packing Problem (BPP): 10 instanties ( $N \in \{3, \dots, 14\}$ ).
Travelling Salesman Problem (TSP): 10 instanties ( $N \in \{3, \dots, 25\}$ ).

De resultaten worden vergeleken met referentie-oplossingen uit de benchmark, inclus\n bij de oplossingen van D-WAVE's LeapHybridBQMSampler.

2.4 Ruis en Executie Analyse

De studie bevat een sectie over shot-gebaseerde executie met behulp van de CUNQA emulator (die de IBM Sherbrooke backend nabootst). Het analyseert:

De schaling van de Mean Absolute Error (MAE) en de Maximum Error ten opzichte van het aantal shots.
De impact van hardware-ruis (gate-inefficiënties, decoherentie) op de schatting van verwachte waarden.
De potentiële rol van ruis bij het helpen van de optimelaar om lokale minima te ontsnappen.

3. Belangrijkste Bijdragen en Resultaten

3.1 Prestaties op Combinatorische Problemen

Maximum Cut (MCP): Het PCC-framework bereikt concurrerende prestaties. Voor de meeste instanties ligt de benaderingsratio dicht bij één. Hogere compressieordes ( $k$ ) leveren over het algemeen een betere oplossingkwaliteit op door een grotere modelexpressiviteit (meer variatieparameters), ondanks de trade-off met de circuitdiepte.
Bin Packing (BPP): De aanpak toont sterk potentieel maar is zeer gevoelig voor hyperparameters.
- Haalbaarheid: Lagere compressieordes ( $k=2, 3$ ) slagen er niet in om haalbare oplossingen te produceren voor grotere instanties ( $N > 8$ en $N > 12$ , respectievelijk). Alleen $k=4$ levert consistent haalbare oplossingen voor alle geteste instanties.
- Kwaliteit: Post-processing verfijnt de initiële oplossingen aanzienlijk, wat vaak het aantal gebruikte bins vermindert. De methode produceert oplossingen van goede kwaliteit voor een breed scala aan instanties, hoewel de haalbaarheidspercentages dalen naarmate de probleemgrootte toeneemt.
Travelling Salesman (TSP): Net als bij BPP is de haalbaarheid sterk afhankelijk van de compressieorde. $k=2$ $k = 2$ faalt voor instanties $N > 10$ $N > 10$ , terwijl $k \in \{3, 4\}$ $k \in {3, 4}$ een hoge haalbaarheid behoudt voor $N \le 15$ $N \leq 15$ .
- Oplossingkwaliteit: Initiële oplossingen komen vaak overeen met of overtreffen de benchmarkkwaliteit, met name voor $k \in \{3, 4\}$ . Post-processing (2-opt) verbetert de uiteindelijke tourlengte consequent.

3.2 Hyperparameter Gevoeligheid

De studie benadrukt de cruciale rol van de hyperparameter $\alpha$ (die de binarisatie van de gerelaxeerde variabelen controleert).

$\alpha$ : Grotere waarden leiden over het algemeen tot betere resultaten door ervoor te zorgen dat variabelen sterk gebinariseerd worden (het vermijden van het lineaire regime van $\tanh$ ). Kleine $\alpha$ -waarden leiden tot ambigue oplossingen nabij 0,5, wat de reconstructiekwaliteit verslechtert.
$\beta$ (Regularisatie): Hoewel bedoeld om de prestaties te verbeteren, lieten experimenten zien dat $\beta=0$ vaak resultaten oplevert die vergelijkbaar zijn met niet-nul waarden, wat suggereert dat de impact van de regularisatieterm contextafhankelijk is of wordt afgezwakt door andere factoren.
Penalty Gewichten: Het artikel merkt de moeilijkheid op van het selecteren van penalty gewichten (het "Big-M probleem"). Excessief grote gewichten kunnen leiden tot "gemiddelde" constraint-satisfactie (fractionele waarden) in plaats van echte binarisatie, wat de reconstructie van geldige combinatorische oplossingen belemmert.

3.3 Ruis en Shot Analyse

Ideaal vs. Ruisig: In ideale simulaties vermindert het verhogen van het aantal shots de fout tot $10^{-3}$ of $10^{-4}$ . Echter, op de ruisige backend (IBM Sherbrooke emulatie), domineert ruis, waardoor de fout stagneert rond $0,025$, ongeacht het aantal shots.
Optimalisatie Dynamiek: Tegen intuïtie in werd geobserveerd dat de aanwezigheid van ruis soms de optimelaar hielp om suboptimale lokale minima te ontsnappen, wat in specifieke gevallen leidde tot verbeterde prestaties vergeleken met de ideale, ruisvrije executie.
Runtime: De auteurs schatten dat volledige optimalisatie met shot-gebaseerde sampling computationeel duur is (tientallen miljoenen evaluaties), maar haalbaar is met parallellisatiestrategieën in High-Performance Computing (HPC) omgevingen.

4. Betekenis en Claims

Het artikel claimt dat het PCE-gebaseerde framework een veelbelovende coderingstrategie is voor quantumoptimalisatie in zowel het NISQ- als het nabije fouttolerante tijdperk. De primaire betekenis ligt in:

Schaalbaarheid: Het demonstreert het vermogen om problemen met honderden variabelen te coderen met een polynomiaal aantal qubits, waarmee de lineaire schaleringsbottleneck van standaard benaderingen zoals QAOA wordt overwonnen.
Concurrerende Prestaties: De methode bereikt equivalente of superieure oplossingen voor de gevestigde benchmarks (inclusief hybride quantum-klassieke solvers) voor MCP, BPP en TSP, mits de hyperparameters en compressieordes zorgvuldig worden afgestemd.
Praktische Haalbaarheid: De studie biedt een realistische beoordeling van de methode onder shot-gebaseerde executie en hardware-ruis, waarbij referentiegrenzen worden vastgesteld voor schattingsprecisie en executietijd.

De auteurs hanteren een bescheiden toon en erkennen dat de prestaties sterk afhankelijk zijn van de specifieke probleemstructuur, de keuze van de compressieorde en de zorgvuldige kalibratie van hyperparameters ( $\alpha$ , $\beta$ en penalty gewichten). Ze concluderen dat hoewel PCC aanzienlijk potentieel vertoont, verder onderzoek nodig is om de interactie tussen de ansatz, klassieke optimaleerders en hyperparameterselectie te optimaliseren om de capaciteiten volledig te realiseren op echte quantumhardware.