💻 computer science

A Distributed Quantum Approximate Optimization Algorithm Simulator for Engineering Design Optimization

Dit artikel introduceert een open-source, Qiskit-compatibele simulator voor een gedistribueerd quantum approximate optimization algorithm (DQAOA) die het efficiënt oplossen en vergelijken van quadratic unconstrained binary optimization (QUBO) problemen over enkele en meerdere quantum processing units mogelijk maakt, voorzien van een grafische interface en aangetoonde effectiviteit in technische toepassingen zoals de unit commitment van elektriciteitscentrales.

Oorspronkelijke auteurs: Ali Rajabi, Milad Hasanzadeh, Amin Kargarian

Gepubliceerd 2026-06-26

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ali Rajabi, Milad Hasanzadeh, Amin Kargarian

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

Het Grote Plaatje: Een Nieuwe Tool voor Quantum Probleemoplossing

Stel je voor dat je een enorme, ongelooflijk complexe puzzel hebt. Je moet de allerbeste manier vinden om de stukjes te leggen om de hoogste score te behalen. In de wereld van engineering wordt dit optimalisatie genoemd. Meestal lossen we deze puzzels op met krachtige klassieke computers. Maar naarmate de puzzels groter worden, beginnen zelfs de beste klassieke computers moeite te krijgen.

Maak kennis met Quantumcomputers. Zij zijn als superkrachtige puzzeloplosser die veel verschillende arrangementen tegelijkertijd kunnen bekijken. Ze bevinden zich echter nog in hun "infantiele fase". Ze zijn klein, kwetsbaar en kunnen slechts een paar puzzelstukjes (qubits) tegelijk vasthouden.

Dit paper introduceert een nieuwe software simulator (een digitale trainingsgrond) genaamd DQAOA. Zie het als een "vluchtsimulator" voor quantumcomputers. Het stelt engineers in staat om te testen hoe ze grote optimalisatiepuzzels met quantumcomputers kunnen oplossen, nog voordat er een quantumcomputer is die groot genoeg is om de hele puzzel te bevatten.

Het Kernprobleem: Eén Kamer versus Meerdere Kamers

Het paper richt zich op een specifiek type puzzel genaamd QUBO (Quadratic Unconstrained Binary Optimization). Je kunt een QUBO-probleem zien als een raster van lichtschakelaars die ofwel AAN (1) of UIT (0) staan. Het doel is om de schakelaars zo om te zetten dat de best mogelijke totale score wordt behaald.

De Oude Manier (Monolithische QAOA): Stel je voor dat je deze puzzel probeert op te lossen in één enkele kamer. Alle schakelaars staan op één tafel, en één persoon (de quantumprocessor) probeert ze allemaal om te zetten. Dit werkt geweldig voor kleine puzzels. Maar als de puzzel enorm groot is, wordt de kamer te vol en is de tafel niet groot genoeg.
De Nieuwe Manier (Distributed QAOA): Wat als de puzzel te groot is voor één kamer? Het paper stelt voor om de puzzel te verdelen over meerdere kamers (meerdere quantumprocessors).
- De Uitdaging: Als Schakelaar A in Kamer 1 staat en Schakelaar B in Kamer 2, maar ze moeten met elkaar interageren om de score te bepalen, hoe praten ze dan met elkaar?
- De Oplossing: De simulator gebruikt een "teleportatie"-truc (genaamd TeleGate). Het verplaatst de schakelaars niet; in plaats daarvan creëert het een speciale "telefoonlijn" (verstrengeling/entanglement) tussen de kamers, zodat de schakelaars hun bewegingen kunnen coördineren zonder fysiek te bewegen.

Wat dit Paper daadwerkelijk heeft Gebouwd

De auteurs hebben niet alleen een theorie geschreven; ze hebben een volledig, open-source softwarepakket gebouwd dat het zware werk doet. Dit is wat het doet, stap voor stap:

De Vertaler: Het neemt een rommelig engineering-probleem (zoals het plannen van elektriciteitscentrales) en vertaalt dit naar de "lichtschakelaar-taal" (QUBO) die quantumcomputers begrijpen.
De Architect: Het beslist hoe de puzzel verdeeld moet worden. Moet Schakelaar 1 en Schakelaar 2 in Kamer 1? Moet Schakelaar 3 naar Kamer 2? Het probeert verschillende lay-outs om het aantal "telefoongesprekken" (interacties tussen kamers) te minimaliseren, omdat deze gesprekken traag en duur zijn.
De Bouwer: Het construeert het quantumcircuit (het recept voor de quantumcomputer). Het weet precies welke schakelaars lokaal omgezet moeten worden en welke de "teleportatie"-truc nodig hebben.
De Coach: Het voert de simulatie uit, maakt fouten, leert en probeert het opnieuw. Het gebruikt een slimme trainingsmethode (SPSA) om de beste instellingen voor de schakelaars sneller te vinden.
Het Dashboard: Ze hebben een visuele interface gebouwd (zoals een website), zodat je geen expert in programmeren hoeft te zijn. Je kunt je puzzel uploaden, op een knop klikken en de resultaten zien, de beste oplossing en hoe lang het duurde.

De "Speed Hacks" (Runtime Optimalisatie)

De auteurs realiseerden zich dat hun simulator te traag draaide omdat deze te veel repetitief werk deed. Stel je een chef-kok voor die de hele keuken opnieuw opbouwt elke keer dat hij een ui moet snijden.

Ze voegden verschillende "speed hacks" toe:

De Keuken Hergebruiken: In plaats van het circuit elke keer opnieuw op te bouwen, bouwen ze het één keer en veranderen alleen de "kruiden" (parameters).
Batching: In plaats van één instelling tegelijk te testen, testen ze een hele groep instellingen tegelijkertijd.
Parallel Koken: Ze draaien meerdere experimenten gelijktijdig op verschillende delen van de computer.

Deze hacks zorgend dat de simulator veel sneller draaide, vooral voor de "multi-room" (distributed) versie.

De Resultaten: Werkt het?

Het team heeft hun tool getest op twee soorten problemen:

Standaard Wiskundige Puzzels: Ze namen bekende puzzels en losten deze op.
- Resultaat: De "Eén Kamer"-methode en de "Multi-Room"-methode vonden de exact dezelfde beste oplossing als de traditionele computer-methoden.
- Snelheid: De "Multi-Room"-methode deed er langer over om te draaien. Dit is te verwachten, omdat het coördineren tussen kamers extra tijd kost (de "telefoongesprekken"). Echter, de software maakte het snel genoeg om bruikbaar te zijn voor onderzoek.
Echte Engineering (Elektriciteitsnetten): Ze gebruikten de tool om een Unit Commitment probleem op te lossen. Dit is als beslissen welke elektriciteitscentrales aan of uit moeten staan om geld te besparen en het licht aan te houden.
- Resultaat: De tool integreerde succesvol in een grotere engineering-workflow. Of ze nu de brute-force methode gebruikten, de single-room quantum methode, of de multi-room quantum methode, ze kwamen allemaal bij hetzelfde optimale plan met dezelfde kosten.

De Kern van het Verhaal

Dit paper presenteert een universele toolkit voor engineers die quantumcomputers willen gebruiken om grote optimalisatieproblemen op te lossen.

Het overbrugt de kloof: Het laat je vandaag al "Distributed Quantum Computing" (het samen gebruiken van veel kleine quantumcomputers) testen, zelfs als je nog geen gigantische quantumcomputer hebt.
Het is gebruiksvriendelijk: Je hoeft geen code te schrijven; je kunt een visueel dashboard gebruiken.
Het is bewezen: Het werkt consistent met klassieke methoden en handelt echte engineering-taken af, zoals het beheer van elektriciteitsnetten.

Kortom, ze hebben het besturingssysteem en de handleiding gebouwd voor het draaien van complexe quantum-optimalisatieproblemen over meerdere quantumprocessors, waardoor deze geavanceerde technologie direct toegankelijk is voor engineers.

Technische Samenvatting: Een gedistribueerde simulator voor het Quantum Approximate Optimization Algorithm voor engineering design optimalisatie

Probleemstelling
Binaire optimalisatieproblemen, met name die geformuleerd als Quadratic Unconstrained Binary Optimization (QUBO) instanties, zijn alomtegenwoordig in engineering design, waaronder de exploitatie van elektriciteitsnetten, resourceallocatie en netwerkplanning. Hoewel klassieke solvers (bijv. branch-and-bound, metaheuristieken) breed worden gebruikt, kampen zij met schaalbaarheidsuitdagingen naarmate het aantal variabelen en koppelingsrestricties toeneemt. Quantum computing biedt een alternatief kader, specifiek via het Quantum Approximate Optimization Algorithm (QAOA), dat gebruikmaakt van superpositie en verstrengeling om grote binaire zoekruimtes te verkennen. De praktische implementaties van QAOA worden echter momenteel beperkt door de hardwarebeperkingen van enkele Quantum Processing Units (QPU's), die niet de qubit-aantallen of interactiediepten kunnen huisvesten die vereist zijn voor grootschalige problemen. Bovendien richten bestaande literatuur zich vaak op specifieke probleeminstellingen of hardware-aannames, en ontbreekt het aan een algemeen, herbruikbaar softwareframework dat consistent QUBO-instanties kan oplossen in zowel monolithische (single-QPU) als gedistribueerde (multi-QPU) executiemodi.

Methodologie
De auteurs presenteren een Qiskit-compatibel, open-source simulatorpakket voor een Distributed QAOA (DQAOA) framework. Het systeem is ontworpen om algemene QUBO-problemen af te handelen via een uniforme workflow die ondersteuning biedt voor klassieke referentiemodi, monolithische QAOA en gedistribueerde QAOA.

Probleemformulering en Mapping: Het framework accepteert QUBO-inputs (kwadratische matrix, lineaire vector, constante term) en zet deze om naar een canonieke representatie. Dit wordt gemapt naar een kosten-Hamiltoniaan ( $H_C$ ) waarbij de objectieve functiewaarden overeenkomen met de eigenwaarden van de Hamiltoniaan.
Variabele Allocatie en Koppeling Identificatie: Een cruciaal onderdeel van het DQAOA-framework is de allocatie van binaire variabelen aan een door de gebruiker gespecificeerd aantal QPU's met configureerbare capaciteiten. Het pakket ondersteunt drie allocatiestrategieën:
- Contiguous (Aaneengesloten): Sequentiële toewijzing op basis van capaciteit.
- Graph-aware (Graaf-bewust): Een gulzig algoritme dat sterk gekoppelde variabelen op dezelfde QPU plaatst om inter-QPU communicatie te minimaliseren.
- Manual (Handmatig): Door de gebruiker gedefinieerde toewijzing.
  Zodra ze zijn gealloceerd, worden kwadratische koppelingen geclassificeerd als ofwel lokaal (variabelen op dezelfde QPU) of cross-QPU (variabelen op verschillende QPU's).
Circuit Constructie:
- Monolithische Modus: Alle kosten- en mixer-operaties worden geïmplementeerd binnen een enkel QPU-circuit.
- Gedistribueerde Modus: Lokale koppelingen worden geïmplementeerd via standaard ZZ-interacties. Cross-QPU koppelingen worden gerealiseerd met behulp van het TeleGate protocol. Deze aanpak maakt gebruik van verstrengelde communicatieparen, mid-circuit metingen en klassieke feedforward-correcties om verre twee-qubit gates te simuleren zonder de fysieke data-qubits te verplaatsen.
Optimalisatie en Training: Het framework maakt gebruik van een variationele loop waarbij een klassieke optimizer (Adam met SPSA gradiëntschatting) circuitparameters ( $\gamma, \beta$ ) bijwerkt om de verwachte kosten te minimaliseren. Om de robuustheid te verbeteren, maakt het systeem gebruik van diepteprogressie (beginnend vanaf $p=1$ en toenemend) en multi-start search (het combineren van warm-starts van vorige dieptes met willekeurige initialisaties).
Runtime Optimalisatie Strategieën: Om de hoge computationele overhead van variationele loops aan te pakken, implementeert het pakket verschillende efficiëntiemaatregelen:
- Parameterized Circuit Reuse: Circuits worden één keer geconstrueerd en getranspiled per probleemconfiguratie; daaropvolgende evaluaties binden alleen nieuwe parameterelementen.
- SPSA Gradients: Vervangt coördinaat-gewijze eindverschil-gradiënten door simultane perturbatie, wat slechts twee objectieve evaluaties per iteratie vereist.
- Batched Evaluations: Meerdere parametervectoren worden in één enkele executieverzoek geëvalueerd.
- Parallel Execution: Onafhankelijke multi-start optimalisatieruns worden gelijktijdig uitgevoerd.
User Interface: Een Streamlit-gebaseerde grafische gebruikersinterface (GUI) stelt gebruikers in staat om inputs, solver-instellingen te configureren en resultaten te visualiseren zonder Python-scripts te bewerken.

Belangrijkste Bijdragen

Gegeneraliseerde Simulator: Het artikel introduceert de eerste open-source, Qiskit-compatibele simulator die in staat is om algemene QUBO-instanties op te lossen in zowel monolithische als gedistribueerde QAOA-modi binnen één consistent workflow.
Gedistribueerd Executief Framework: Het biedt een volledige implementatie van variabele allocatie, lokaal/cross-QPU koppeling identificatie, en TeleGate-gebaseerde verre gate realisatie voor multi-QPU executie.
Runtime Optimalisatie: De auteurs demonstreren dat significante reducties in runtime bereikt kunnen worden door softwarematige optimalisaties (circuit reuse, SPSA, batching) zonder de onderliggende wiskundige probleemstelling of algoritme te wijzigen.
Engineering Integratie: Het pakket wordt gedemonstreerd als een modulaire solver binnen een grotere engineering workflow, specifiek geïntegreerd in een drie-blok Alternating Direction Method of Multipliers (ADMM) framework voor Power Generation Unit Commitment (UC).

Resultaten
Het framework werd geëvalueerd op QUBO-instanties met 6, 12, 15 en 20 variabelen, evenals een 15-variabele Unit Commitment probleem.

Oplossingsnauwkeurigheid: In alle geteste gevallen (inclusief de UC-applicatie) herstelden de monolithische QAOA, de gedistribueerde QAOA en de brute-force/klassieke referentiemodi de dezelfde optimale bitstring en operationele kosten. Dit bevestigt dat de gedistribueerde implementatie de consistentie van de oplossing met de monolithische baseline behoudt.
Runtime Prestaties:
- Impact van Optimalisatie: De gestaffelde runtime-analyse toonde substantiële reducties. Voor een 12-variabele instantie daalde de gedistribueerde QAOA runtime van ~18.929 seconden (baseline) naar ~1.224 seconden (volledig geoptimaliseerd) door de implementatie van circuit reuse, SPSA en batching.
- Gedistribueerde Overhead: Ondanks optimalisaties bleef DQAOA aanzienlijk langzamer dan monolithische QAOA (bijv. 62s vs 4s voor 6 variabelen; 1224s vs 11s voor 12 variabelen). De auteurs schrijven dit toe aan de structurele complexiteit van TeleGate operaties (extra qubits, metingen, resets en feedforward) die vereist zijn voor cross-QPU interacties.
- Schaalbaarheid: Naarmate de probleemgrootte toenam, werd de runtime-kloof tussen klassieke brute-force en quantum methoden groter, en werd de overhead van multi-QPU executie dominanter.

Betekenis en Claims
Het artikel stelt dat de primaire betekenis van dit werk ligt in het bieden van een herbruikbare, toegankelijke en reproduceerbare softwarefundering voor het bestuderen van gedistribueerde quantumoptimalisatie. Het vult het gat in de bestaande literatuur door een tool aan te bieden waarmee onderzoekers:

De prestaties van monolithische en gedistribueerde QAOA kunnen vergelijken op identieke probleeminstanties zonder workflows opnieuw op te bouwen.
De specifieke impact van variabele allocatiestrategieën en cross-QPU koppelingaantallen op runtime en oplossingskwaliteit kunnen analyseren.
Quantum solvers kunnen integreren in grotere klassieke engineering optimalisatie frameworks (gedemonstreerd via de ADMM-UC applicatie).

De auteurs kaderen het instrument bescheiden als een "enabling research tool" in plaats van een claim op quantum advantage. Zij erkennen dat hoewel DQAOA een noodzakelijke overhead introduceert voor gedistribueerde executie, de simulator het mogelijk maakt om deze trade-offs systematisch te evalueren en implementatiestrategieën te verfijnen voor nabije-term quantum hardware. De software is publiekelijk beschikbaar via de RAISE LAB GitHub repository.