⚛️ quantum physics

Comparing and learning figures of merit for quantum circuit compilation

Dit artikel stelt een machine learning-raamwerk voor dat een nieuwe gewogen merite (wPST) voor kwantumcircuits voorspelt door eerst de vereiste compilatiepoorten te schatten en vervolgens rekening te houden met hardwareruis, waardoor het traditionele metrieken aanzienlijk overtreft bij het selecteren van hoogwaardige circuits voor kwantumapparaten.

Oorspronkelijke auteurs: Harshdeep Singh, Marvin Richter, Mats Granath, Anton Frisk Kockum

Gepubliceerd 2026-07-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Harshdeep Singh, Marvin Richter, Mats Granath, Anton Frisk Kockum

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 de perfecte taart probeert te bakken, maar je hebt geen standaard keuken. In plaats daarvan heb je een chaotische, lawaaierige oven waarin de hitte wild fluctueert, en je mengkom is alleen verbonden met specifieke plekken op het aanrecht. Dit is de huidige realiteit van quantum computing. Wetenschappers bouwen machines die de vreemde regels van de quantummechanica gebruiken – zoals superpositie (op twee plaatsen tegelijk zijn) en verstrengeling (spookachtige verbindingen tussen deeltjes) – om problemen op te lossen die er voor supercomputers duizenden jaren over zouden doen om te kraken. Maar deze machines zijn fragiel. Ze bevinden zich in wat experts de "noisy intermediate-scale" era noemen, wat betekent dat ze krachtig zijn maar foutgevoelig, en hun onderdelen (qubits) kunnen niet altijd direct met elkaar communiceren.

Om een quantumalgoritme op deze rommelige hardware te laten werken, moet je het "compileren". Denk aan compilatie als het vertalen van een recept geschreven voor een perfecte keuken naar een reeks instructies die daadwerkelijk gevolgd kunnen worden in jouw chaotische keuken. Je moet misschien extra stappen toevoegen, zoals het verplaatsen van ingrediënten (SWAP-gates) om de juiste kommen te bereiken, of je moet misschien een luxe garde inruilen voor een lepel omdat de garde niet past. De grote vraag is: hoe weet je welke set instructies er daadwerkelijk voor zal zorgen dat er een goede taart wordt gebakken? Je hebt een manier nodig om de kwaliteit van je recept te meten voordat je zelfs de oven aanzet. Hier komen "figures of merit" om de hoek kijken – in essentie een scorekaart voor hoe goed een quantumcircuit zal presteren.

Dit artikel behandelt het lastige probleem van het vinden van de perfecte scorekaart. De auteurs, Harshdeep Singh en zijn team van de Chalmers University of Technology en de Universiteit van Göteborg, stellen dat de oude manieren om quantumcircuits te scoren ofwel te simpel, ofwel te moeilijk te berekenen zijn. Simpele scores, zoals het tellen van het aantal stappen in het recept, zijn makkelijk te controleren maar vertellen je niet of de taart daadwerkelijk lekker zal smaken. Aan de andere kant vereist de "perfecte" score dat je de taart daadwerkelijk bakt (het circuit uitvoert) en proeft, maar dit voor elke mogelijke variatie van het recept doen zou eeuwig duren.

Het team stelt een nieuwe, slimmere scorekaart voor genaamd wPST (weighted Probability of Successful Trials). Stel je voor dat je een toets van een student nakijkt. De oude methode (PST) zegt dat je pas een perfect cijfer van 100% krijgt als je elk enkel antwoord goed hebt. Als je er slechts één mist, krijg je een nul. Dit is hard en vertelt je niet of de student 99% van de stof kende of slechts 10%. De nieuwe wPST-methode is milder en informatiever: het geeft je gedeeltelijke punten. Als je 9 van de 10 vragen goed hebt, krijg je een score van 0,9. Dit vangt de "goedheid" van het resultaat veel beter op, vooral wanneer de machine ruis bevat en kleine fouten onvermijdelijk zijn.

Het berekenen van zelfs deze nieuwe score vereist meestal het uitvoeren van het circuit, wat traag is. Om dit op te lossen, hebben de auteurs een machine learning-model getraind – een digitale hersenpan – om de wPST-score te voorspellen door enkel naar het recept (het circuit) en de kaart van de keuken (de hardware) te kijken. Ze voerden dit model duizenden voorbeelden, waarbij ze het model leerden patronen te herkennen zoals "te veel stappen", "te veel verstrengelde ingrediënten" of "het gebruik van een qubit met een korte concentratieboog".

De resultaten zijn veelbelovend. In simulaties en tests op echte IBM quantumcomputers voorspelde hun machine learning-model het succes van een circuit met een veel hogere nauwkeurigheid dan traditionele methoden. Waar oude methoden, zoals het tellen van gates, slechts een correlatie van ongeveer 40-50% hadden met het werkelijke succes, sprong hun nieuwe model naar een correlatie van meer dan 90%. Dat is een enorme verbetering, wat effectief betekent dat de nauwkeurigheid van hun voorspellingen met meer dan 50% is toegenomen.

Om dit bruikbaar te maken voor echte quantumcompilers, hebben de auteurs ook een tweestaps-truc ontworpen. Normaal gesproken kun je de definitieve score pas kennen nadat het circuit volledig is vertaald voor de specifieke machine. Maar hun systeem kan eerst raden hoeveel extra stappen de machine zal toevoegen (zoals het voorspellen hoeveel omwegen een GPS zal toevoegen) en vervolgens die gok gebruiken om de uiteindelijke wPST-score te voorspellen. Hierdoor kan de compiler direct het beste recept kiezen, zonder eerst de trage, dure test uit te voeren.

Kortom, het artikel suggere bent dat door een slimmer, systeem voor gedeeltelijke punten (wPST) te combineren met een snelle, getrainde AI-voorspeller, we betere quantumcircuits sneller kunnen bouwen. Het lost niet alle problemen van quantum computing op, maar het biedt een veel betrouwbaardere manier om door de ruisige, onstuimige wateren van de huidige quantumhardware te navigeren, wat ons dichter bij die perfecte quantumtaarten brengt.

Technische Samenvatting: Vergelijken en Leren van Merites voor Kwantumcircuit-compilatie

Probleemstelling
In het tijdperk van de ruisgevoelige, intermediaire schaal kwantumcomputers (NISQ) vereist het uitvoeren van kwantumalgoritmen het compileren van hoogwaardige algoritmen naar hardware-specifieke circuits die rekening houden met connectiviteitsbeperkingen en ruisprofielen. Dit compilatieproces houdt een zoektocht in naar een enorme ruimte van mogelijke circuits om een optimaal circuit te vinden. Om deze zoektocht te sturen, vertrouwen compilers op Merites (Figures of Merit, FoM's) om de kwaliteit van een circuit te kwantificeren. Er bestaat echter een fundamentele afruil tussen de computationele kosten van het berekenen van een FoM en de nauwkeurigheid ervan bij het voorspellen van de uitvoeringskwaliteit.

Eenvoudige FoM's: Metrieken zoals circuitdiepte, totaal aantal poorten en het aantal twee-qubit poorten zijn computationeel goedkoop, maar houden geen rekening met de specifieke effecten van hardware-ruis en de circuitstructuur, wat leidt tot een slechte correlatie met de werkelijke uitvoeringsgetrouwheid (fidelity).
Complexe FoM's: Metrieken zoals de output-toestandgetrouwheid of afstand-gebaseerde maten (bijv. de Hellinger-afstand) bieden een hoge nauwkeurigheid, maar zijn computationeel onbetaalbaar (vaak exponentieel schaalend met het aantal qubits) of vereisen het draaien van het circuit op hardware, wat te traag is voor iteratieve compilatie.
De beperking van de PST: De Waarschijnlijkheid van Succesvolle Proeven (Probability of Successful Trials, PST), die de waarschijnlijkheid meet van terugkeren naar de initiële toestand na het draaien van een circuit en zijn inverse, correleert goed met getrouwheid, maar lijdt onder twee grote nadelen: het is exponentieel gevoelig voor de systeemomvang (vervalt snel naarmate $n$ toeneemt) en het is binair van aard (een enkele bitflip reduceert de score tot nul), waardoor het niet in staat is om onderscheid te maken tussen kleine en grote fouten.

Methodologie
De auteurs stellen een veelzijdige aanpak voor om deze beperkingen aan te pakken:

Introductie van Gewogen PST (wPST):
Het artikel introduceert wPST, een modificatie van PST die rekening houdt met het aantal correcte bits in de meetuitkomst, in plaats van te vereisen dat de gehele toestand correct is.
- Definitie: wPST wijst een gewicht $w_i$ toe aan elke meetuitkomst op basis van de fractie niet-geflipte bits (Hamming-gewicht). Het sommeert de waarschijnlijkheden van uitkomsten waarbij het gewicht de drempelwaarde overschrijdt ( $w_{th} = 0.5$ ).
- Eigenschappen: In tegen tegenstelling tot PST, dat exponentieel vervalt met het aantal qubits ( $n$ ) onder onafhankelijke fouten, vervalt wPST lineair met de foutenratio en is het grotendeels onafhankelijk van $n$ . Dit maakt het schaalbaar en in staat om onderscheid te maken tussen verschillende niveaus van ruis (bijv. het onderscheiden van 1 bitflip versus 2 bitflips).
Machine Learning Voorspellingskader:
Omdat het direct berekenen van wPST (of PST) het draaien van circuits op hardware of hoogwaardige simulators vereist, ontwikkelen de auteurs machine learning (ML) modellen om deze waarden te voorspellen.
- Feature Engineering: De input-featurevector combineert:
  - Circuit-niveau features: Afgeleid van de Directed Acyclic Graph (DAG) van het circuit, inclusief totaal aantal poorten, diepte, aantal twee-qubit poorten, verstrengelingsratio, parallellisme, levendigheid (liveliness) en programma-communicatie.
  - Hardware-niveau features: Qubit-specifieke decoherentie-data ( $T_1$ en $T_2$ tijden) gemapt naar de specifieke qubits die in het circuit worden gebruikt, om de faalkansen op basis van poortduur te schatten.
- Modelselectie: De auteurs evalueerden diverse beslissingsboom-gebaseerde modellen (Random Forest, Bagging, CatBoost) en selecteerden XGBoost vanwege de balans tussen lage trainings-/voorspellingstijd en hoge nauwkeurigheid.
- Trainingsdata: Modellen werden getraind op willekeurig gegenereerde kwantumcircuits en de Munich Quantum Toolkit (MQT) benchmark-dataset, waarbij de labels werden gegenereerd via simulatie (voor simulators) of daadwerkelijke uitvoering (op IBM-hardware).
Tweestaps-voorspelling voor niet-getransponeerde circuits:
Om de ML-voorspeller bruikbaar te maken voor compilers die niet-getransponeerde (oncompiled) circuits evalueren, hebben de auteurs een tweestaps-proces bedacht:
- Stap 1: Voorspel de feature-vector van het getransponeerde circuit (bijv. het voorspellen van het aantal extra SWAP-poorten en de resulterende programma-communicatie) op basis van het input-circuit en de koppelingkaart (coupling map) van de doelhardware.
- Stap 2: Voer deze voorspelde feature-vector in het getrainde wPST-model om de uiteindelijke prestatie-metriek te schatten.

Belangrijkste Resultaten
De auteurs valideerden hun aanpak via numerieke simulaties en experimenten op vier IBM kwantumapparaten (Strasbourg, Torino, Miami, Brussels).

Superieure Correlatie: De ML-voorspelde wPST en PST presteerden aanzienlijk beter dan traditionele circuit-gebaseerde metrieken.
- Op een 12-qubit simulator bereikte de correlatie tussen voorspelde wPST en ware wPST 0.925 voor willekeurige circuits en 0.880 voor MQT-benchmarks, vergeleken met ~0.65–0.70 voor circuitdiepte of gate-aantallen.
- Op echte hardware was de gemiddelde correlatie voor voorspelde wPST 0.89, terwijl traditionele metrieken gemiddeld rond de 0.47–0.53 lagen.
- Dit vertegenwoordigt een verbetering van meer dan 50% in correlatie met de ware uitvoeringskwaliteit vergeleken met standaard FoM's.
Schaalbaarheid en Robuustheid:
- De Root Mean Square Error (RMSE) voor de wPST-voorspelling bleef relatief constant naarmate het aantal qubits toenam, wat de schaalbaarheid aantoont.
- wPST bleek robuust tegen readout-fouten (die additief in plaats van multiplicatief optreden) en bood een meer genuanceerde beoordeling van ruis dan PST, dat vaak naar bijna nul daalt voor circuits met meer dan 6 qubits.
Feature Belangrijkheid: Analyse toonde aan dat de modellen zwaar leunden op "programma-communicatie" (qubit-interactiedichtheid) en het aantal twee-qubit poorten, wat bevestigt dat deze fysieke attributen cruciaal zijn voor het voorspellen van de uitvoeringskwaliteit.

Betekenis en Claims
Het artikel beweert dat de integratie van machine learning-voorspelde, hoog-precieze FoM's in kwantumcompilatie-pipelines een praktische oplossing biedt voor de afruil tussen nauwkeurigheid en efficiëntie.

Optimale Afruil: De voorgestelde methode bevindt zich op een "sweet spot" op de Pareto-front, waarbij een hoge correlatie met de ware uitvoeringskwaliteit wordt geboden (benaderend de nauwkeurigheid van volledige simulatie) terwijl een polynomiale computationele complexiteit behouden blijft.
Praktisch Nut: Door de mogelijkheid om de wPST voor niet-getransponeerde circuits te schatten via een tweestaps-proces, stelt de methode compilers in staat om geïnformeerde beslissingen te nemen zonder de buitensporige kosten van het draaien van miljoenen circuitvariaties op hardware.
Verbeterde Compilatie: De auteurs stellen dat het gebruik van deze ML-voorspelde FoM's kan leiden tot verbeterde compilatie-resultaten en een hogere uitvoeringskwaliteit voor kwantumalgoritmen op diverse hardwareplatforms.

De auteurs blijven bescheiden over toekomstige implicaties en merken op dat, hoewel dit een belangrijke stap is, er meer werk nodig is om deze modellen volledig te integreren in actieve compilers en om het "dubbele diepte"-probleem aan te pakken dat inherent is aan PST-gebaseerde metrieken (waarbij het verificatiecircuit twee keer zo groot is als het originele circuit).

Meer zoals dit