Certification cost of quantum models: measurement correlation, not parameter count

In de race om nuttige kwantumcomputers te bouwen, richten wetenschappers zich vaak op hoeveel knoppen een machine heeft om aan te draaien. Deze knoppen, genaamd parameters, zijn de instellingen die onderzoekers aanpassen om een kwantumsysteem te leren problemen op te lossen. Een veelvoorkomende aanname is geweest dat hoe meer knoppen een machine heeft, hoe moeilijker het is om te bewijzen dat de machine correct werkt. Specifiek geloofden veel experts dat het aantal keren dat je een kwantumcircuit moet draaien om de nauwkeurigheid te verifiëren, kubisch groeit met het aantal parameters. In eenvoudige termen: als je de complexiteit verdubbelt, zou de kosten om het werk te controleren volgens de gedachte met een factor acht stijgen. Dit geloof heeft de manier waarop onderzoekers hun tijd en middelen budgetteren gevormd, wat er vaak toe leidde dat zij aannamen dat grootschalige kwantummachines prohibitief duur zouden zijn om te certificeren.

Echter, een nieuwe studie van onderzoekers van de Zürichse Fachhochschule en de Universiteit van Zürich daagt dit langgehouden beeld uit. Zij zetten zich af om exact te meten wat het kost om de geometrie van een getraind kwantummodel te verifiëren, niet door te gokken, maar door het daadwerkelijk te tellen van de 'shots', of metingen, die nodig zijn. Hun werk onthult dat de kosten niet alleen worden bepaald door het aantal parameters, maar door hoe de interne signalen en ruis van de machine zich gedragen naarmate deze groeit. Door duizenden simulaties uit te voeren en echte hardware te testen, ontdekten zij dat de "kubische" kosten vaak een illusie zijn, gecreëerd door kleinschalige experimenten. Voor veel typen kwantumcircuits groeit de kosten voor het verifiëren van de nauwkeurigheid veel langzamer dan voorheen werd gedacht, wat het economische landschap voor wat mogelijk is op toekomstige machines verandert.

De onderzoekers begonnen met het stellen van een fundamentele vraag: wat kost het eigenlijk om te bewijzen dat een kwantummodel doet wat het beweert? In de kwantumwereld kun je niet simpelweg naar de instellingen van een machine kijken om te weten of deze correct is. Omdat kwantumsystemen inherent probabilistisch zijn, moet je dezelfde berekening vele malen uitvoeren en de resultaten tellen om een betrouwbaar gemiddelde te krijgen. Dit proces wordt het nemen van een "shot budget" genoemd. Als het budget te klein is, overstemt de ruis het signaal, en zijn de instellingen van het model nutteloos. Het team leidde een precieze regel voor dit budget af, waarbij zij lieten zien dat het aantal benodigde shots afhangt van twee meetbare zaken: de variantie van de output (hoeveel de resultaten rondspringen) en de sterkte van de gradiënt (hoe duidelijk de instellingen van de machine het resultaat beïnvloeden). Ze ontdekten dat als je deze twee grootheden direct meet, je de exacte kosten kunt berekenen om het model te verifiëren, ongeacht hoeveel parameters het model heeft.

Toen ze deze regel toepasten op verschillende soorten kwantumcircuits, kwam er een verrassend patroon aan het licht. De studie testte twee hoofdfamilies van circuits: één waarbij de verbindingen tussen qubits vaststaan en niet meegroeien met de omvang van de machine, en een andere waarbij de verbindingen zich verspreiden naarmate de machine groter wordt. Voor de circuits met vaste verbindingen groeide de kosten voor het verifiëren van het model kwadratisch met het aantal parameters. Sterker nog, voor een 256-qubit machine van dit type waren de kosten ongeveer evenredig met het kwadraat van het aantal parameters, niet met de derde macht van dat aantal. Dit betekent dat de veelgeciteerde "kubische kosten" geen universele natuurwet zijn, maar eerder een tijdelijk effect dat alleen wordt gezien in kleine systemen waar de omvang van de machine vergelijkbaar is met de reikwijdte waarover informatie kan reizen.

De onderzoekers verklaarden deze verschuiving aan de hand van het concept van een "lichtkegel" (light cone), die beschrijft hoe ver een verandering in één deel van de machine invloed kan hebben op de rest. In kleine machines bevindt het hele systeem zich binnen deze lichtkegel, waardoor elk deel van de machine elke verandering voelt, wat leidt tot hoge kosten die kubisch schalen. Maar naarmate de machine groter wordt, blijft de lichtkegel dezelfde grootte behouden terwijl de machine zelf groter wordt. Uiteindelijk groeit de machine uit de lichtkegel, en dalen de kosten voor het verifiëren naar een veel lager, kwadratisch tempo. Dit onderscheid is cruciaal omdat het betekent dat een kostenraming gebaseerd op een kleine simulatie de kosten van het draaien van een grote machine enorm zal overschatten. Bijvoorbeeld, op een productfamilie van circuits die gecertificeerd zijn tot 256 qubits, vonden de onderzoekers de kostenexponent ongeveer 1,97, ruim onder de voorspelde 3.

Om er zeker van te zijn dat hun bevindingen niet slechts een artefact van de simulatie waren, testten het team hun theorieën op echte kwanthardware van IBM. Ze gebruikten een techniek genaamd "mirror circuits", waarbij ze een circuit draaiden en vervolgens direct de exacte omgekeerde handeling uitvoerden. In een perfecte wereld zou dit het systeem met 100% zekerheid terugbrengen naar de begintoestand. Door te meten hoeveel de echte machines afweken van deze perfecte terugkeer, konden ze de "hardware multiplier" kwantificeren, oftewel de extra kosten die door de echte ruis worden opgelegd. Op twee verschillende IBM-apparaten ontdekten ze dat de echte hardware ongeveer twee keer zoveel shots vereiste als de ideale theorie voorspelde. Deze multiplier was consistent over verschillende machinegroottes, wat bevestigde dat hoewel echte machines ruisiger zijn dan simulaties, de fundamentele schaalwetten die zij ontdekten nog steeds standhouden.

De studie onderzocht ook of er slimmere manieren waren om de resultaten af te lezen om deze kosten te verlagen. Ze testten een methode waarbij de metingen werden gewogen om ruis te minimaliseren, wat succesvol het vereiste aantal shots met een factor van ongeveer 2,7 verminderde op de hardware die ze testten. Deze verbetering was constant over verschillende machinegroottes, wat betekent dat het een betrouwbare besparing biedt, ongeacht hoe groot de computer wordt. Ze ontdekten echter ook dat modellen die getraind waren op kleine, goedkope circuits niet goed overdraagbaar waren om het gedrag van grotere, complexere machines te voorspellen. De fouten in deze grotere machines waren niet slechts willekeurige ruis, maar waren gestructureerd op een manier die eenvoudige correcties niet konden oplossen, wat suggereert dat het voorspellen van de prestaties van grote kwantummachines directe observatie vereist in plaats van louter extrapolatie vanuit kleinere data.

Uiteindelijk herschrijft dit onderzoek de regels voor hoe we budgetteren voor kwantumverificatie. Het laat zien dat de angst voor een exploderende kostencurve vaak ongegrond is, gedreven door een misverstand over hoe informatie zich in grote systemen verspreidt. De kosten om een kwantummodel te certificeren zijn geen vaste eigenschap van de architectuur, maar een dynamisch resultaat van hoe de variantie en signaalsterkte van de machine schalen met de grootte. Voor apparaten met een vaste connectiviteit, die gebruikelijk zijn in de huidige hardware, groeien de kosten veel geleidelijker dan de kubische wet suggereert. Deze bevinding biedt een optimistischer perspectief op de schaalbaarheid van kwantumcomputing, en suggereert dat de weg naar het verifiëren van grote, nuttige machines niet zo steil is als voorheen werd aangenomen, mits we de juiste grootheden meten en de grenzen van onze lichtkegels begrijpen.