A Case Study on Noise Resilient Operator Selection in Adaptive Variational Quantum Algorithms

Om de chemie van de wereld om ons heen te begrijpen, van de materialen in onze smartphones tot de medicijnen die ons genezen, moeten wetenschappers eerst begrijpen hoe elektronen zich binnen moleculen rangschikken. De meest stabiele rangschikking van deze elektronen wordt de grondtoestand genoemd, en het vinden ervan is als het oplossen van een complexe puzzel waarbij de stukjes voortdurend verschuiven. Decennialang hebben klassieke computers moeite gehad met deze taak omdat het aantal mogelijke rangschikkingen zo snel groeit dat zelfs de krachtigste supercomputers het niet kunnen bijhouden voor meer dan de eenvoudigste moleculen. Kwantumcomputers bieden een ander pad. In plaats van te proberen elke mogelijkheid één voor één te berekenen, gebruiken ze de vreemde regels van de kwantummechanica om veel mogelijkheden tegelijkertijd te verkennen. Een van de meest veelbelovende manieren om deze machines te gebruiken, is een methode genaamd de variatieve kwantum-eigenwaarde oplosser (variational quantum eigensolver), die werkt als een geleide zoektocht, waarbij een gok langzaam wordt verfijnd totdat de laagste energietoestand wordt gevonden. De huidige kwantumcomputers staan echter nog in hun kinderschoenen; ze zijn luidruchtig, wat betekent dat hun componenten frequente, kleine fouten maken die de hele berekening in de war kunnen schoppen.

Een specifieke versie van deze zoekmethode, bekend als ADAPT-VQE, heeft de aandacht getrokken omdat het zijn oplossing stap voor stap opbouwt, waarbij het de meest nuttige stukjes kiest terwijl het vordert. Deze aanpasbaarheid maakt het efficiënter dan oudere methoden, maar introduceert ook een nieuwe kwetsbaarheid: de stap waarin de computer beslist welk stukje het volgende moet worden toegevoegd. Als de ruis in de machine het signaal dat gebruikt wordt om die beslissing te nemen vervormt, kan het algoritme het verkeerde stukje kiezen, wat tot een doodlopende weg leidt. Onderzoekers Soorya Haravu, Mafalda Ramôa en Bharath Sambasivam zetten zich in om precies te onderzoeken hoe die ruis dat kritieke besluitvormingsproces beïnvloedt. Ze hebben geen fysieke kwantumcomputer gebouwd voor dit onderzoek; in plaats daarvan creëerden ze een zeer gedetailleerde simulatie op een klassieke computer om na te bootsen hoe een echte kwantumapparaat zich zou gedragen onder verschillende soorten ruis. Hun testgeval was een eenvoudig molecuul bestaande uit drie waterstofatomen die in een lijn zijn gerangschikt, een systeem dat klein genoeg is om nauwkeurig te simuleren, maar complex genoeg om de subtiele effecten van fouten te onthullen.

Het team simuleerde twee brede categorieën ruis die echte kwanthardware teisteren. Het eerste type, genoemd incoherente ruis, is als statische ruis op een radiolijn; het is willekeurig en onvoorspelbaar, waardoor het systeem informatie verliest op een manier die moeilijk om te keren is. Het tweede type, coherente ruis, is meer als een consistente, lichte afwijking in een kompas; de machine maakt altijd dezelfde kleine fout in dezelfde richting, wat net zo schadelijk kan zijn omdat deze fouten op elkaar voortbouwen. In hun simulaties injecteerden de onderzoekers deze fouten specifiek op het moment dat het algoritme de "gradiënt" mat, een waarde die de computer vertelt hoeveel een potentieel nieuw stukje de oplossing zou verbeteren. Ze ontdekten dat zelfs een kleine hoeveelheid ruis deze metingen kon vervormen, waardoor het landschap van keuzes er vlak en verwarrend uitzag. Wanneer het landschap afvlakt, verliest het algoritme zijn richtinggevoel. Het stopt met het vinden van nieuwe, betere stukjes en blijft in plaats daarvan steeds dezelfde stukjes kiezen, waardoor het effectief vastloopt voordat het het juiste antwoord kan bereiken.

Om dit te bestrijden, testten de onderzoekers drie verschillende strategieën die ontworpen zijn om het signaal op te schonen zonder extra hardware nodig te hebben. De eerste, dynamische ontkoppeling (dynamical decoupling), houdt in dat er een reeks snelle controlepulsen aan het systeem wordt toegepast om de ruis te elimineren, vergelijkbaar met hoe ruisonderdrukkende koptelefoons geluidsgolven gebruiken om achtergrondgeluid te dempen. De tweede, zero noise extrapolation, werkt door de ruis op een gecontroleerde manier bewust erger te maken, het resultaat te meten, en vervolgens wiskunde te gebruiken om te raden wat het antwoord zou zijn geweest als er geen ruis was geweest. De derde, Pauli twirling, is een techniek die de ruis door elkaar husselt zodat deze meer willekeurig gedraagt, wat het gemakkelijker maakt om te beheren. Het team ontdekte dat geen enkele methode voor elke situatie werkte. Voor de willekeurige, statische ruis was de meest effectieve aanpak om de snelle controlepulsen te combineren met de ruistextrapolatietechniek. Deze combinatie herstelde succesvol het vermogen van het algoritme om het juiste pad te zien, waardoor het de juiste stukjes kon selecteren en de chemisch nauwkeurige oplossing kon bereiken.

Bij het werken met de consistente, afwijking-achtige ruis, ontdekten de onderzoekers dat een andere combinatie noodzakelijk was. Ze ontdekten dat het eerst door elkaar husselen van de ruis, en vervolgens het toepassen van ofwel de snelle pulsen of de extrapolatiemethode, de sleutel tot succes was. Sterker nog, het gebruik van alle drie de technieken samen bood de meest robuuste bescherming tegen dit type fout. Een cruciale bevinding van hun werk was dat het algoritme niet het absoluut beste stukje bij elke stap hoeft te kiezen om te slagen. Zolang de ruismitigatietechnieken het algoritme vooruit helpen en voorkomen dat het vastloopt, kan het nog steeds het juiste uiteindelijke antwoord bereiken, zelfs als het specifieke pad dat het nam er anders uitziet dan het pad dat een perfecte machine zou hebben genomen. De onderzoekers merkten echter ook een hardnekkige uitdaging op: hoewel deze technieken hielpen het algoritme het juiste antwoord te vinden, maakten ze de ruissignalen vaak zelfs groter dan ze waren, wat de computer in verwarring kon brengen over de standaardregels voor wanneer men moet stoppen. Dit suggereert dat voor deze algoritmen betrouwbaar te laten werken op echte machines, de regels voor het beslissen wanneer een berekening is voltooid, mogelijk herschreven moeten worden om rekening te houden met de aanwezigheid van ruis.

De studie concludeert dat hoewel ruis een aanzienlijke hindernis is, het geen onoverkomelijke is. Door zorgvuldig te kiezen welke foutcorrectietools te gebruiken en hoe deze te combineren, is het mogelijk om adaptieve kwantumalgoritmen door de chaos van de huidige hardware te leiden. De onderzoekers hebben aangetoond dat een kwantumcomputer, met de juiste combinatie van technieken, nog steeds kan leren om de juiste moleculaire structuur op te bouwen, zelfs wanneer de omgeving imperfect is. Dit werk biedt een praktische routekaart voor wetenschappers en ingenieurs die zich voorbereiden om deze complexe chemische simulaties op echte kwantumapparaten uit te voeren, en laat zien dat de weg naar nuttige kwantumchemie niet geblokkeerd wordt door ruis, maar eerder een meer geavanceerde manier vereist om er doorheen te navigeren.