Time rescaling for second-order feedback-based quantum optimization

In de race om nuttige kwantumcomputers te bouwen, worden wetenschappers geconfronteerd met een hardnekkige hindernis: de machines die we vandaag de dag hebben zijn krachtig maar fragiel. Ze zijn luidruchtig, foutgevoelig en kunnen hun delicate kwantumtoestanden slechts een vluchtig moment vasthouden voordat ze instorten. Daarom hebben onderzoekers grotendeels vertrouwd op een hybride aanpak, waarbij een klassieke computer het zware werk van optimalisatie doet terwijl de kwantumprocessor specifieke taken afhandelt. Deze samenwerking loopt echter vaak vast in een frustrerende lus, waarbij de klassieke computer moeite heeft om de juiste instellingen te vinden, een probleem dat bekend staat als een "barren plateau" (vruchteloos plateau) dat de voortgang volledig kan stilleggen. Om dit te omzeilen, is er een andere strategie ontstaan die volledig vertrouwt op de kwantummachine zelf. In plaats van een klassieke computer de knoppen te laten afstellen, gebruikt deze methode een feedbacklus die direct in het kwantumproces is ingebouwd. Het meet de huidige staat van het systeem en past onmiddellijk de volgende stap aan, waardoor de machine naar de best mogende oplossing wordt geleid zonder dat er een klassieke partner nodig is om de wiskunde uit te voeren. Deze benadering, een feedback-gebaseerd kwantumalgoritme genoemd, biedt veel belofte, maar heeft een groot gebrek: het vereist vaak dat het kwantumcircuit zo diep is, met zoveel opeenvolgende stappen, dat de ruis in de huidige machines het antwoord vernietigt voordat de berekening is voltooid.

Een team van onderzoekers in Brazilië heeft nu een manier gevonden om deze circuits aanzienlijk te verkorten, waardoor de methode levensvatbaar is voor de huidige hardware. Ze combineerden twee bestaande technieken die voorheen afzonderlijk werden gebruikt om het proces te versnellen. De ene techniek houdt in dat het ritme van de berekening wordt veranderd, waardoor het kwantumsysteem op bepaalde momenten sneller en op andere momenten langzamer beweegt, vergelijkbaar met een bestuurder die van versnelling wisselt om efficiënt door een bochtig wegsegment te navigeren. De andere techniek gebruikt een meer geavanceerde manier om te voorspellen hoe het systeem in de volgende stap zal veranderen, waarbij er niet alleen naar de onmiddellijke richting wordt gekeken, maar ook naar hoe die richting kromt. Door deze twee ideeën samen te voegen tot één enkel, verenigd kader, creëerden de onderzoekers een nieuwe versie van het algoritme die de juiste oplossing bereikt in veel minder stappen dan voorheen.

De onderzoekers testten deze nieuwe methode, die ze TR-Hy-FALQON noemen, op twee soorten complexe puzzels die bekend staan als grafenproblemen. Deze puzzels houden in dat een netwerk van punten in twee groepen wordt verdeeld zodat de verbindingen tussen de groepen worden gemaximaliseerd, een taak die berucht moeilijk is voor computers. Ze voerden simulaties uit op netwerken met twaalf en veertien punten, waarbij ze hun nieuwe methode vergeleken met oudere versies van het feedbackalgoritme en met de standaard hybride aanpak. De resultaten waren duidelijk: de nieuwe methode bereikte kwalitatief hoogwaardige oplossingen veel sneller. In de simulaties behaalde het dezelfde nauwkeurigheid als de standaard hybride methode, maar met minder lagen operaties, en deed het dit met een grotere stabiliteit, wat betekent dat de resultaten minder waarschijnlijklijk wankelden of faalden naarmig de berekening vorderde.

Wat deze ontwikkeling bijzonder belangrijk maakt, is dat het de noodzaak wegneemt voor de constante interventie van de klassieke computer. Het nieuwe algoritme vertrouwt nog steeds op de kwantummachine om zijn eigen voortgang te meten en zijn pad aan te passen, maar doet dit met een veel korter circuit. Dit is cruciaal omdat elke extra stap in een kwantumcircuit de kans vergroot dat ruis de gegevens corrumpeert. Door het aantal stappen dat nodig is om het probleem op te lossen te verminderen, hebben de onderzoekers de drempel voor het gebruik van deze algoritmen op de huidige, imperfecte machines effectief verlaagd. De studie toonde aan dat de nieuwe methode deze specifieke grafenproblemen kon oplossen met een precisieniveau dat wedijvert met de beste bekende klassieke garanties, terwijl het een stabiel en betrouwbaar pad naar de oplossing behield.

De onderzoekers merkten ook op dat hun methode meer flexibiliteit biedt in de timing van de berekening. In eerdere versies moesten de stappen met een zeer specifieke, kleine snelheid worden genomen om de wiskunde kloppend te krijgen, wat resulteerde in een zeer lang circuit. De nieuwe aanpak staat grotere, flexibelere tijdstappen toe zonder de stabiliteit te verliezen. Dit betekent dat de kwantumcomputer grotere stappen richting het antwoord kan zetten zonder te struikelen over de ruis die normaal gesproken de oorzaak is van het struikelen. Hoewel deze resultaten afkomstig zijn uit computersimulaties en niet uit fysieke hardware, suggereren de bevindingen dat dit verfijnde algoritme goed geschikt is voor het huidige tijdperk van kwantumcomputing, waarin het minimaliseren van de circuitdiepte de sleutel tot succes is. Door het feedbackproces zowel sneller als robuuster te maken, biedt dit werk een praktisch pad voor het oplossen van optimalisatieproblemen op de huidige, luidruchtige en ondiepe kwantumprocessors.