Bridge of $Ψ$'s: Quantum Circuit Optimization with Schrödinger Bridges

Kwantumcomputers beloven problemen op te lossen die onmogelijk zijn voor de machines van vandaag, van het ontwerpen van nieuwe medicijnen tot het kraken van complexe codes. Maar om deze programma's uit te voeren, moeten wetenschappers abstracte instructies vertalen naar een reeks fysieke operaties die een kwantumprocessor daadwerkelijk kan uitvoeren. Dit vertaalproces, bekend als compilatie, is volkomen moeilijk. Elke stap in een kwantumprogramma introduceert een kleine kans op een fout, en omdat deze machines ongelooflijk fragiel zijn, geldt: hoe meer stappen er nodig zijn, hoe groter de kans dat het eindresultaat onjuist is. Om kwantumcomputing bruikbaar te maken, moeten onderzoekers manieren vinden om deze programma's te verkleinen, waarbij ze onnodige stappen verwijderen en de tijd verkorten die ze nodig hebben om te draaien, terwijl ze er tegelijkertijd voor zorgen dat het definitieve antwoord exact hetzelfde blijft als het oorspronkelijke plan.

Decennialang was de standaardaanpak om deze programma's te verkleinen om te vertrouwen op een vaste set regels, vergelijkbaar met een monteur die een specifieke moersleutel gebruikt om een bout aan te draaien. Ingenieurs hebben bibliotheken gebouwd van bekende afkortingen, waarbij een specifiek patroon van operaties wordt vervangen door een kortere, equivalente versie. Hoewel dit goed werkt voor eenvoudige gevallen, heeft het moeite met complexe, verstrengelde programma's. De regels zijn rigide en kunnen de grote lijn niet gemakkelijk zien of veranderingen over verre delen van een circuit coördineren. Een nieuwe studie door onderzoekers van ETH Zürich en de Universiteit van Cambridge suggereert dat de toekomst van deze optimalisatie niet ligt in rigide regels, maar in een vorm van kunstmatige intelligentie die leert door middel van voorbeelden. Zij hebben een systeem gebouwd genaamd Bridge of Ψ's, dat het probleem van het verkleinen van een kwantumprogramma behandelt als een reis van een rommelige, inefficiënte staat naar een schone, efficiënte staat, geleid door patronen die het heeft geleerd van miljoenen voorbeelden.

De onderzoekers begonnen met de fundamentele vraag: kan een machine learning-model leren om een kwantumcircuit direct te optimaliseren, zonder dat het de specifieke regels krijgt verteld die het moet volgen? Om dit te beantwoorden, hadden ze een manier nodig om het model te leren wat een "goed" circuit is. Ze konden het niet simpelweg willekeurige circuits laten zien, want dan zou het model niet weten welke beter zijn. In plaats daarvan werkten ze achterstevoren. Ze begonnen met kleine, efficiënte circuits en maakten deze doelbewust groter en ingewikkelder door bekende regels in omgekeerde richting toe te passen. Dit creëerde een enorme collectie paren: een rommelig, uitgebreid circuit en zijn perfecte, compacte tweelingbroer. Door deze paren in hun systeem te voeren, leerden de onderzoekers het model om de transformatie van de rommelige versie terug naar de schone versie te herkennen.

Het systeem dat zij hebben gebouwd, genaamd Bridge of Ψ's, maakt gebruik van een geavanceerd type generatief model dat bekend staat als een Schrödinger-brug. In eenvoudige termen leert dit model gegevens van de ene distributie naar de andere te transporteren. Stel je een wolk rook voor die in een specifieke vorm moet worden hervormd; het model leert het meest waarschijnlijke pad om van de wolk naar de vorm te komen. In dit geval is de "rook" het uitgebreide, inefficiënte circuit, en de "vorm" de geoptimaliseerde versie. Het model bouwt de oplossing niet stukje bij beetje op of controleert een lijst met regels. In plaats daarvan bekijkt het het gehele circuit in één keer en voorspelt hoe het de vorm kan veranderen. Hiervoor gebruikt het een op maat ontworpen architectuur die de unieke structuur van kwantumcircuits respecteert, waarbij de volgorde van operaties in de tijd ertoe doet, maar de volgorde van de draden die de informatie dragen dat niet doet. Hierdoor kan het model circuits van verschillende groottes aanleggen zonder dat het vanaf nul opnieuw getraind hoeft te worden.

Toen de onderzoekers hun systeem testten op een reeks circuits bestaande uit acht qubits en zesentwintig stappen, waren de resultaten opmerkelijk. Het model produceerde consequent kortere en snellere circuits dan de negen bestaande optimalisatietools waarmee het werd vergeleken. Gemiddeld verminderde het het aantal stappen in een circuit met een factor van bijna tweeënhalf, en deed het hetzelfde voor de tijd die het circuit in beslag nam om te draaien. Belangrijker nog, het slaagde erin om deze verbeteringen te vinden in bijna tachtig procent van de gevallen, terwijl de beste traditionele tool slechts in ongeveer zesentwintig procent van de gevallen het beoogde optimalisatieniveau bereikte. Het systeem was zo effectief dat het vaak oplossingen vond die zelfs korter waren dan de oplossingen die werden gebruikt voor de training, wat suggereert dat het de onderliggende principes van optimalisatie had geleerd in plaats van alleen de voorbeelden te hebben onthouden.

De studie onderzocht ook of deze aanpak circuits kon verwerken die groter waren of anders gestructureerd waren dan de circuits die voor de training werden gebruikt. De onderzoekers ontdekten dat het model zich snel kon aanpassen. Door een kleine aanpassing aan het systeem aan te brengen, waren ze in staat het toe te passen op circuits met zestien qubits en een veel grotere diepte, waarbij ze een vergelijkbaar succespercentage behaalden. Deze flexibiliteit is cruciaal, aangezien echte kwantumprogramma's enorm zullen variëren in grootte en complexiteit. Het systeem vertrouwt niet op een vaste zoekruimte of een vooraf geschreven bibliotheek van trucjes. In plaats daarvan genereert het nieuwe oplossingen on the fly, voortbouwend op de patronen die het tijdens de training heeft geleerd. Om de juistheid van de resultaten te garanderen, voegden de onderzoekers een verificatiestap toe die elk resultaat controleert om te bevestigen dat het exact dezelfde berekening uitvoert als de oorspronkelijke input, waarbij alle resultaten die deze test niet halen, worden verworpen.

Hoewel het systeem krachtig is, is het niet zonder nadelen. Het proces van het genereren van deze geoptimaliseerde circuits kost meer tijd dan het draaien van een traditionele regelgebaseerde tool. Een enkele optimalisatieronde kan enkele seconden duren, terwijl een standaardtool in een fractie van een seconde klaar kan zijn. De onderzoekers stellen echter dat deze extra tijd een waardevolle investering is. Traditionele tools blijven vaak steken en zijn niet in staat om de best mogelijke oplossing te vinden, terwijl het nieuwe systeem consistent diepere reducties vindt. In een veld waar elke stap telt en fouten snel accumuleren, kan het vermogen om een programma aanzienlijk te verkorten het verschil betekenen tussen een mislukt experiment en een doorbraak in de ontdekking.

Het werk vertegenwoordigt een belangrijke verschuiving in de manier waarop kwantumsoftware wordt ontwikkeld. Jarenlang vertrouwde het vakgebied op handmatig vervaardigde analytische methoden en rigide zoekalgoritmen. Deze studie laat zien dat een datagestuurde aanpak, waarbij een machine de kunst van optimalisatie leert van voorbeelden, beter kan presteren dan de beste door mensen ontworpen tools. Het opent de deur naar een toekomst waarin kwantumcompilers niet alleen regelvolgers zijn, maar intelligente systemen die in staat zijn om door het complexe landschap van kwantumoperaties te navigeren om de meest efficiënte weg te vinden. Door de kloof tussen geavanceerde machine learning en kwantumfysica te overbruggen, hebben de onderzoekers aangetoond dat de instrumenten die nodig zijn om kwantumcomputing praktisch te maken, mogelijk al binnen handbereik zijn, wachtend om getraind te worden op de juiste data.