Feedback-based quantum optimization with low depth and measurement
Dit artikel introduceert BLS-FALQON, een hybride kwantum-klassiek optimalisatiealgoritme geïnspireerd door Backtracking Line Search dat de meetoverhead aanzienlijk vermindert vergeleken met SO-FALQON terwijl het een lage circuitdiepte behoudt, zoals gevalideerd door numerieke simulaties en experimenten in de echte wereld op de Tianyan-176 kwantumcomputer.
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
In de race om nuttige quantumcomputers te bouwen, werken wetenschappers momenteel met machines die krachtig maar fragiel zijn. Deze apparaten, bekend als noisy intermediate-scale quantum computers, kunnen complexe berekeningen uitvoeren, maar ze worden gemakkelijk verstoord door hun omgeving, waardoor er fouten binnensluipen voordat een berekening is voltooid. Om moeilijke problemen op te lossen, zoals het organiseren van gegevens of het vinden van de meest efficiënte route door een netwerk, gebruiken onderzoekers hybride algoritmen die de sterke punten van klassieke computers combineren met deze nieuwe quantumprocessors. Eén dergelijke methode, genaamd FALQON, werkt als een geleide zoektocht. Het begint met een willekeurige gok en past de quantumtoestand herhaaldelijk aan, waarbij gebruik wordt gemaakt van feedback van metingen om het systeem dichter bij het best mogelijke antwoord te duwen. Het probleem is dat deze begeleiding vereist dat de quantumcomputer een zeer lange sequentie van operaties uitvoert. Omdat de machines zo fragiel zijn, betekent het uitvoeren van een lange sequentie vaak dat het signaal verloren gaat in de ruis voordat het antwoord is gevonden.
Om dit op te lossen, hebben onderzoekers eerder een snellere versie van de zoektocht ontwikkeld die de oplossing in minder stappen kon bereiken. Echter, deze snelheid kwam met een zware prijs: de machine moest bij elke enkele stap veel meer metingen verrichten om ervoor te zorgen dat hij niet uit koers raakte. Deze vloedgolf aan metingen vertraagde het proces en introduceerde nog meer fouten. Een nieuwe studie door een team van de Beijing University of Posts and Telecommunications en andere instellingen stelt een andere oplossing voor. Ze introduceerden een methode genaamd BLS-FALQON, die erin slaagt de zoektocht kort te houden zonder een excessief aantal metingen te eisen. Door een strategie te gebruiken die is geleend uit de wiskundige optimalisatie, creëerde het team een systeem dat grote, zelfverzekerde stappen richting de oplossing kan zetten terwijl het slechts af en toe zijn voortgang controleert. Wanneer het systeem controleert en merkt dat het is afgedwaald, draait het simpelweg van richting en probeert het een kleinere stap, in plaats van complexe waarden vanaf nul opnieuw te berekenen.
De onderzoekers testten deze nieuwe aanpak op een klassiek puzzelprobleem bekend als het max-cut probleem, dat inhoudt dat een netwerk in twee groepen wordt verdeeld om de verbindingen tussen hen te maximaliseren. In computersimulaties met netwerken van tot wel twintig knooppunten bleek de nieuwe methode zeer effectief. Het verminderde het totale aantal metingen dat nodig was met bijna achttendertig procent vergeleken met de vorige snelste methode, terwijl de lengte van het quantumcircuit ongeveer gelijk bleef. Dit is een significante verbetering omdat, in de huidige generatie quantumhardware, de tijd die wordt besteed aan meten en de tijd die wordt besteed aan het uitvoeren van het circuit de twee grootste knelpunten zijn. Door de metingen terug te brengen, heeft het team effectief de totale tijd verminderd die de quantumcomputer nodig had om het probleem op te lossen.
Om te verifiëren dat deze resultaten ook in de echte wereld standhielden, voerde het team hun experimenten uit op een fysieke quantumcomputer in China, die gebruikmaakt van een supergeleidende processor met 176 qubits. Ze testten het algoritme op kleine netwerken met vier, zes en acht knooppunten. De resultaten bevestigden dat de nieuwe methode niet alleen een succes in simulatie was, maar een praktische realiteit. Op de eigenlijke hardware verminderde de nieuwe aanpak de geschatte uitvoeringstijd met drieënveertig procent vergeleken met de vorige beste methode. Het systeem bleef stabiel, zelfs in de aanwezigheid van de ruis en fouten die de huidige machines teisteren. Hoewel de nieuwe methode de kloof tussen de ruisige hardwareresultaten en het perfecte theoretische ideaal niet volledig heeft weggenomen, presteerde het beter dan de alternatieven en toonde het aan dat het goede oplossingen kon vinden zonder de fragiele quantumprocessor te overbelasten met te veel controles.
Het succes van dit werk ligt in de eenvoud ervan. In plaats van te proberen een perfecte, complexe correctie bij elke stap te berekenen, gebruikt het nieuwe algoritme een heuristische benadering. Het zet een grote stap, controleert of het resultaat is verbeterd, en als dat niet het geval is, draait het simpelweg de richting van de volgende stap om en probeert het opnieuw. Deze heen-en-weer aanpassing zorgt ervoor dat het systeem op koers blijft zonder dat er extra gegevens verzameld hoeven te worden die het proces zouden vertragen. De onderzoekers ontdekten dat deze strategie goed werkt, zelfs wanneer de quantumcomputer fouten maakt, omdat de methode deze fouten natuurlijk corrigeert door van richting te veranderen wanneer zaken misgaan. Dit suggereert dat voor de huidige generatie quantumcomputers de meest efficiënte weg vooruit mogelijk niet is om de machines complexer te maken, maar om de instructies die ze volgen slimmer en efficiënter te maken.
De studie benadrukt ook het belang van hoe gegevens worden gegroepeerd tijdens de meting. In quantum computing kan het meten van één deel van het systeem een ander deel verstoren, dus moeten wetenschappers gerelateerde metingen samen groeperen om verstoring te minimaliseren. Het team toonde aan dat hun nieuwe methode gecombineerd kan worden met bestaande groeperingstechnieken om de werklast verder te verminderen. Dit betekent dat de besparingen in tijd en middelen niet alleen theoretisch zijn, maar direct toepasbaar zijn op de manier waarop deze machines momenteel worden geprogrammeerd. De bevindingen suggereren dat door de feedbackloop te verfijnen, onderzoekers meer prestaties uit de quantumhardware die ze al hebben kunnen persen, wat praktische toepassingen voor deze machines potentieel dichter bij de realiteit brengt.
Uiteindelijk toont het werk aan dat efficiëntie in quantum computing niet alleen gaat over het bouwen van grotere processors, maar over het ontwerpen van algoritmen die de fysieke limieten van de hardware respecteren. De nieuwe methode bereikt een evenwicht tussen snelheid en nauwkeurigheid dat eerdere benaderingen niet konden evenaren. Het biedt een manier om door het ruisige landschap van huidige quantumapparaten te navigeren zonder verloren te gaan in de fouten. Naarmate het veld vooruitgaat, zullen technieken zoals deze waarschijnlijk essentieel worden voor het oplossen van echte problemen, wat bewijst dat de beste manier om vooruit te gaan soms is om precies te weten wanneer je een stap terug moet doen en het opnieuw probeert.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.