⚛️ kwantumfysica

Classical Pre-Training of Large Shallow Parametrized Quantum Circuits through Pauli Propagation and deployment on Quantum Hardware

Dit artikel stelt een klassiek pre-training framework voor voor grote ondiepe geparametriseerde kwantumcircuits met behulp van Pauli-propagatie om verliesfuncties efficiënt te optimaliseren via backward observable propagatie, waarbij de succesvolle inzet van de resulterende parameters op 64-qubit IBM kwantumhardware voor taken zoals variationele eigensolving en generatieve modellering wordt aangetoond.

Oorspronkelijke auteurs: Saverio Monaco, Jamal Slim, Ran Xue, Dirk Krücker, Kerstin Borras

Gepubliceerd 2026-10-26

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Saverio Monaco, Jamal Slim, Ran Xue, Dirk Krücker, Kerstin Borras

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

Quantum machine learning bevindt zich op de grens waar de vreemde regels van de subatomaire wereld samenkomen met de praktische behoefte om complexe problemen op te lossen. In de kern zitten circuits gemaakt van quantum bits, of qubits, die tegelijkertijd in meerdere toestanden kunnen bestaan, waardoor ze informatie kunnen verwerken op manieren die klassieke computers niet kunnen. Om deze circuits bruikbaar te maken, moeten wetenschappers ze "trainen", waarbij ze hun interne instellingen aanpassen om de beste oplossing voor een specifieke taak te vinden, vergelijkbaar met het afstemmen van een radio om een helder signaal te vinden. Echter, naarmate deze circuits groter worden om moeilijkere problemen aan te pakken, wordt het proces van het trainen ervan een bottleneck. De standaardmethode vereist dat het circuit duizenden keren heen en weer wordt gestuurd naar een fysieke quantummachine om te meten hoe goed het presteert. Dit is traag, duur en foutgevoelig omdat huidige quantummachines fragiel en ruisgevoelig zijn. De centrale uitdaging is het vinden van een manier om het zware werk van het trainen te doen zonder constant afhankelijk te zijn van de delicate hardware.

Een team onderzoekers heeft een nieuwe aanpak ontwikkeld die de trainingslast volledig naar klassieke computers verschuift, waardoor de quantummachine alleen wordt gebruikt voor de laatste test. Hun methode, genaamd Pauli-propagatie, werkt door de informatiestroom om te keren. In plaats van een quantumtoestand door het circuit naar voren te sturen om te zien wat eruit komt, beginnen ze met de vraag die ze willen beantwoorden en werken ze achteruit door de lagen van het circuit. Door bij te houden hoe de vraag verandert terwijl deze tegen de stroom van de poorten in beweegt, kunnen ze een nauwkeurige wiskundige beschrijving van het gedrag van het circuit opschrijven met behulp van alleen standaard computerkracht. Deze beschrijving fungeert als een kaart, die precies laat zien hoe het aanpassen van de instellingen van het circuit het uiteindelijke resultaat zal beïnvloeden. Omdat deze kaart op een klassieke computer wordt gebouwd, kunnen de onderzoekers de instellingen miljoenen keren in seconden aanpassen, een taak die dagen of weken zou duren als ze het circuit voor elke enkele verandering op een echte quantumdevice moesten draaien.

De onderzoekers testten deze strategie op twee zeer verschillende problemen met behulp van een circuit met 64 qubits, een omvang die te groot is voor zelfs de krachtigste klassieke supercomputers om direct te simuleren. In het eerste experiment pakten ze een probleem uit de natuurkunde aan dat bekend staat als de Variational Quantum Eigensolver, die wordt gebruikt om de laagste energietoestand van een systeem te vinden, vergelijkbaar met het vinden van de meest stabiele rangschikking van magneten. Ze trainden het circuit op een klassieke computer met hun backward-propagation methode en zetten vervolgens de resulterende instellingen in op een echte quantumprocessor genaamd ibm berlin. Hoewel de klassieke training de parameters succesvol optimaliseerde, observeerden de onderzoekers een hardnekkige kloof tussen de resultaten geproduceerd door de quantumhardware en de theoretische grondtoestand. Ze schreven deze kloof toe aan de precisie van de hardware bij het schatten van de observable, in plaats van aan een fout in de trainingsprocedure zelf. In het tweede experiment trainden ze het circuit om te fungeren als een generator voor eenvoudige zwart-wit afbeeldingen, waarbij ze de machine in essentie leerden om patronen te creëren die leken op handgeschreven cijfers. Opnieuw trainden ze het model volledig op een klassieke computer en draaiden ze de uiteindelijke versie op de quantumprocessor. De machine produceerde herkenbare, zij het ruisige, afbeeldingen van cijfers, wat aantoont dat de methode ook werkt voor generatieve taken.

Een belangrijke bevinding van de studie is dat deze aanpak een veel efficiënter gebruik van de quantumhardware mogelijk maakt. De onderzoekers ontdekten dat de circuits die zij ontwierpen veel minder complexe poorten vereisten dan andere veelvoorkomende ontwerpen die voor soortgelijke taken worden gebruikt. Deze reductie is cruciaal, omdat elke extra poort een laag van fouten toevoegt en meer tijd kost om op een echte machine uit te voeren. Door minder poorten te gebruiken, waren de circuits ondiep genoeg om uitgevoerd te worden op de huidige hardware zonder uit elkaar te vallen door ruis. De studie benadrukte ook dat, hoewel de klassieke training zeer effectief was, de uiteindelijke resultaten op de quantummachine nog steeds een kloof vertoonden vergeleken met de perfecte klassieke simulatie. Deze kloof kwam niet door een falen in de trainingsmethode, maar door de inherente beperkingen van de fysieke quantumprocessor, die moeite heeft met het meten van uitkomsten met perfecte precisie. De onderzoekers merkten op dat de methode geen wondermiddel is dat elk probleem direct oplost; het is een praktisch hulpmiddel dat training haalbaar maakt op schalen waar dat voorheen onmogelijk was.

Het werk suggereert een nieuwe weg voorwaarts voor het vakgebied, waarbij de quantumcomputer niet langer de motor van het leerproces is, maar de laatste fase van uitvoering. Door het intensieve werk van optimalisatie naar klassieke machines te verplaatsen, kunnen wetenschappers opschalen naar systemen met honderden qubits zonder te worden tegengehouden door de snelheid en kwetsbaarheid van de huidige hardware. De onderzoekers erkennen dat er nog werk te doen is, met name bij het verfijnen van de loss functions die worden gebruikt voor generatieve modellen en bij het rekening houden met de specifieke soorten ruis die in echte apparaten worden gevonden. De demonstratie op 64 qubits dient echter als een sterk bewijs van concept. Het laat zien dat we, door anders na te denken over hoe we deze circuits trainen, de kloof kunnen overbruggen tussen het theoretische potentieel van quantum machine learning en de praktische realiteit van de huidige technologie.

Technische Samenvatting: Klassieke Pre-training van Grote Shallow Geparametriseerde Kwantumcircuits via Pauli-propagatie

Probleemstelling
Het schalen van geparametriseerde kwantumcircuits (PQCs) naar een groot aantal qubits blijft een centrale flessenhals in Quantum Machine Learning (QML). Hoewel kwantumb hardware nu beschikbaar is met meer dan 100 qubits, wordt uitgebreide training op deze apparaten gehinderd door de kosten van gradiëntschatting. De standaard parameter-shift regel vereist twee circuit-evaluaties per parameter, wat prohibitief duur wordt naarmate het aantal parameters groeit. Daarentegen bieden gradiëntvrije optimalisatoren (bijv. COBYLA, SPSA) minder evaluaties, maar bieden ze zwakkere convergentiegaranties en vereisen ze nog steeds herhaalde, kostbare toegang tot kwantumb hardware. Bestaande oplossingen beperken vaak de ansatz-architectuur om gradiëntkosten te verlagen of vertrouwen op klassieke simulatie, wat beperkt is tot ongeveer 30 qubits.

Methodologie: Pauli-propagatie Framework
De auteurs stellen een "train op klassiek, deploy op kwantum" paradigma voor dat klassieke training uitbreidt naar een bredere klasse van PQCs, specifiek lokaal scramblerende circuits, waarbij de verliesfunctie wordt gedefinieerd door de verwachtingswaarden van observabelen. De kernmethodologie berust op Pauli-propagatie, die opereert in de Heisenberg-representatie. In plaats van de kwantumtoestand voorwaarts te evolueren, evolueert de methode de observabele $O$ achterwaarts door het circuit via de transformatie $O'(\theta) = U^\dagger(\theta) O U(\theta)$ .

Belangrijke technische componenten zijn:

Observabele Decompositie: De observabele wordt gedecomposeerd in de $n$ -qubit Pauli-basis. De propagatie volgt hoe Pauli-strings transformeren onder conjugatie door elke gate.
Vertakking en Trigonometrische Factoren: Geparametriseerde rotatie-gates veroorzaken dat Pauli-strings vertakken in twee termen (cosine en sine branches) wanneer ze anticommuteren met de rotatieas. Dit resulteert in een expliciete parametrische expressie voor de verwachtingswaarde $\langle O \rangle(\theta)$ als een som van producten van trigonometrische functies van de circuitparameters.
Exacte Filtering: Een natuurlijke filter verwerpt elke propagatiepad waar de terminale Pauli-string $X$ - of $Y$ -operatoren bevat, aangezien $\langle 0|X|0\rangle = \langle 0|Y|0\rangle = 0$ . Alleen paden die eindigen in $I$ of $Z$ dragen bij aan de verwachtingswaarde.
Truncatie Strategieën: Om propagatie hanteerbaar te maken voor grote systemen (bijv. 64 qubits), implementeren de auteurs twee complementaire benaderingsschema's:
- Gewichtstruncatie (Weight Truncation): Verwerpt paden waar de Pauli-gewicht (aantal non-identity operatoren) een afkapwaarde $w_{cut}$ overschrijdt. Dit wordt gerechtvaardigd door de observatie dat de bijdrage van paden met een hoog gewicht exponentieel afneemt voor lokaal scramblerende ansätze.
- Trigonometrische-Graad Truncatie (Trigonometric-Degree Truncation): Verwerpt paden waar het aantal vertakkende gates (trigonometrische graad) een afkapwaarde $\delta_{cut}$ overschrijdt, gebaseerd op de afname van termen met een hoge graad onder uniform verdeelde parameters.
Pruning Heuristieken: Om de computationele kosten verder te verlagen zonder benaderingsfout, gebruiken de auteurs exacte pruning-strategieën:
- Dead-qubit Pruner: Verwerpt vertakkingen waar een qubit een $X$ - of $Y$ draagt en er geen resterende gates zijn die het terug kan veranderen naar $Z$ of $I$ .
- XY-weight Pruner: Verwerpt vertakkingen waar het aantal qubits dat een $X$ - of $Y$ draagt, groter is dan het aantal resterende gates dat in staat is dit aantal te verminderen.

Belangrijke Bijdragen en Toepassingen
De paper demonstreert deze aanpak op twee 64-qubit benchmarks, een schaal die ver boven de exacte statevector-simulatiecapaciteiten ligt:

Variational Quantum Eigensolver (VQE):
- Taak: Het vinden van de grondtoestandsenergie van een 2D transversaal-veld Ising-model.
- Resultaat: De methode optimaliseerde succesvol parameters voor diepte-1 (exacte propagatie) en diepte-2 (getrunceerde propagatie) ansätze. De klassiek geoptimaliseerde parameters werden gedeployed op de IBM kwantumprocessor ibm_berlin. De resultaten toonden aan dat de klassieke pre-training het kwantumhardwaregebruik effectief beperkte tot enkel validatie, aangezien de volledige 1000-stappen optimalisatie-loop op klassieke hardware werd uitgevoerd.
Quantum Generative Modeling:
- Taak: Het trainen van een discrete generatieve model voor binaire afbeeldingen (gedownsamplede MNIST) met een verliesfunctie gebaseerd op de Maximum Mean Discrepancy (MMD) van Pauli-Z verwachtingswaarden.
- Resultaat: De auteurs trainden een shallow ansatz (256 parameters) met Pauli-propagatie met gewichtstruncatie. Het getrainde model werd gedeployed op ibm_berlin om samples te generen.
- Vergelijking: De voorgestelde propagator presteerde aanzienlijk beter dan twee IQP (Instantaneous Quantum Polynomial) baselines. Het bereikte een test MMD $^2$ die ongeveer 12 keer lager was dan een gelijke IQP-circuit, en presteerde beter dan een IQP-circuit met 10 $\times$ meer parameters (2560 gates), ondanks het gebruik van slechts een tiende van de parameters. De auteurs schrijven dit toe aan de causale structuur geïntroduceerd door niet-commuterende gates in hun ansatz, wat zorgt voor een grotere expressiviteit per parameter vergeleken met de commuterende gates van IQP-circuits.

Betekenis en Claims
De paper positioneert dit werk als een proof of concept in plaats van een claim van optimaliteit. De primaire betekenis ligt in het demonstreren van de levensvatbaarheid van de "train-on-classical, deploy-on-quantum" pijplijn op de 64-qubit schaal.

Schaalbaarheid: De aanpak biedt een schaalbaar pad vooruit voor QML naarmate het aantal qubits toeneemt, waarbij de prohibitieve kosten van on-hardware gradiëntschatting worden omzeild.
Hardware Efficiëntie: Door de training volledig naar klassieke resources te verplaatsen, minimaliseert de methode de kwantumcircuit-executies tot alleen wat nodig is voor finale validatie of sampling.
Parameter Efficiëntie: In de generatieve modelleringstaak vereiste de non-commuterende ansatz aanzienlijk minder geparametriseerde gates dan IQP-stijl ansätze om superieure prestaties te behalen, wat de transpilation overhead vermindert en deployment op huidige ruisige intermediate-scale quantum (NISQ) hardware haalbaarder maakt.
Toekomstige Richtingen: De auteurs merken op dat hoewel de methode veelbelovend is, het identificeren van verliesfuncties die zowel fysiek gemotiveerd als goedkoper te propageren zijn dan de MMD-estimator een openstaande uitdaging blijft. Ze suggereren ook dat het direct integreren van device-ruismodellen in de propagatie de robuustheid van de getrainde parameters verder zou kunnen verbeteren.

Meer zoals dit