⚛️ kwantumfysica

Designing Quantum Solutions to the Closest String Problem with the Non-Variational QWOA

Dit artikel presenteert een end-to-end, niet-variationele kwantumimplementatie van het Closest String-probleem met behulp van het NV-QWOA-algoritme, voorzien van een nieuwe parametervoor schrijving die instantie-specifieke optimalisatie vermijdt terwijl het consistent optimale oplossingen versterkt met analytisch geschatte hulpbronvereisten.

Oorspronkelijke auteurs: Benjamin Rossdeutscher, Jingbo Wang

Gepubliceerd 2026-10-27

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Benjamin Rossdeutscher, Jingbo Wang

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 het uitgestrekte landschap van de moderne informatica bestaat een klasse van puzzels die zo complex zijn dat zelfs de krachtigste supercomputers moeite hebben om ze exact op te lossen. Dit zijn combinatorische optimalisatieproblemen, waarbij het doel is om de enkelvoudige beste arrangement te vinden onder een verbluffend groot aantal mogelijkheden. Stel je voor dat je de perfecte sleutel probeert te vinden in een kamer vol met miljarden sloten; naarmate het aantal sloten groeit, groeit de tijd die nodig is om elk van hen te controleren zo snel dat het al snel onmogelijk wordt. Eén zodanige puzzel is het "Closest String"-probleem. Het stelt een eenvoudige vraag: gegeven een verzameling verschillende reeksen tekens, kun je een nieuwe reeks vinden die tegelijkertijd zo vergelijkbaar mogelijk is met al deze reeksen? Dit is niet alleen een theoretisch spel. Wetenschappers gebruiken deze logica om beschadigde berichten in communicatie te reconstrueren, gemeenschappelijke structuren in eiwitmoleculen te identificeren voor medicijnontwikkeling en om gemuteerde virussen tijdens ziekteuitbraken te volgen. Omdat het aantal mogelijke antwoorden explodeert naarmate het probleem groter wordt, wordt het vinden van het werkelijke beste antwoord beschouwd als een van de moeilijkste taken in de informatica.

Onlangs hebben onderzoekers aan de Universiteit van West-Australië een belangrijke stap gezet naar het oplossen van dit probleem met behulp van de unieke kracht van quantumcomputers. In plaats van antwoorden één voor één te controleren zoals een klassieke computer dat doet, gebruikt hun nieuwe methode de vreemde regels van de quantummechanica om veel mogelijkheden tegelijkertijd te verkennen. Ze pasten een specifieke techniek toe genaamd het Non-Variational Quantum Walk Optimization Algorithm, of NV-QWOA, op het Closest String-probleem. Deze aanpak is onderscheidend omdat deze niet vertrouwt op een traag proces van vallen en opstaan om de instellingen af te stemmen. In plaats daarvan ontwierpen de onderzoekers een vaste set instructies die de quantumcomputer automatisch naar de beste oplossing leiden. Door dit proces op een klassieke computer te simuleren, hebben zij aangetoond dat hun methode de waarschijnlijkheid van het vinden van het juiste antwoord succesvol kan vergroten, waardoor een bijna onmogelijke zoektocht een beheersbare taak wordt voor kleine tot middelgrote problemen.

De kern van hun werk bestaat uit het bouwen van een digitaal blauwdruk, of circuit, dat een quantumcomputer kan volgen. Dit circuit fungeert als een fabriek voor het verwerken van informatie. Eerst creëert het een superpositie, een staat waarin de computer elke mogelijke oplossing tegelijkertijd vasthoudt. Vervolgens begint het een rigoureus evaluatieproces. Het systeem vergelijkt deze wolk van potentiële antwoorden met de oorspronkelijke verzameling referentiereeksen. Het berekent de "afstand" tussen elk potentieel antwoord en de referenties, waarbij wordt gemeten hoeveel tekens er gewijzigd zouden moeten worden om ze te laten overeenkomen. Het doel is om het antwoord te vinden dat de minste wijzigingen vereist over de hele linie. De onderzoekers moesten een slimme manier ontwerpen om deze wiskunde binnen de quantumwereld uit te voeren, gebruikmakend van speciale poorten om verschillen te tellen en de maximale afstand te bepalen zonder de delicate quantuminformatie te verliezen.

Een grote hindernis bij dit soort quantumalgoritmen is het beslissen hoe de interne instellingen aan te passen om het beste resultaat te krijgen. Veel bestaande methoden vereisen dat een klassieke computer voortdurend deze instellingen aanpast op basis van de resultaten van eerdere runs, een proces dat traag en inefficiënt kan zijn. De onderzoekers introduceerden in deze studie een nieuwe, vaste regel voor een van deze cruciale instellingen. Ze ontdekten dat door deze waarde simpelweg te baseren op de omvang van het probleem, ze de noodzaak voor enige trial-and-error-afstemming konden vermijden. Deze verandering voorkwam een veelvoorkomende fout waarbij de quantumfasen, die de zoektocht sturen, zouden ronddraaien en elkaar zouden opheffen. Door deze fasen afzonderlijk te houden en correct te schalen, kon het algoritme de waarschijnlijkheid van het vinden van het juiste antwoord effectiever verhogen.

Om hun idee te testen, draaide het team simulaties op een klassieke computer die het gedrag van een quantummachine nabootste. Ze creëerden tientallen verschillende scenario's, variërend van eenvoudige reeksen van drie tekens tot complexere reeksen met zes tekens. In elk geval begonnen ze met een staat waarin alle mogelijke antwoorden even waarschijnlijk waren. Terwijl het algoritme door zijn stappen liep, begon het de beste oplossingen te bevoordelen. Na dertig rondes van verwerking lieten de simulaties zien dat de waarschijnlijkheid van het meten van het perfecte antwoord steeg naar meer dan tachtig procent. In veel gevallen was de kans op het vinden van het beste antwoord zelfs hoger, bereikend tot negentig procent. Het systeem duwde de correcte oplossingen consequent naar de top terwijl het de incorrecte oplossingen onderdrukte, wat bewees dat de methode werkt zoals bedoeld voor de maten die zij testten.

De onderzoekers telden ook zorgvuldig de middelen die hun methode zou vereisen als deze op echte quantumhardware zou worden uitgevoerd. Ze ontdekten dat het aantal quantum bits, of qubits, dat nodig is, op een beheersbare manier groeit naarmassen het probleem groter wordt. Specifiek schaalt het aantal qubits lineair met het aantal referentiereeksen en de lengte van de reeksen, maar slechts logaritmisch met de omvang van de gebruikte karakterset. Dit betekent dat zelfs wanneer het probleem complexer wordt, de hardwarevereisten niet ongecontroleerd exploderen. De diepte van het circuit, die de tijd vertegenwoordigt die nodig is om de berekening uit te voeren, volgt ook een voorspelbaar patroon. Deze bevindingen bieden een duidelijke kaart voor toekomstige experimenten, waarbij precies wordt aangegeven wat voor soort machine nodig zou zijn om deze problemen in de echte wereld aan te pakken.

Hoewel de huidige resultaten gebaseerd zijn op simulaties, zijn de implicaties voor de toekomst duidelijk. De studie bevestigt dat het Closest String-probleem, dat berucht moeilijk is voor klassieke computers, effectief benaderd kan worden met quantummethoden. Het werk van het team biedt een volledige, stapsgewijze handleiding voor hoe de noodzakelijke quantumcircuits te bouwen en hoe hun parameters in te stellen zonder dat er constante menselijke tussenkomst nodig is. Hoewel de simulaties beperkt waren tot kleine probleemomvang, suggereert het succes van het algoritme in deze tests dat het kan opschalen om de complexe datasets te verwerken die worden gevonden in genetica en communicatie. De onderzoekers merken op dat hun methode potentieel uitgebreid kan worden om gerelateerde problemen op te lossen, zoals het vinden van gemeenschappelijke substrings binnen langere sequenties, wat de deur opent naar bredere toepassingen in wetenschap en technologie.

Dit onderzoek vormt een concrete stap van theorie naar praktijk in het veld van quantumoptimalisatie. Door een werkend circuitontwerp en een betrouwbare methode voor het instellen van hun parameters te demonstreren, hebben de auteurs een fundament gelegd voor toekomstige hardware-experimenten. Hun werk laat zien dat quantumcomputers met de juiste aanpak door de enorme zoekruimtes van combinatorische problemen kunnen navigeren, waarbij ze hun kracht concentreren op de meest veelbelovende antwoorden. Naarmate de quantumhardware blijft verbeteren, zullen de technieken die in deze studie zijn ontwikkeld waarschijnlijk dienen als een blauwdruk voor het oplossen van enkele van de meest uitdagende optimalisatiepuzzels die momenteel ons vermogen om complexe biologische en digitale systemen te analyseren beperken.

Technische Samenvatting: Kwantumoplossingen voor het Closest String Probleem met Non-Variational QWOA

1. Probleemdefinitie

Het Closest String Problem (CSP) is een combinatorisch optimalisatieprobleem dat geclassificeerd is als NP-Hard. Gegeven een verzameling van $m$ referentiestrings, elk van lengte $n$ over een alfabet van grootte $k$ , is het doel om een oplossingsstring $s$ van lengte $n$ te vinden die de maximale Hamming-afstand tot elke string in de referentieverzameling minimaliseert. De kostenfunctie wordt gedefinieerd als:
$f(s) = \max_{i=1,2,...,m} d_H(s, s_i)$
waarbij $d_H$ de Hamming-afstand is.

Klassiek gezien is het exact oplossen van dit probleem computationeel onhaalbaar voor grote $n$ . Een exhaustieve zoektocht schaalt als $O(k^n)$ , en het berekenen van de kostenmatrix voor een enkele kandidaat vereist $O(mn)$ vergelijkingen, wat leidt tot een totale klassieke complexiteit van $O(k^n mn)$ . Hoewel geparametriseerde klassieke algoritmen bestaan, vertonen deze nog steeds een exponentiële schaling ten opzichte van de maximale Hamming-afstand $d$ . Het CSP heeft belangrijke toepassingen in de bio-informatica (bijv. het identificeren van gemeenschappelijke structuren in eiwitmoleculen of gemuteerde virale stammen), communicatie (het reconstrueren van signalen uit beschadigde kopieën) en foutcorrectie.

2. Methodologie: Non-Variational QWOA (NV-QWOA)

De auteurs stellen een end-to-end kwantumimplementatie van het CSP voor met behulp van de Non-Variational Quantum Walk Optimization Algorithm (NV-QWOA). In tegenstelling tot Variational Quantum Algorithms (VQA's) zoals QAOA, die vertrouwen op klassieke optimalisatielussen om parameters af te stemmen, maakt NV-QWOA gebruik van een vaste set hyperparameters die bepaald worden door de probleemstructuur, waardoor de problemen met 'barren plateaus' en de klassieke overhead die bij variatieve methoden horen, worden vermeden.

Algoritmische Stappen

Het algoritme werkt op een kwantumcircuit door $p$ iteraties, die elk uit drie hoofdonderdelen bestaan:

Kostenevaluatie (Fase-separatie):
- Het algoritme berekent de Hamming-afstand tussen een superpositie van kandidaat-oplossingsstrings en alle $m$ referentiestrings.
- Het bepaalt de maximale Hamming-afstand voor elke kandidaat (de kosten) met behulp van een deterministische kwantumcircuitarchitectuur bestaande uit Quantum Fourier Addition (QFA) en een kwantumcomparator.
- Een faseverschuiving proportioneel aan de kosten wordt toegepast op het oplossingsregister. De auteurs introduceren een herziene voorschrift voor de fase-separatieparameter $\gamma$ , die deterministisch wordt gedefinieerd als $\gamma = \frac{\pi}{2(n+1)}$ . Dit voorkomt de noodzaak voor instantie-specifieke optimalisatie en verzacht fase-wrapping modulo $2\pi$ die de correlatie tussen kosten en fase kan verzwakken.
Mixing (Quantum Walk):
- Een Continuous Time Quantum Walk (CTQW) wordt uitgevoerd over een mixing-graaf. Voor het CSP is dit een Hamming-graaf, waarbij knopen oplossingsstrings vertegenwoordigen en randen verbinding maken tussen strings die verschillen door een Hamming-afstand van 1.
- Deze mixing-unitaire herverdeelt de amplitude tussen naburige toestanden, waardoor die met gunstige (lage) fasen worden versterkt.
Iteratie:
- Stappen 1 en 2 worden $p$ keer herhaald. Het algoritme versterkt de waarschijnlijkheid van het meten van optimale of bijna-optimale oplossingen, terwijl niet-optimale toestanden worden onderdrukt.

Details van de Circuitimplementatie

Gate-Level Encoding: De implementatie gebruikt Qiskit om het probleem te vertalen naar één- en twee-qubit gates.
Registers: Het circuit maakt gebruik van zeven kwantumregisters: een oplossingsregister, een referentieregister, een karakterregister (voor $k>2$ ), een QFT-register, een winner-register, een winner-slot-register en een fase-target-register.
Uncomputation: Ancilla-registers die worden gebruikt voor de kostenberekening worden ontrekend (ontkoppeld) via Hermitische conjugaatoperaties om interferentie met de mixing-stap te voorkomen.
Optimalisatie: De auteurs hebben de Hamming-afstandberekening geoptimaliseerd door een efficiënte OR-gate implementatie met QFA te integreren, wat de noodzaak voor extra ancilla-qubits vermindert.

3. Belangrijkste Bijdragen

Expliciete Gate-Level Implementatie: Het artikel biedt een volledige, geautomatiseerde workflow om willekeurige CSP-instanties om te zetten in kwantumcircuits, inclus\nuit de codering van referentiestrings, kostenevaluatie en de NV-QWOA-ansatz.
Deterministische Fase-schaling: Een nieuw, op de probleemgrootte gebaseerd voorschrift voor de parameter $\gamma$ wordt geïntroduceerd. Dit elimineert de noodzaak voor heuristische schatting of klassieke optimalisatie van $\gamma$ , waardoor wordt gegarandeerd dat het algoritme werkelijk non-variatief blijft.
Resource Complexiteitsanalyse:
- Qubit Complexiteit: $O(nm \log k)$ .
- Circuit Diepte: $O(pm \log^2 n + pn \log n)$ voor vaste alfabetgroottes.
- Deze schattingen vertegenwoordigen een gunstig schaalverloop vergeleken met de exponentiële klassieke zoekruimte.
Efficiënt Max-functie Circuit: De auteurs hebben specifieke circuitarchitecturen ontworpen (met behulp van CCNOT en CSwap gates) om deterministisch de maximale Hamming-afstand over de referentieverzameling te vinden, een niet-triviale taak in kwantumcircuits vanwege het niet-kwadratische karakter van de max-functie.

4. Resultaten

De auteurs hebben de aanpak gevalideerd met behulp van klassieke state-vector simulaties via Qiskit-Aer.

Simulatieparameters: Experimenten werden uitgevoerd voor stringlengtes $n \in \{3, 4, 5, 6\}$ , met $m=2$ referentiestrings en een binair alfabet ( $k=2$ ). Dit komt overeen met circuits van 15 tot 26 qubits.
Prestaties:
- Na $p=30$ iteraties versterkte het algoritme consistent de optimale oplossingsset (subshell 0).
- De waarschijnlijkheid om een optimale oplossing te meten bereikte 80–90% over alle geteste instanties.
- Subshell 1 (bijna-optimale oplossingen) behield 10–20% waarschijnlijkheid, terwijl alle andere subshells naar een waarschijnlijkheid van bijna nul convergeerden.
- Het deterministische $\gamma$ -voorschrift bleek effectief zonder dat kosten-standaarddeviatie-schaling nodig was, wat bij kleinere schalen als licht nadelig werd beschouwd.
Observatie: De resultaten laten zien dat NV-QWOA effectief de meetwaarschijnlijkheid kan concentreren op hoogwaardige kandidaten vanuit een uniforme superpositie, zelfs zonder klassieke parametertuning.

5. Betekenis en Claims

Het artikel beweert een fundamenteel kader te bieden voor het oplossen van het Closest String Probleem op kwanthardware. De betekenis ligt in:

Demonstreren van Toepasbaarheid: Het verifieert dat NV-QWOA, eerder getest op problemen zoals MaxCut en k-means, ook toepasbaar is op het NP-Hard CSP.
Hardware Gereedheid: Door een expliciete gate-level implementatie en resource-inschattingen te bieden, legt het werk de basis voor toekomstige experimenten op fouttolerante kwantumcomputers.
Benchmark Potentieel: De auteurs positioneren dit werk als een basis voor het benchmarken van kwantumalgoritmen tegenover klassieke solvers. Ze stellen expliciet dat het vaststellen van een volledige "end-to-end kwantumversnelling" verdere analyse vereist van de schalingswetten van iteraties ( $p$ ), metingen en klassieke overheads, die in deze studie niet volledig zijn opgelost.
Toekomstige Uitbreidingen: De auteurs merken op dat het framework potentieel uitgebreid kan worden naar het Closest Substring Problem (waarbij de oplossing een substring is van lengte $n$ binnen langere referentiestrings van lengte $L$ ), hoewel dit in het huidige werk niet is onderzocht.

Het artikel behoudt een bescheiden toon en erkent dat, hoewel het algoritme sterke versterking laat zien in simulaties, de overgang naar praktisch kwantumvoordeel verder onderzoek vereist naar schalingswetten en hardwarebeperkingen.