Beyond the Mean Gap: What Transferred-Angle QAOA Retains on a Superconducting Processor
Deze studie toont aan dat QAOA-circuits op een supergeleidende processor vaak een aanzienlijk deel van hun verbetering in de gemiddelde kloof ten opzichte van uniforme bemonstering behouden, terwijl ze het grootste deel van hun waarschijnlijkheid om het optimum te vinden verliezen, wat het belang benadrukt om de validatie van kwantumoptimalisatie te verifiëren door de retentie van optimale en bijna-optimale bitstrings te rapporteren in plaats van alleen de gemiddelde kosten.
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 auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de stille brom van een laboratorium bouwen wetenschappers aan machines die werken volgens de vreemde regels van de kwantumwereld. Deze apparaten, bekend als kwantumprocessors, bieden de belofte om bepaalde problemen veel sneller op te lossen dan de supercomputers die we vandaag de dag gebruiken. Een van de meest populaire manieren om deze machines te testen is een algoritme genaamd het Quantum Approximate Optimization Algorithm, of QAOA. Zie dit algoritme als een zoekmachine voor het vinden van de enkelvoudige beste oplossing voor een complexe puzzel, zoals het maken van een planning of het plannen van een route voor een bezorgwagen. De machine geeft niet zomaar één antwoord; hij voert een proces uit dat een wolk van mogelijke antwoorden produceert, met de hoop dat het beste antwoord vaker voorkomt dan de andere. Jarenlang hebben onderzoekers gecontroleerd of deze machines werken door te kijken naar de gemiddelde kwaliteit van alle antwoorden die ze produceren. Als het gemiddelde antwoord goed is, gingen ze ervan uit dat de machine zijn werk deed. Maar deze benadering heeft een blinde vlek: een hoog gemiddelde kan verbergen dat de machine zelden de werkelijk beste oplossing vindt, wat juist het enige is dat er echt toe doet bij het oplossen van de puzzel.
Een team van onderzoekers besloot onlangs verder te kijken dan dat gemiddelde om te zien wat er werkelijk gebeurde in een supergeleidende kwantumprocessor. Ze gebruikten een specif kind machine van IBM, gevestigd in een faciliteit in New York, om een reeks tests uit te voeren op puzzels met twaalf variabelen. In plaats van de machine te laten leren wat de beste instellingen zijn voor elke nieuwe puzzel, gebruikten ze een strategie genaamd "transferred angles" (overgedragen hoeken). Dit betekende dat ze de machine één keer trainden op een paar kleine voorbeelden en diezelfde instellingen vervolgens toepasten op grotere, moeilijkere puzzels. Deze aanpak is efficiënt omdat het de machine voorkomt tijd te verspillen aan leren op het moment zelf, waardoor elke poging een potentiële oplossing kan zijn. De onderzoekers draaiden deze circuits duizenden keren en legden de ruwe data vast van welke antwoorden de machine daadwerkelijk vond. Vervolgens vergeleken ze deze resultaten uit de echte wereld met computersimulaties die ontworpen waren om het gedrag van de machine na te bootsen, inclus_ief de bekende fouten en ruis.
De resultaten onthulden een verrassende kloof tussen wat de machine leek te doen en wat hij daadwerkelijk bereikte. Wanneer de onderzoekers naar de gemiddelde kwaliteit van de antwoorden keken, leek de machine redelijk goed te presteren, waarbij hij dertig tot drieënveertig procent van de verbetering behield die hij zou moeten laten zien in een perfecte, ruisvrije wereld. Dit gemiddelde score is wat de meeste eerdere studies hebben vertrouwd om succes te verklaren. Echter, wanneer zij inzoomden om te tellen hoe vaak de machine daadwerkelijk de enkelvoudige beste oplossing vond, veranderde het beeld drastisch. De machine behield slechts vijf tot vijftien procent van de waarschijnlijkheid om dat perfecte antwoord te vinden. Met andere woorden, terwijl de machine erin slaagde om slechte, nutteloze antwoorden te vermijden, faalde hij in het concentreren van zijn inspanningen op de allerbeste resultaten. De gemiddelde score werd omhoog gehouden door het vermogen van de machine om weg te blijven van de slechtste uitkomsten, wat maskeerde dat hij de race om het optimum aan het verliezen was.
Deze bevinding daagt de gangbare praktijk uit om kwantumcomputers te valideren door hun gemiddelde prestaties te vergelijken met een simulatie. De onderzoekers ontdekten dat een computermodel dat ontworpen is om de fouten van de echte machine te evenaren, de gemiddelde score weliswaar goed kon voorspellen, maar de kans dat de machine de beste oplossing zou vinden, enorm overschatte. In sommige gevallen voorspelde het model dat de machine het perfecte antwoord vijf tot acht keer vaker zou vinden dan hij in werkelijkheid deed. De studie suggereert dat de ruis in deze machines de resultaten niet gelijkmatig vertroebelt; het vernietigt specifiek de scherpe piek in de waarschijnlijkheid die op het beste antwoord zou moeten liggen, terwijl het vermijden van slechte antwoorden relatief intact blijft. Dit betekent dat een machine er op papier succesvol uit kan zien, terwijl hij er niet in slaagt de specifieke oplossing te leveren die nodig is voor een praktische toepassing.
De onderzoekers testten ook verschillende methoden om te proberen de machine tegen deze fouten te beschermen, zoals het toevoegen van extra pulsen om interferentie te elimineren of het door elkaar husselen van de signalen om fouten gelijkmatiger te maken. Hoewel sommige van deze technieken enigszins hielpen, sloten ze de kloof tussen de simulatie en de werkelijkheid niet. Sterker nog, bij een bijzonder moeilijke set puzzels die ontworpen waren als robuust en complex, verdween het voordeel van de machine ten opzichte van standaard klassieke computermethoden volledig zodra de echte wereldruis werd geïntroduceerd. In de stille wereld van het lab kon de kwantummachine de klassieke algoritmen die voor de taak waren afgestemd, niet verslaan. De studie concludeert dat om echt te begrijpen of een kwantumcomputer klaar is voor optimalisatie, we moeten stoppen met kijken naar het gemiddelde en moeten beginnen met het tellen van de overwinningen. We moeten weten hoe vaak de machine het beste antwoord vindt, niet alleen hoe goed zijn gemiddelde gok is, want voor het oplossen van hardnekkige problemen is het gemiddelde niet genoeg.
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.