← Nieuwste papers
⚛️ kwantumfysica

Variational Relevance-Informed Sparsification of Term Measurements for Variational Quantum Algorithms

Dit artikel introduceert een geleerde controller die gebruikmaakt van parameterspecifieke sparsiteit in gradiëntbijdragen om de meetoverhead in variatiele kwantumalgoritmen aanzienlijk te verminderen, waarbij superieure prestaties worden aangetoond ten opzichte van ongeleide grote taalmodellen door effectief fysieke representaties te integreren met taakspecifieke doelstellingen.

Oorspronkelijke auteur: Yifeng Peng, Bin Yan, Harshal Shah, Srinivasan Raghuraman, Kim Wagner, Sunpreet Singh Arora

Gepubliceerd 2026-11-18
📖 5 min leestijd🧠 Diepgaand

Oorspronkelijke auteur: Yifeng Peng, Bin Yan, Harshal Shah, Srinivasan Raghuraman, Kim Wagner, Sunpreet Singh Arora

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 zoektocht naar het bouwen van nuttige kwantumcomputers proberen wetenschappers momenteel een probleem op te lossen dat eenvoudig klinkt maar ongelooflijk moeilijk is: hoe vind je de laagste energietoestand van een molecuul. Dit is de sleutel tot het begrijpen van chemische reacties, het ontwerpen van nieuwe medicijnen of het creëren van betere materialen. Het belangrijkste instrument voor deze taak wordt een variational quantum eigensolver genoemd. Het werkt door een kwantumcircuit op te zetten, het uit te voeren en de resultaten te meten om te zien hoe dicht het systeem bij de doelenergie ligt. Als het resultaat niet perfect is, past de computer de instellingen aan en probeert het opnieuw. Deze cyclus herhaalt zich duizenden keren totdat het antwoord is gevonden. Het nadeel is dat kwantumcomputers fragiel en ruisgevoelig zijn, dus een enkele meting is zelden genoeg. Om een betrouwbaar antwoord te krijgen, moeten onderzoekers hetzelfde experiment duizenden keren herhalen, een proces dat bekend staat als het nemen van "shots". Naarmate de moleculen groter worden en de berekeningen complexer, explodeert het aantal benodigde shots, wat vaak de belangrijkste flessenhals wordt die het hele proces vertraagt.

Een team van onderzoekers bij Visa heeft een nieuwe manier ontwikkeld om dit te versnellen zonder precisie te verliezen. Ze ontdekten dat niet alle delen van een kwantummeting even belangrijk zijn voor elke stap van de berekening. In een typische run meet de computer veel verschillende groepen kwantumbits om te berekenen hoe de instellingen moeten worden aangepast. De onderzoekers ontdekten dat voor een specifieke aanpassing slechts een kleine, specifieke subset van deze groepen er daadwerkelijk toe doet. De rest draagt zeer weinig bij aan de uiteindelijke beslissing. Dit is als het navigeren door een stad met een kaart die elke straat, steeg en oprit laat zien; voor een specifieke rit heb je alleen de hoofdwegen nodig. De onderzoekers realiseerden zich dat als ze konden identificeren welke "wegen" essentieel waren voor elke specifieke bocht, ze de rest konden negeren en een enorme hoeveelheid tijd konden besparen.

Om dit mogelijk te maken, bouwden ze een slimme controller, een type kunstmatige intelligentie dat getraind is om te voorspellen welke metingen noodzakelijk zijn. In plaats van alles elke keer te willen meten, kijkt deze controller naar de huidige staat van het kwantumcircuit en de specifieke aanpassing die wordt gemaakt. Vervolgens beslist het welke groepen metingen behouden blijven en welke worden overgeslagen. Het systeem werd getest op vijftien verschillende moleculaire simulaties. In deze tests slaagde de nieuwe methode erin bijna de helft van de vereiste metingen te besparen. Specifiek verminderde het het aantal benodigde shots met 49,6 procent, terwijl de uiteindelijke energieberekening extreem dicht bij de volledige, niet-overslagen versie bleef. Het verschil in het uiteindelijke energieresultaat was minuscuul, gemiddeld slechts 5,67 millihartree, een eenheid van energie die in de chemie wordt gebruikt. Dit betekent dat de computer in ongeveer de helft van de tijd hetzelfde niveau van chemische nauwkeurigheid kan bereiken.

De onderzoekers onderzochten ook of grote taalmodellen, dezelfde krachtige AI-tools die essays kunnen schrijven of vragen kunnen beantwoorden, dit probleem zonder speciale training konden oplossen. Ze vroegen deze algemene modellen om de belangrijke metingen te selecteren op basis van de verstrekte fysieke gegevens. De resultaten waren gemengd. Hoewel de modellen soms nuttige groepen konden identificeren, waren ze inconsistent. Zonder specifieke begeleiding faalden ze vaak in het prioriteren van de fysieke informatie die er eigenlijk het meest toe deed. De op maat gemaakte controller, die specifiek was getraind op de regels van de kwantummechanica en de structuur van het probleem, presteerde veel beter. Het leerde de beschikbare aanwijzingen effectiever te gebruiken dan de algemene modellen. Dit suggereert dat voor complexe wetenschappelijke taken de beste aanpak misschien niet is om te vertrouwen op één enkele, alleswetende AI, maar om de flexibiliteit van algemene modellen te combineren met gespecialiseerde tools die de specifieke regels van het vakgebied begrijpen.

De studie keek ook naar hoe goed deze methode werkt wanneer de omstandigheden veranderen, zoals wanneer het kwantumcircuit dieper wordt of wanneer het molecuul anders is dan de moleculen waarop het systeem is getraind. De controller hield het goed stand en behield zijn vermogen om shots te besparen, zelfs wanneer hij werd geconfronteerd met nieuwe scenario's die hij nog nooit eerder had gezien. Deze robuustheid is cruciaal omdat praktijktoepassingen zelden exact lijken op de trainingsgegevens. De onderzoekers ontdekten dat de methode kon worden afgesteld om een afweging te maken tussen snelheid en precisie. Door één enkele instelling aan te passen, konden ze ervoor kiezen om nog meer shots te besparen als een iets grotere foutmarge acceptabel was, of meer metingen te behouden als ze de hoogst mogelijke nauwkeurigheid nodig hadden. Deze flexibiliteit geeft wetenschappers een directe manier om de balans tussen kosten en kwaliteit te controleren.

Uiteindelijk benadrukt dit werk een specifieke zwakte in huidige kwantumcomputing-workflows: de neiging om alles te meten, gewoon om veilig te zijn. Door te bewijzen dat een aanzienlijk deel van deze metingen redundant is voor een gegeven stap, hebben de onderzoekers een pad geopend naar veel efficiëntere kwantumalgoritmen. De bevindingen suggereren dat de toekomst van kwantumcomputing misschien minder afhangt van het bouwen van grotere machines en meer van het bouwen van slimmere manieren om de machines die we hebben te gebruiken. Het vermogen om de metingstijd met de helft te verminderen zonder de kwaliteit van de chemische gegevens op te offeren, is een belangrijke stap voorwaarts, waardoor de praktische toepassing van deze algoritmen voor medicijnontwikkeling en materiaalkunde veel haalbaarder wordt. Het onderzoek bevestigt dat het begrijpen van de specifieke structuur van het probleem ruimte biedt voor intelligente afkortingen die algemene methoden missen, wat wijst op een toekomst waarin natuurkundig bewuste AI de weg naar de antwoorden van de kwantumcomputer wijst.

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.

Probeer Digest →