🧬 biology

Benchmarking Classical, Hybrid, and Quantum Annealing Workflows on a Structured Control QUBO

Dit artikel benchmarkt klassieke, hybride en quantum annealing-workflows op een gestructureerde binaire controle-QUBO afgeleid van kasverwarmingsplanning, waarbij wordt vastgesteld dat hoewel klassieke en gesimuleerde quantummethoden consistent nabij-optimale oplossingen opleveren, de huidige quantumhardware en hybride solvers nog geen prestatievoordeel laten zien ten opzichte van klassieke baselines.

Oorspronkelijke auteurs: Hamze Alavirad, Maryam Bahrami Zanjani

Gepubliceerd 2026-07-17

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hamze Alavirad, Maryam Bahrami Zanjani

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je voor dat je probeert een enorme, verwarde knoop van touw te ontwarren. In de wereld van de wetenschap noemen we dit een "optimalisatieprobleem". Je hebt een doel—zoals de kortste weg naar huis vinden, een koffer perfect inpakken of, in dit geval, een kas warm genoeg houden zonder een gat in je elektriciteitsrekening te branden. Decennialang hebben we krachtige klassieke computers gebruikt om deze knopen te ontwarren door miljoenen mogelijkheden te testen, een beetje zoals een zeer snelle, zeer vermoeide bibliothecaris die elk boek op een plank controleert om het juiste te vinden.

Maar onlangs is er een nieuw soort machine de bibliotheek binnengekomen: de quantumcomputer. In plaats van boeken één voor één te lezen, gebruiken deze machines de vreemde regels van de quantumfysica om hun weg door de knoop te "voelen", in de hoop direct het losse uiteinde te vinden. De grote vraag die iedereen stelt is: ontwarren deze quantummachines de knoop sneller of beter dan onze oude, betrouwbare bibliothecarissen? Om dit te achterhalen, hebben wetenschappers een eerlijke test nodig. Ze kunnen de quantumcomputer niet alleen vragen om een wiskundig probleem op een stuk papier op te lossen; ze moeten zien of de machine een real-world scenario kan aan, zoals het besturen van een complex systeem, en of het antwoord dat het geeft ook daadwerkelijk zinvol is in de echte wereld. Hier begint het verhaal van een "quantumkas".

De Grote Race van de Kasverwarmers

In dit onderzoek hebben onderzoekers Hamze Alavirad en Maryam Bahrami Zanjani een race met hoge inzet opgezet om te zien wie de verwarmingen in een virtuele kas het beste kan aansturen. Stel je een kas voor die gezellig warm moet blijven voor de planten. De temperatuur buiten verandert, de zon komt en gaat, en de planten hebben een specifieke "gelukkige zone" waar ze het best groeien. De uitdaging is om elk uur te beslissen of de verwarming aan of uit moet voor een hele dag (24 uur). Zet hem te veel aan, en je verspilt energie; zet hem te weinig aan, en de planten worden te koud. Het is een lastige evenwichtsoefening.

Om dit een eerlijke test te maken voor computers, hebben de onderzoekers dit verwarmingsschema omgezet in een gigantische puzzel genaamd een QUBO (Quadratic Unconstrained Binary Optimization). Zie dit als het vertalen van het probleem naar een taal van alleen enen en nullen, waarbij "1" betekent "verwarming aan" en "0" betekent "verwarming uit". Het doel is om de perfecte reeks enen en nullen te vinden die de planten gelukkig houdt en de energierekening laag houdt.

De onderzoekers brachten vier verschillende "deelnemers" in de ring om deze 24-uurs puzzel op te lossen:

De Exacte Solver: Dit is de "gouden standaard". Het is alsoal elke mogelijke combinatie van verwarmingsschema's controleren (er zijn er miljarden) om het absoluut perfecte antwoord te vinden. Het duurt lang, maar het kent de waarheid.
Classical Simulated Annealing (SA): Dit is een slim, ouderwets algoritme. Stel je een wandelaar voor die probeert het laagste punt in een mistige vallei te vinden. De wandelaar zet willekeurige stappen, gaat soms zelfs bergop om uit een lokale kuil te ontsnappen, in de hoop uiteindelijk de diepste vallei te vinden.
Path-Integral Simulated Quantum Annealing (PIA): Dit is een "gesimuleerde" quantumcomputer die op een gewone computer draait. Het probeert het spookachtige quantumgedrag van de wandelaar na te bootsen, waardoor de wandelaar door heuvels kan "tunnelen" in plaats van eroverheen te klimmen, in de hoop sneller de bodem te bereiken.
De Echte Quantum Uitdagers: Dit zijn de werkelijke quantummachines van D-Wave. Ze voerden twee soorten tests uit: een "Hybrid" workflow (waarbij een quantumchip samenwerkt met een klassieke computer) en een "Direct" workflow (waarbij de quantumchip probeert de hele puzzel alleen op te lossen, maar dan alleen op kleinere, makkelijkere versies van de puzzel).

De Resultaten: Wie won de race?

Toen de race voor de volledige 24-uurs dag voorbij was, waren de resultaten een beetje verrassend voor de quantumfans.

De Klassieke Kampioenen: Zowel de ouderwetse "wandelaar" (SA) als de "quantumsimulator" (PIA) leverden uitstekend werk. Ze vonden oplossingen die bijna perfect waren, heel dicht bij het "gouden standaard" antwoord. Ze slaagden erin de kas op de juiste temperatuur te houden terwijl ze energie bespaarden, en ze deden dit elke keer dat de test werd uitgevoerd op een betrouwbare manier.

De Hybride Strijd: De D-Wave Hybrid workflow, die verwacht werd een krachtpatser te zijn, kon niet helemaal bijblijven. Onder de geteste tijdslimieten (15 tot 60 seconden) vond het oplossingen die weliswaar haalbaar waren (de planten bevroren niet), maar ze waren niet zo goed als die van de klassieke computers. De hybride oplossingen verbruikten meer energie en lieten de planten minder goed groeien. Zelfs toen de onderzoekers de hybride solver meer tijd gaven (tot 60 seconden), werd het niet magisch beter. Het leek vast te lopen op een "goed genoeg" punt in plaats van het "beste" punt te vinden.

De Directe Quantum Test: Voor de kleinere, makkelijkere puzzels (die 10, 12 of 14 uur voorstelden in plaats van 24 uur), toonde de directe quantumprocessor enige belofte. Het slaagde erin het perfecte antwoord te vinden in 5 van de 10 gevallen voor de 10-uurs puzzel en 2 van de 10 gevallen voor de 12-uurs puzzel. Echter, naarmate de puzzel iets groter werd (14 uur), vond de quantummachine het perfecte antwoord helemaal niet meer. Hoewel de machine nooit een "slecht" antwoord gaf dat de planten zou laten bevriezen, werd het minder betrouwbaar in het vinden van het beste antwoord naarmate het probleem groeide.

De Conclusie: Geen wondermiddel (nog niet)

Het belangrijkste wat dit artikel ons vertelt, is dat voor dit specifieke type probleem quantumcomputers de klassieke computers niet hebben verslagen.

De onderzoekers waren zeer voorzichtig in hun formulering: dit betekent niet dat quantumcomputers nutteloos zijn. Het betekent alleen dat voor deze specifieke "kasverwarming"-puzzel de klassieke methoden nog steeds de kampioenen zijn. De quantummachines waren in staat om oplossingen te vinden die werkten (de planten bleven warm), maar ze waren niet zo efficiënt of consistent als de klassieke algoritmen.

De studie benadrukt ook een lastig onderdeel bij het gebruik van quantumcomputers: het is niet genoeg om alleen een antwoord van de machine te krijgen. Je moet dat antwoord ook weer terugvertalen naar de echte wereld (controleren of het verwarmingsschema daadwerkelijk werkt). De onderzoekers ontdekten dat de quantummachines soms antwoorden gaven die op papier oké leken, maar niet het beste waren wanneer men de echte fysica controleerde.

Kortom, dit artikel is een reality check. Het laat zien dat hoewel quantumcomputers spannend zijn en kleine versies van deze problemen kunnen oplossen, ze nog niet de "super-oplossers" zijn die onze klassieke computers voor complexe taken zoals het beheren van een kas direct zullen vervangen. De klassieke "wandelaars" volgen nog steeds het pad met de beste kaart. De quantummachines zijn nog aan het leren hoe ze het terrein moeten navigeren, en voor nu hebben ze nog wat meer oefening nodig voordat ze de kroon kunnen opeisen.

Technische Samenvatting: Benchmarking van Klassieke, Hybride en Quantum Annealing Workflows op een Gestructureerde Controle QUBO

Probleemformulering
Het artikel behandelt de uitdaging van het evalueren van annealing-gebaseerde optimalisatie-workflows (klassiek, quantum-geïnspireerd, hybride en direct quantum) op gestructureerde controleproblemen. De auteurs formuleren een gereduceerd probleem voor het plannen van een kasverwarming als een Quadratic Unconstrained Binary Optimization (QUBO) model. Het doel is om een binair verwarmingsschema ( $u_k \in \{0, 1\}$ ) te bepalen over een tijdshorizon $H$ dat een groeiproxy maximaliseert, terwijl de energiekosten en schakelgebeurtenissen worden geminimaliseerd, onderworpen aan harde luchttemperatuurrestricties.

Het fysieke model volgt de luchttemperatuur ( $T_{air}$ ) en de lichaam/kruimentemperatuur ( $T_{body}$ ) met behulp van discrete-tijd lineaire dynamica, gedreven door buitentemperatuur en zonnestraling. De groeiproxy is een kwadratische functie van een gewogen temperatuur, die afwijkingen van een voorkeursgroeitemperatuur bestraft. Het optimalisatieprobleem wordt gecodeerd in een QUBO waarbij:

$Q_{growth}$ : Een groeiproxy maximaliseert.
$Q_{energy}$ : Elektriciteitsverbruik minimaliseert op basis van tarieven per tijdslot (time-of-use).
$Q_{switch}$ : Schakelgebeurtenissen in de status van de verwarming bestraft.
$Q_{bound}$ : Temperatuurgrenzen handhaaft ( $T_{min} \le T_{air} \le T_{max}$ ) met behulp van kwadratische straffen en binaire slack-variabelen ( $M=6$ bits per grens).

Een cruciaal onderscheid in dit werk is de evaluatiemetriek: de ruwe QUBO-energie is niet het uiteindelijke prestatiecriterium. In plaats daarvan worden alle kandidaat-binaire oplossingen gedecodeerd naar fysieke controle-trajecten en geëvalueerd tegen het oorspronkelijke objectief en de haalbaarheidsrestricties aan de simulatorzijde.

Methodologie
De studie benchmarkt vier verschillende workflows op een primaire instantie met een horizon van 24 uur ( $H=24$ , $\Delta t = 1$ uur), wat resulteert in een BQM met 312 binaire variabelen (24 controle + 288 slack) en 4.596 couplers.

Exacte Enumeratie: Dient als de grondwaarheid-baseline, waarbij alle $2^{24}$ schema's exhaustief worden doorzocht om de optimale gedecodeerde oplossing te vinden.
Klassieke Simulated Annealing (SA): Gebruikt een thermische annealing sampler op het binaire kwadratische model.
Path-Integral Simulated Quantum Annealing (PIA): Een klassiek algoritme dat quantumtunneling-effecten simuleert via padintegralen.
D-Wave Leap Hybrid BQM: Een hybride quantum-klassieke workflow die de logische BQM deelt voor interne verwerking.
Directe QPU Uitvoering: Uitgevoerd op gereduceerde instanties ( $H=10, 12, 14$ ) met behulp van een D-Wave Advantage2 systeem. Deze vereisen minor-embedding van het logische model in de fysieke qubit-grafiek.

Alle stochastische solvers werden uitgevoerd met 10 onafhankelijke herhalingen. Prestaties werden gemeten aan de hand van de gedecodeerde objectieve waarde ( $J_{total}$ ), totale energie, totale groei, aantal temperatuurovertredingen en schakelgebeurtenissen.

Belangrijkste Resultaten

Hoofdbenchmark ( $H=24$ ):
- Exacte Enumeratie leverde de referentie-optimum ( $J_{total} = -145,14$ ).
- Klassieke Baselines (SA en PIA): Beiden produceerden haalbare, bijna optimale oplossingen in alle 10 de herhalingen. SA bereikte een beste objectief van $-150,11$ (gap $\approx 4,97$ ) en PIA bereikte $-149,11$ (gap $\approx 4,03$ ).
- Hybride Workflow: De D-Wave Leap Hybrid solver was minder betrouwbaar en produceerde alleen in 7/10 runs haalbare oplossingen. Het beste haalbare objectief was $-174,32$ (gap $\approx 29,18$ ), wat aanzienlijk slechter is dan de klassieke baselines. Het verhogen van de gevraagde solver-tijd van 15s naar 60s leidde niet tot een monotone verbetering van de gedecodeerde prestaties.
- Observatie: De hybride workflow presteerde niet beter dan de klassieke annealing-baselines onder de geteste tijdslimieten en formulering. Het prestatieverschil leek gerelateerd aan de afweging tussen groei, energie en schakelen, in plaats van een falen om restricties te voldoen.
Gereduceerde Instanties (Directe QPU):
- Voor $H=10$ en $H=12$ herstelde de directe QPU-uitvoering de exacte optimum in respectievelijk 5/10 en 2/10 runs.
- Voor $H=14$ werd de exacte optimum niet hersteld, hoewel de beste oplossing dicht bij optimaal bleef.
- Trend: Naarmate de horizon toenam, nam de betrouwbaarheid van de QPU (gemeten aan de hand van de exact-hit rate en het gemiddelde gedecodeerde objectief) af. Echter, alle gedecodeerde QPU-oplossingen bleven haalbaar (nul temperatuurovertredingen). De degradatie werd gekarakteriseerd door een verlies aan optimaliteitsbetrouwbaarheid in plaats van een verlies aan haalbaarheid.

Bijdragen en Betekenis
De auteurs geven expliciet aan dat het artikel geen aanspraak maakt op quantumvoordeel. In plaats daarvan ligt de significantie in het bieden van een reproduceerbare benchmark voor het evalueren van annealing-gebaseerde workflows op gestructureerde controle-QUBO's.

Gedecodeerde Evaluatie: Het werk benadrukt dat voor applicatie-gedreven problemen de prestaties van de solver moeten worden beoordeeld op het gedecodeerde fysieke traject en het objectief aan de simulatorzijde, en niet alleen op de ruwe BQM-energie. Dit belicht hoe embedding, penalty-schaling en sampling-gedrag de relatie tussen het wiskundige model en de fysieke prestaties beïnvloeden.
Baseline Vergelijking: De studie laat zien dat voor middelgrote gestructureerde controleproblemen ( $H=24$ ) klassieke annealing-methoden (SA en PIA) momenteel sterke baselines vormen die de geteste hybride quantum-klassieke workflow overtreffen.
Hardware Diagnostiek: De directe-QPU-resultaten op gereduceerde instanties laten zien dat hoewel huidige quantumhardware in staat is om haalbare oplossingen en incidenteel exacte optima te vinden voor kleine instanties, de betrouwbaarheid ervan afneemt met de probleemgrootte, en het de gemiddelde prestaties van klassieke methoden voor deze specifieke formuleringen nog niet overtreft.

Beperkingen
Het artikel erkent verschillende beperkingen: het kasmodel is een vereenvoudigde proxy (één verwarming, geen ventilatie/vochtigheid/CO2); de $H=24$ instantie is te klein om de volledige schaalbaarheid van hybride decompositie-workflows te testen; en de penalty-schaling voor restricties werd empirisch gekozen zonder een systematische sensitiviteitsstudie. De resultaten zijn bedoeld als diagnostische benchmarks in plaats van definitieve bewijzen van superioriteit voor een specifieke solver.

De Grote Race van de Kasverwarmers

De Resultaten: Wie won de race?

De Conclusie: Geen wondermiddel (nog niet)

Meer zoals dit