Clear Sky Science
Evidenzbasierte, jargonarme Erklärungen

Clear Sky Science · de

Demonstration of efficient predictive surrogates for large-scale quantum processors

· Zurück zur Übersicht

Why this matters for future computing

Quantencomputer versprechen, Probleme anzugehen, die heutige Maschinen überfordern — von der Simulation neuer Materialien bis zur Erforschung exotischer Materiezustände. Doch moderne Quantenprozessoren sind teuer, empfindlich und knapp, was ihren Zugang und ihre Nutzungsfrequenz einschränkt. Diese Studie stellt eine Methode vor, das typische Verhalten eines großen Quantenprozessors in ein effizientes klassisches Modell zu „abfüllen“, sodass viele Aufgaben auf einem normalen Computer erledigt werden können, nachdem nur begrenzter Zugang zum realen Quantengerät bestanden hat.

Figure 1. Ein kleines klassisches Modell lernt, einen großen verrauschten Quantenchip zu imitieren, sodass viele Vorhersagen ohne weitere Quantenläufe möglich sind.
Figure 1. Ein kleines klassisches Modell lernt, einen großen verrauschten Quantenchip zu imitieren, sodass viele Vorhersagen ohne weitere Quantenläufe möglich sind.

Capturing a quantum computer’s fingerprint

Die Autoren konzentrieren sich auf eine Schlüsselgröße, die in vielen Quantenalgorithmen auftaucht: den Mittelwert einer Messung, die nach Ausführung eines Quanten­schaltkreises auf einem verrauschten Prozessor erfolgt. Statt jedes mikroskopische Detail zu simulieren, bauen sie sogenannte predictive surrogates. Dabei handelt es sich um klassische Lernmodelle, die mit Daten trainiert werden, die von einem echten supraleitenden Quantenchip stammen. Einmal trainiert, kann das Surrogat schnell Messmittelwerte für neue Schaltkreis­einstellungen vorhersagen, ohne erneut auf die Quantenhardware zuzugreifen, und es bildet automatisch das reale Rauschen und die Unvollkommenheiten des Chips ab.

Two kinds of digital stand ins

Das Team entwirft und analysiert zwei Typen von Surrogaten, die für unterschiedliche Anwendungsfälle geeignet sind. Das erste, hcs, behandelt Schaltkreise mit unabhängig variierenden Steuerparametern und unterstützt viele lokale Messungen gleichzeitig. Es baut auf der Idee der klassischen Schatten (classical shadows) auf, einer Technik, die Informationen aus randomisierten Messungen in einer kompakten klassischen Repräsentation verdichtet. Das zweite, hqs, richtet sich auf Situationen, in denen viele Parameter im Schaltkreis miteinander verknüpft sind, wie es bei Quantensimulationen von Materialien, Chemie oder maschinellem Lernen häufig der Fall ist. Es ist darauf ausgelegt, mit korrelierten Eingaben aus beliebigen Verteilungen zu arbeiten, was realistischer wissenschaftlicher Arbeitslast näherkommt.

Putting the stand ins to work

Um die Konzepte zu testen, verwenden die Forschenden einen supraleitenden Quantenprozessor mit bis zu 42 funktionsfähigen Qubits. Zuerst zeigen sie, dass hcs zuverlässig die Energie eines modellhaften Quant magneten, eines eindimensionalen transversalen Feld-Ising-Modells, für viele Parameterkonfigurationen vorhersagen kann. Anschließend nutzen sie dieses Surrogat, um eine weit verbreitete Routine, den variational quantum eigensolver, vorzutrainieren. Die Optimierung erfolgt vollständig auf einem klassischen Computer, gesteuert vom Surrogat, und wird erst später auf dem tatsächlichen Quantenchip überprüft und geringfügig verfeinert. Dieser Ansatz reduziert die Anzahl erforderlicher Quantenmessungen um mehrere Größenordnungen, erreicht dabei aber niedrigere Energieabschätzungen als eine komplette Quantenoptimierung von Grund auf.

Revealing hidden phases of driven matter

Das zweite Surrogat, hqs, wenden die Autoren auf eine exotischere Aufgabe an: die Identifikation spezieller Phasen in einer Kette von Spins, die periodisch in der Zeit angetrieben wird — bekannt als Floquet-symmetrie-geschützte topologische Phasen. Traditionell erfordert das Kartieren dieser Phasen viele wiederholte Messungen auf dem Quantengerät bei veränderten Steuerparametern. Stattdessen trainieren die Forschenden eine Familie von Surrogaten, die lernen, wie die lokale Magnetisierung entlang der Kette auf die Anregung reagiert. Mithilfe rein klassischer Rechnungen mit den trainierten Modellen rekonstruieren sie Signaturen langlebiger Kantenoszillationen und lokalisieren den Übergang zwischen der geschützten Phase und einer thermischen, merkmalarmen Phase, im Einklang mit direkten Experimenten auf der Quantenhardware.

Figure 2. Trainiert mit wenigen Quantenläufen sagt ein Modell Energien und Phasenverhalten für viele Einstellungen rein klassisch voraus.
Figure 2. Trainiert mit wenigen Quantenläufen sagt ein Modell Energien und Phasenverhalten für viele Einstellungen rein klassisch voraus.

What this means for accessing quantum power

Indem sie zeigen, dass diese Surrogate effizient trainierbar sind und dass sie auf einem realen Gerät bis zu Dutzenden von Qubits skalieren, schlagen die Autoren einen neuen Weg vor, knappe Quantenressourcen zu teilen. Eine begrenzte Menge an Messungen auf einem fortschrittlichen Prozessor kann in ein wiederverwendbares klassisches Modell destilliert werden, das viele Nutzer kostengünstig abfragen können. Solche Surrogate ersetzen zwar keine Quantencomputer, können aber erheblich verringern, wie oft wir sie für Aufgaben auf Basis von Mittelwerten von Messungen einsetzen müssen, und bringen damit praxisnahe, quantenunterstützte Studien zu Materialien, Chemie und neuen Materiephasen näher an den wissenschaftlichen Alltag.

Zitation: Liao, WY., Du, Y., Wang, X. et al. Demonstration of efficient predictive surrogates for large-scale quantum processors. Nat Commun 17, 4731 (2026). https://doi.org/10.1038/s41467-026-72506-5

Schlüsselwörter: quantum processors, predictive surrogate models, variational quantum eigensolver, digital quantum simulation, Floquet phases

Mehr auf der Website der Forschungsgruppe: http://staff.ustc.edu.cn/~quanhhl/