Lichtkegel-Auslöschung für den variationalen Quanten-Eigensolver bei der Lösung des verrauschten Max-Cut

Durch Quantenrauschen hindurchschneiden

Mit wachsender Leistungsfähigkeit versprechen Quantencomputer, schwierige reale Probleme anzugehen — vom Routing von Daten durch Netzwerke bis zur Entwicklung besserer Materialien. Die heutigen Geräte sind jedoch klein und verrauscht: Kommt mehr Quantenbits, also Qubits, hinzu, überlagern Fehler rasch die Berechnung. Dieses Paper untersucht eine Methode, unvollkommene Maschinen besser zu nutzen, indem Quanten-Schaltkreise so beschnitten werden, dass sie auch bei weit von idealen Bedingungen liegender Hardware genaue Ergebnisse liefern; im Mittelpunkt steht das klassische Problem Max-Cut.

Warum das Zerschneiden von Netzwerken wichtig ist

Max-Cut klingt simpel, hat aber zahlreiche Anwendungen. Man stelle sich ein Netzwerk von Knoten vor, die durch Kanten verbunden sind — das können soziale Verbindungen, Kommunikationsleitungen oder Bauteile auf einem Chip sein. Ziel ist es, die Knoten in zwei Gruppen zu teilen, sodass möglichst viele Kanten zwischen den Gruppen verlaufen statt innerhalb einer Gruppe. Für kleine Netzwerke ist das einfach, aber mit wachsender Größe wird das Problem extrem schwierig, und es ist kein schneller exakter Algorithmus auf klassischen Computern bekannt. Deshalb dient Max-Cut als Prüfstand für neue Algorithmen, auch solche, die auf Quantenhardware laufen.

Hybride Quantenmethoden in einer verrauschten Welt

Die Studie baut auf einer verbreiteten Familie hybrider Methoden auf, den variationalen Quantenalgorithmen. Bei diesen Verfahren erzeugt ein Quanten-Schaltkreis eine Versuchslösung, während ein klassischer Computer die Einstellungen des Schaltkreises schrittweise anpasst, um die Lösung zu verbessern. Die hier verwendete Methode, der variationale Quanten-Eigensolver, ist zwar oft mit Chemie verbunden, lässt sich aber auch für Optimierungsprobleme wie Max-Cut nutzen. Verglichen mit einem anderen bekannten Quantenansatz, dem Quantum Approximate Optimization Algorithm, können diese Schaltkreise mit weniger Gatelayern gute Lösungen erreichen — ein entscheidender Vorteil, da jede zusätzliche Operation mehr Rauschen einführt.

Nur das Behalten, was wirklich zählt

Die zentrale Idee der Arbeit heißt Lichtkegel-Auslöschung. Bei der Bewertung, wie gut eine Kandidat-Lösung ist, beeinflusst nur eine kleine Nachbarschaft von Qubits jede lokale Messung. Gatter außerhalb dieses "Lichtkegels" verändern diese spezielle Messgröße nicht, auch wenn sie im Gesamt-Schaltkreis vorhanden sind. Die Autoren zeigen, wie man für jeden lokalen Teil der Max-Cut-Berechnung diese redundanten Gatter systematisch entfernen kann. Statt einen großen Schaltkreis auf allen Qubits zu simulieren, zerlegen sie die Aufgabe in mehrere deutlich kleinere Subschaltkreise, die jeweils nur eine Handvoll Qubits verwenden, aber zusammen genau dieselbe interessierende Gesamtgröße reproduzieren.

Mehr erreichen mit weniger Qubits

Dieses Beschneiden bringt zwei wesentliche Vorteile. Erstens reduziert es drastisch die Anzahl der in einem einzelnen Lauf benötigten Qubits und Gatter. Für das untersuchte Max-Cut-Setup beweisen die Autoren, dass unabhängig von der Größe des ursprünglichen Netzwerks jeder Subschaltkreis bei einem einzigen Gatelayer höchstens fünf Qubits benötigt. Das heißt, Probleme mit bis zu 100 Knoten lassen sich effektiv auf Hardware untersuchen, die physisch nur sieben Qubits besitzt. Zweitens leiden kürzere und kleinere Schaltkreise weniger unter dem Rauschen heutiger Geräte. Simulationen auf realistischen "Fake"-Quantenbackends, die zwei verschiedene IBM-Maschinen nachahmen, zeigen, dass Schaltkreise mit Lichtkegel-Auslöschung durchgängig höhere Approximationsraten erzielen — also näher am optimalen Schnitt liegen — als Schaltkreise ohne diese Vereinfachung, selbst wenn beide auf derselben verrauschten Hardware ausgeführt werden.

Wie es gegenüber klassischen Näherungsverfahren abschneidet

Die Forschenden vergleichen ihre rauschfreien Methoden außerdem mit einem bekannten klassischen Approximationsverfahren für Max-Cut, dem Goemans–Williamson-Algorithmus. Auf großen Graphen mit 100 Knoten zeigt sich, dass der quantenbasierte Ansatz mit Lichtkegel-Auslöschung insbesondere bei dichter gekoppelten Netzwerken besonders gut abschneidet und in puncto Nähe zur optimalen Lösung häufig die klassische Referenz übertrifft. Sie untersuchen außerdem, was passiert, wenn mehr Gatelayer hinzugefügt werden. Zwar machen zusätzliche Layer die Schaltkreise prinzipiell ausdrucksstärker, praktisch führen sie jedoch zu schwierigeren Optimierungslandschaften und größeren effektiven Subschaltkreisen, sodass die Wahrscheinlichkeit, sehr hochwertige Lösungen zu finden, tatsächlich sinkt.

Quanten-Schaltkreise beschneiden für die Zukunft

Anschaulich zeigt diese Arbeit, dass das sorgfältige Entfernen von Teilen einer Quantenberechnung, die das Endergebnis nicht beeinflussen, kleinen, verrauschten Quanten­geräten Überperformance verschaffen kann. Indem man sich nur auf die Bereiche eines Schaltkreises konzentriert, die für jeden lokalen Teil der Aufgabe wirklich relevant sind, verwandelt die Lichtkegel-Auslöschungstechnik eine ansonsten unhandliche Berechnung in viele kleinere, sauberere. Für Max-Cut bedeutet das, sehr große Netzwerkaufgaben mit nur wenigen effektiven Qubits zu lösen und gleichzeitig die Auswirkungen von Hardwarefehlern zu verringern. Während Quantenprozessoren sich langsam verbessern, könnten solche schaltkreis-sparenden Tricks entscheidend werden, um fragile Maschinen in nützliche Werkzeuge für komplexe Optimierungsaufgaben zu verwandeln.

Zitation: Lee, X., Yan, X., Xie, N. et al. Light cone cancellation for variational quantum eigensolver in solving noisy Max-Cut. Sci Rep 16, 9597 (2026). https://doi.org/10.1038/s41598-025-31798-1

Schlüsselwörter: Quantenoptimierung, Max-Cut, variationale Quantenalgorithmen, Rauschminderung, Lichtkegel-Auslöschung