Demonstratie van efficiënte voorspellende surrogaten voor grootschalige quantumprocessors

Waarom dit van belang is voor toekomstige computing

Quantumcomputers beloven problemen aan te pakken die huidige machines overweldigen, van het simuleren van nieuwe materialen tot het onderzoeken van exotische toestanden van materie. Toch zijn de modernste quantumprocessors duur, kwetsbaar en schaars, wat beperkt wie ze kan gebruiken en hoe vaak. Deze studie introduceert een manier om het typische gedrag van een grote quantumprocessor te “bottelen” in een efficiënt klassiek model, zodat veel taken op een gewone computer kunnen worden uitgevoerd na slechts beperkte toegang tot het echte quantumapparaat.

Het vingerafdruk van een quantumcomputer vastleggen

De auteurs richten zich op een sleutelgrootheid die in veel quantumalgoritmen voorkomt: de gemiddelde waarde van een meting na het uitvoeren van een quantumcircuit op een lawaaierige processor. In plaats van elk microscopisch detail te simuleren, bouwen ze wat zij voorspellende surrogaten noemen. Dit zijn klassieke leermodellen die getraind zijn op data verzameld van een echte supergeleidende quantumchip. Eenmaal getraind kan het surrogaat snel gemiddelde meetwaarden voorspellen voor nieuwe circuitinstellingen, zonder het quantumhardware opnieuw te gebruiken, en het weerspiegelt automatisch de echte ruis en imperfecties van die chip.

Twee soorten digitale plaatsvervangers

Het team ontwerpt en analyseert twee typen surrogaten die geschikt zijn voor verschillende toepassingen. De eerste, h_cs, behandelt circuits waarvan de stuurparameters onafhankelijk variëren en ondersteunt veel lokale metingen tegelijk. Het bouwt voort op het idee van klassieke schaduwen, een techniek die informatie uit gerandomiseerde metingen comprimeert tot een compacte klassieke representatie. De tweede, h_qs, richt zich op situaties waarin veel parameters in het circuit gekoppeld zijn, zoals vaak voorkomt bij quantumsimulaties van materialen, chemie of machine learning. Het is ontworpen om te werken met gecorreleerde ingangen die uit willekeurige verdelingen zijn getrokken, wat realistischer aansluit bij wetenschappelijke werklasten.

De plaatsvervangers in de praktijk

Om deze ideeën te testen gebruiken de onderzoekers een supergeleidende quantumprocessor met tot 42 werkende qubits. Ze tonen eerst aan dat h_cs betrouwbaar de energie van een model-quantummagneet kan voorspellen, een eendimensionaal transversaal-veld Ising-model, over veel keuzes van de modelparameters. Vervolgens gebruiken ze dit surrogaat om een veelgebruikte routine, de variational quantum eigensolver, voor te trainen. De optimalisatie wordt volledig op een klassieke computer uitgevoerd onder leiding van het surrogaat, en pas later gecontroleerd en lichtjes verfijnd op de daadwerkelijke quantumchip. Deze aanpak vermindert het aantal benodigde quantummetingen met orde grootte, terwijl ze toch lagere energie-schattingen bereikt dan het volledig vanaf nul uitvoeren van de quantumoptimalisatie.

Verborgen fasen van gedreven materie blootleggen

Het tweede surrogaat, h_qs, wordt toegepast op een meer exotische taak: het identificeren van bijzondere fasen in een keten van spins die periodiek in de tijd worden aangedreven, bekend als Floquet-symmetrie-beschermde topologische fasen. Traditioneel vereist het in kaart brengen van deze fasen veel herhaalde metingen op het quantumapparaat naarmate de stuurinstellingen veranderen. In plaats daarvan trainen de auteurs een familie van surrogaten die leert hoe de lokale magnetisatie langs de keten reageert op de aandrijving. Alleen met klassieke berekeningen met de getrainde modellen reconstrueren ze signaturen van langlevende randoscillaties en lokaliseren ze de overgang tussen de beschermde fase en een thermische, zielloze fase, in overeenstemming met directe experimenten op quantumhardware.

Wat dit betekent voor de toegang tot quantumkracht

Door aan te tonen dat deze surrogaten efficiënt te trainen zijn en te laten zien dat ze schalen tot tientallen qubits op een echt apparaat, suggereert het werk een nieuwe manier om schaarse quantumbronnen te delen. Een beperkte set metingen op een geavanceerde processor kan worden gedestilleerd tot een herbruikbaar klassiek model waar veel gebruikers goedkoop vragen aan kunnen stellen. Hoewel zulke surrogaten quantumcomputers niet vervangen, kunnen ze drastisch verminderen hoe vaak we ze moeten gebruiken voor taken die gebaseerd zijn op gemiddelde meetwaarden, waardoor praktische quantumondersteunde studies van materialen, chemie en nieuwe fasen van materie dichter bij alledaags wetenschappelijk gebruik komen.

Bronvermelding: 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

Trefwoorden: quantumprocessors, voorspellende surrogaatmodellen, variational quantum eigensolver, digitale quantumsimulatie, Floquet-fases

Bekijk meer op de website van de onderzoeksgroep: http://staff.ustc.edu.cn/~quanhhl/