Påverkan av mätbrus på att ta sig förbi sadelpunkter i variationella kvantalgoritmer

Varför slumpmässigt kvantbrus kan vara en dold hjälp

Dagens kvantdatorer är fortfarande små och brusiga, men forskare hoppas kunna använda dem för problem inom kemi, material och optimering som utmanar klassiska maskiner. En ledande strategi är Variational Quantum Eigensolver (VQE), som upprepade gånger mäter en kvantkrets och justerar dess inställningar för att sänka ett energi-liknande mått. Eftersom varje mätning är intrin­siskt slumpmässig ser algoritmen aldrig en helt skarp signal. Denna studie ställer en subtil men praktisk fråga: är det oundvikliga ”shot-bruset” bara i vägen, eller kan det faktiskt hjälpa VQE att ta sig ur dåliga lösningar och hitta bättre lösningar snabbare?

Att klättra med en suddig kompass

VQE fungerar lite som att vandra över ett landskap av kullar och dalar, där höjd motsvarar energin i ett kvantsystem. Målet är att hitta den djupaste dalen, som motsvarar grundtillståndet. Vid varje steg uppskattar algoritmen lutningen i landskapet och justerar kretsens parametrar i nedförsbacke­riktningen. På en verklig kvantenhet måste dock denna lutning uppskattas från ett ändligt antal mätningar, eller shots. Eftersom varje shot ger ett probabilistiskt utfall, skakar den uppskattade lutningen från steg till steg: även om den sanna lutningen är densamma kommer det uppmätta värdet att fluktuera. Detta förvandlar den vanliga släta "gradientnedstigningen" till en stokastisk, eller brusig, version känd som stochastic gradient descent.

Att bli loss från platta åsar

I högdimensionella landskap är de största hindren ofta inte lokala dalar utan sadelpunkter—platta åsar som ser ut som en dal från vissa riktningar och som en kulle från andra. En ren deterministisk algoritm kan driva längs dessa platåer länge innan den hittar en väg ut, vilket slösar värdefulla kvantmätningar. Författarna visar att slumpmässigheten från ändligt antal shots kan knuffa parametrarna bort från sådana sadlar snabbare. Genom att simulera VQE på modeller av växelverkande kvantspinnar finner de att tiden som krävs för att undkomma en sadel krymper på ett regelbundet sätt när den effektiva brusnivån ökar. Avgörande är att denna brusnivå beror på två reglage under användarens kontroll: inlärningstakten (hur stora varje parametersteg är) och antalet shots som används för att uppskatta varje gradient.

En kontinuerlig bild för en stegvis process

Även om VQE uppdaterar sina parametrar i diskreta steg modellerar författarna dess beteende med en kontinuerlig ekvation för slumpmässig rörelse, liknande de som används inom fysiken för att beskriva partiklar som påverkas av termiskt brus. I denna bild spelar inlärningstakten rollen av ett tidssteg, och slumpmässigheten i mätutfallen framträder som en fluktuerande kraft. Detta ramverk förutspår att det som verkligen spelar roll för att ta sig förbi sadlar är en sammansatt storhet byggd av inlärningstakten och antalet shots, som fungerar som en effektiv brusstyrka. Teamet kontrollerar noggrant var denna approximation fungerar och var den brister, och finner att även om den inte perfekt fångar långsiktiga, stationära fluktuationer beskriver den korrekt den avgörande övergående beteendet vid lämning av sadlar och exciterade tillståndsplatåer.

Hur brus, steglängd och mätbudget vägs mot varandra

Genom att skanna olika inlärningstakter och shot‑antal i sina simuleringar hittar forskarna enkla potenslagar: ungefär sagt minskar tiden för att undkomma en sadel som en fast potens av den effektiva brusstyrkan. Det betyder att ökad inlärningstakt eller minskat antal shots per steg kan ha nästan ekvivalenta effekter på hur snabbt algoritmen lämnar en platå. De definierar också en total mätkostnad—det totala antalet kvantshots som behövs för att bli loss—och visar hur denna skalar med samma effektiva brusparameter. Att utvidga studien till större, sex-qubitssystem visar att brusassisterad flykt fungerar bäst när landskapet runt en stationär punkt har många instabila riktningar; i starkt överparametriserade regime där dessa riktningar är få gör extra brus föga nytta.

Vad detta betyder för framtida kvantalgoritmer

För icke-specialister är huvudslutsatsen att inte allt kvantbrus är rent skadligt. Den oundvikliga slumpen i mätutfall kan, under rätt förhållanden, hjälpa VQE att glida av platta eller marginellt stabila regioner och röra sig mot bättre lösningar mer effektivt. Arbetet ger ett konkret recept för att tänka om avvägningen mellan inlärningstakt och mätantal i termer av en enda effektiv brusstyrka, och klargör när en jämn, kontinuerlig modell pålitligt förutspår verkligt optimeringsbeteende. När kvantmaskinvaran förbättras och större VQE-problem angrips kan sådana insikter vägleda utövare i val av steglängder, shot‑budgetar och kretsdesigner som bäst utnyttjar deras begränsade kvantresurser—ibland genom att låta lite brus göra användbar nytta.

Citering: Kaminishi, E., Mori, T., Sugawara, M. et al. Impact of measurement noise on escaping saddles in variational quantum algorithms. Sci Rep 16, 9390 (2026). https://doi.org/10.1038/s41598-026-40123-3

Nyckelord: variational quantum eigensolver, measurement noise, stochastic gradient descent, saddle point escape, quantum optimization