Optimierung ist nicht nur ein Schlagwort. Es ist das Rückgrat der Logistik, des Finanzwesens und der medizinischen Bildgebung. Jede Branche muss in einem Meer von Milliarden von Möglichkeiten die beste Option finden. Kommen Sie zu den Quanten-Annealern. Geräte von D-Wave Systems sind speziell für diese Art von schwerem Heben konzipiert.
Aber es gibt ein Problem. Ein hartnäckiger, hartnäckiger.
Qubits sind zerbrechlich. Sie machen Fehler.
Wenn ein Quanten-Annealer rechnet, kollabieren einige Qubits in den falschen Zustand. Es klingt geringfügig. Das ist es nicht. Die Fehlerquote erhöht sich exponentiell. Je größer das Problem wird, desto mehr Zeit gerät außer Kontrolle, um die richtige Antwort zu finden. Das nicht unterstützte Quantenglühen wird für große, reale Aufgaben praktisch unbrauchbar. Die Hardware kann mit ihrem Eigenrauschen nicht mithalten.
Forscher von CSIRO, Australiens nationaler Wissenschaftsagentur, haben diesen Engpass behoben. Sie haben keinen neuen Quantenprozessor gebaut. Sie haben neue Software geschrieben. Ihre Methode namens SEMO ist eine Technik zur Spinfehlerminderung zur Optimierung. Es verarbeitet die Ergebnisse, nachdem die Quantenberechnung abgeschlossen ist.
Das Ergebnis ist atemberaubend. SEMO verbessert die Geschwindigkeit, mit der ein System die global optimale Lösung für kombinatorische Optimierungsprobleme findet, um das Millionenfache.
Warum die Nachbearbeitung die Quantenfehlerkorrektur übertrifft
Die meisten Leute gehen davon aus, dass Fehlerminderung Quantum Error Correction (QEC) bedeutet. Das ist der heilige Gral des Quantencomputings. Außerdem ist es im Hinblick auf den Hardware-Overhead unglaublich teuer. QEC versucht, Qubits während der Berechnung zu schützen, indem es ein logisches Qubit über Dutzende oder Hunderte von physischen Qubits kodiert.
Dadurch wird die Anzahl der nutzbaren Qubits, die Sie tatsächlich haben, drastisch reduziert.
Wenn Sie bereits knapp an Qubits sind, ist dies ein Dealbreaker. SEMO überspringt diese Strafe. Es arbeitet auf der klassischen Seite, nachdem das Glühen abgeschlossen ist.
Die Logik ist einfach, aber effektiv. Qubit-Fehler sind selten. Sie verteilen sich nicht gleichmäßig über das System. Stattdessen bilden sie isolierte Cluster. Nur ein winziger Bruchteil der Spins endet falsch. SEMO macht Jagd auf sie.
Der Algorithmus arbeitet iterativ. Es wählt einen zufälligen Referenzspin aus. Es erzeugt benachbarte Spincluster. Es testet, ob das Umdrehen dieser Drehungen die Zielfunktion senkt – die mathematische Punktzahl, die die Maschine zu minimieren versucht. Wenn das Umdrehen hilft, wird es umgedreht. Wenn es wehtut, lässt es es in Ruhe.
Dies wird wiederholt, bis jede Drehung zweimal untersucht wurde.
Der Overhead? Bescheiden. Der gesamte Prozess läuft auf einem klassischen Computer in Millisekunden ab. Das ist vernachlässigbar im Vergleich zu den Sekunden oder Minuten, die auf der Quantenseite eingespart werden.
SEMO auf 3D-Bildsegmentierung testen
Die Theorie ist in Ordnung. Der Beweis ist besser.
Das CSIRO-Team testete SEMO anhand eines korrelierten 3D-Bildsegmentierungsproblems aus der Materialwissenschaft. Konkret verwendeten sie Röntgen-Computertomographie (CT-Scans) von Materialmikrostrukturen. Das Ziel? Unterscheiden Sie zwischen Phasen niedriger Dichte und Phasen hoher Dichte über Tausende von Voxeln hinweg.
Dies ist ein quadratisches, unbeschränktes binäres Optimierungs- oder QUBO-Problem. Die Muttersprache der Quanten-Annealer.
Ohne SEMO hatte die D-Wave Advantage-Glühanlage Probleme. Als das Problem von 1 Spin-Variable auf 512 skaliert wurde, stieg die durchschnittliche Zeit pro korrekter Lösung von 0,1 Millisekunden auf über 100 Sekunden. Das ist eine millionenfache Verlangsamung. Lärm beeinträchtigte die Effizienz.
Mit SEMO wurde die Kurve abgeflacht. Fast vollständig.
Die Zeit pro optimaler Lösung lag bei etwa 0,1 Millisekunden. Die Größe des Problems spielte kaum eine Rolle.
„Die quantitativen Demonstrationen zeigten das Potenzial des fehlerbehafteten Quantenglühens bei der Lösung komplexer kombinatorischer Optimierungsprobleme.“ — YS Yang
Auch die Genauigkeit war überlegen. SEMO berücksichtigte Korrelationen zwischen benachbarten Voxeln. Klassische Gradientenabstiegsmethoden bleiben oft in suboptimalen lokalen Minima stecken. Sie können das große Ganze nicht sehen. SEMO-korrigierte Ergebnisse lieferten eine saubere binäre Karte des Materials. Es trennte die Kompositionsphasen mit einer Präzision, mit der klassische Methoden einfach nicht mithalten können.
Diese Genauigkeit ist wichtig. Eine zuverlässige Materialkarte ist die Grundlage für die Modellierung des Verhaltens dieses Materials unter Belastung, Hitze oder unter realen Bedingungen.
Konkurrenten mit großem Vorsprung schlagen
Wie schneidet SEMO im Vergleich zu bestehenden Methoden ab?
Die Forscher führten Vergleiche mit dem Greedy Solver von D-Wave und der Single-QubitCorrection-Technik durch. Der Unterschied war krass. Konkurrierende Methoden schnitten bei der Suche nach dem globalen Optimum mit Erfolgsraten von nur wenigen Prozent ab.
SEMO erreichte eine Erfolgsquote zwischen 82 % und 100 %.
Es hat nicht nur bestehende Techniken verbessert. Es hat sie ausgelöscht.
Und hier ist der Clou: SEMO ist nicht auf Quantenhardware beschränkt.
Da es auf klassischer Hardware läuft, kann es die Ergebnisse des Simulated Annealing verfeinern. Das Team hat es auch dort getestet. Der Greedy Solver und die Single-QubitCorrection führten zu keiner messbaren Verbesserung in simulierten Annealing-Kontexten. SEMO hat diese Ergebnisse deutlich verbessert. Es ist ein universelles Werkzeug für alle, die komplexe Systeme optimieren.
Wo es als nächstes darauf ankommt
Die Anwendbarkeit geht weit über die 3D-Bildgebung hinaus.
SEMO arbeitet auf der Ebene der Ising Spin-Glass- und QUBQ-Formulierungen. Dies sind die mathematischen Grundlagen unzähliger Probleme. Logistikrouten. Ausgleich des Finanzportfolios. Kryptographie. Materialdesign. Wenn es als QUBO umgesetzt werden kann, kann SEMO wahrscheinlich helfen.
„Besonders wirkungsvoll wird die Methode bei zeitkritischen Anwendungen wie der Echtzeitoptimierung in Industrie- und Verteidigungsszenarien sein.“
Echtzeitoptimierung ist kein Luxus. Es ist eine Voraussetzung. Wenn Sie eine Drohnenflotte umleiten oder einen Handelsalgorithmus innerhalb von Millisekunden neu ausbalancieren müssen, haben Sie keine Zeit, dass Rauschen das Ergebnis verfälscht. SEMO hält das Signal sauber.
Die Hardware-Decke
Es gibt einen Haken. Hardwaregrenzen.
Aktuelle Quanten-Annealer haben eine Kapazität von etwa 5.000 physikalischen Qubits. Dies schränkt die Größe der Probleme ein, die eingebettet werden können. Sie können einen Graphen mit 100.000 Knoten nicht lösen, wenn Ihr Computer nur 5.000 Knoten enthält.
Aber das ändert sich.
D-Wave führt das Advantage III-System ein. Es wird über 100.000 Qubits verfügen. Diese Erweiterung würde das Spektrum der für SEMO zugänglichen Probleme erheblich erweitern.
Im Moment ist die Methode eine Brücke. Es macht Quantenglühen für komplexe, reale Aufgaben praktisch nützlich. Es erfordert keine Quantenrevolution in der Hardware. Es erfordert eine intelligentere Handhabung der klassischen Schicht, die den Quantenprozessor umgibt.
Die größten Verbesserungen kommen oft an den Rändern, nicht im Kern.
