Optimalisatie is niet alleen maar een modewoord. Het is de ruggengraat van logistiek, financiën en medische beeldvorming. Elke sector moet de beste optie vinden in een zee van miljarden mogelijkheden. Voer kwantum-gloeiende apparaten in. Apparaten van D-Wave Systems zijn speciaal gebouwd voor dit soort zwaar tillen.
Maar er is een probleem. Een koppige, volhardende.
Qubits zijn kwetsbaar. Ze maken fouten.
Wanneer een quantum-annealer berekeningen uitvoert, vallen sommige qubits in de verkeerde toestand. Het klinkt klein. Dat is het niet. Het foutenpercentage neemt exponentieel toe. Naarmate de omvang van het probleem groter wordt, loopt de tijd om het juiste antwoord te vinden uit de hand. Zonder hulp kwantumgloeien wordt praktisch nutteloos voor grote, echte taken. De hardware kan zijn eigen geluid niet bijhouden.
Onderzoekers van CSIRO, het nationale wetenschapsagentschap van Australië, hebben dit knelpunt opgelost. Ze hebben geen nieuwe kwantumprocessor gebouwd. Ze schreven nieuwe software. Hun methode, SEMO genaamd, is een techniek voor het beperken van spin-fouten voor optimalisatie. Het verwerkt de resultaten nadat de kwantumberekening is voltooid.
Het resultaat is verbluffend. SEMO levert een miljoenvoudige verbetering op in hoe snel een systeem de globaal optimale oplossing vindt voor combinatorische optimalisatieproblemen.
Waarom nabewerking beter is dan kwantumfoutcorrectie
De meeste mensen gaan ervan uit dat foutbeperking Quantum Error Correction (QEC) betekent. Dat is de heilige graal van quantum computing. Het is ook ongelooflijk duur in termen van hardware-overhead. QEC probeert qubits tijdens de berekening te beschermen door één logische qubit over tientallen of honderden fysieke te coderen.
Hierdoor wordt het aantal bruikbare qubits dat je daadwerkelijk hebt drastisch verminderd.
Als je al een tekort aan qubits hebt, is dit een dealbreaker. SEMO slaat deze straf over. Het werkt aan de klassieke kant, nadat het uitgloeien is voltooid.
De logica is eenvoudig maar effectief. Qubit-fouten zijn schaars. Ze verspreiden zich niet gelijkmatig over het systeem. In plaats daarvan vormen ze geïsoleerde clusters. Slechts een klein deel van de spins eindigt verkeerd. SEMO jaagt ze op.
Het algoritme werkt iteratief. Er wordt een willekeurige referentiedraai gekozen. Het genereert nabijgelegen spinclusters. Er wordt getest of het omdraaien van deze spins de objectieve functie verlaagt: de wiskundige score die de machine probeert te minimaliseren. Als omdraaien helpt, dan draait het om. Als het pijn doet, laat het het met rust.
Dit herhaalt het totdat elke spin twee keer is onderzocht.
De overheadkosten? Bescheiden. Het hele proces draait op een klassieke computer in milliseconden. Dat is verwaarloosbaar vergeleken met de seconden of minuten die aan de kwantumkant worden bespaard.
SEMO testen op 3D-beeldsegmentatie
Theorie is prima. Bewijs is beter.
Het CSIRO-team testte SEMO op een gecorreleerd 3D-beeldsegmentatieprobleem uit de materiaalkunde. Concreet gebruikten ze röntgencomputertomografie (CT-scans) van materiële microstructuren. Het doel? Maak onderscheid tussen fasen met lage dichtheid en fasen met hoge dichtheid over duizenden voxels.
Dit is een kwadratisch onbeperkt binair optimalisatie- of QUBO-probleem. De moedertaal van kwantum-gloeiapparaten.
Zonder SEMO had de D-Wave Advantage-gloeier het moeilijk. Naarmate het probleem zich opschaalde van 1 spinvariabele naar 512, steeg de gemiddelde tijd per correcte oplossing van 0,1 milliseconden naar ruim 100 seconden. Dat is een miljoenvoudige vertraging. Lawaai was een aanslag op de efficiëntie.
Toen SEMO werd toegepast, werd de curve vlakker. Bijna geheel.
De tijd per optimale oplossing schommelde rond de 0,1 milliseconden. De omvang van het probleem deed er nauwelijks toe.
“De kwantitatieve demonstraties toonden het potentieel van door fouten veroorzaakte kwantum-gloeien bij het oplossen van complexe combinatorische optimalisatieproblemen.” – YS Yang
De nauwkeurigheid was ook superieur. SEMO hield rekening met correlaties tussen aangrenzende voxels. Klassieke gradiënt-afdalingsmethoden blijven vaak steken in suboptimale lokale minima. Ze kunnen het grote geheel niet zien. SEMO-gecorrigeerde resultaten leverden een zuivere binaire kaart van het materiaal op. Het scheidde de compositorische fasen met een precisie die klassieke methoden eenvoudigweg niet kunnen evenaren.
Deze nauwkeurigheid is van belang. Een betrouwbare materiaalkaart vormt de basis voor het modelleren van hoe dat materiaal zich gedraagt onder stress, hitte of reële omstandigheden.
Concurrenten verslaan met een ruime marge
Hoe verhoudt SEMO zich tot bestaande methoden?
De onderzoekers voerden vergelijkingen uit met de Greedy Solver van D-Wave en de Single-QubitCorrection-techniek. Het verschil was groot. Concurrerende methoden bereikten een succespercentage van slechts een paar procent bij het vinden van het mondiale optimale.
SEMO bereikte een succespercentage van 82% tot 100%.
Het verbeterde niet alleen bestaande technieken. Het vernietigde ze.
En hier is de twist: SEMO is niet beperkt tot kwantumhardware.
Omdat het op klassieke hardware draait, kan het de resultaten van gesimuleerd uitgloeien verfijnen. Het team heeft het daar ook getest. De Greedy Solver en Single-QubitCorrection leverden geen meetbare verbetering op in gesimuleerde gloeicontexten. SEMO verbeterde deze resultaten aanzienlijk. Het is een universele tool voor iedereen die complexe systemen optimaliseert.
Waar dit hierna van belang is
De toepasbaarheid reikt veel verder dan 3D-beeldvorming.
SEMO is actief op het niveau van Ising-spinglas- en QUBQ-formuleringen. Dit zijn de wiskundige raamwerken achter talloze problemen. Logistieke routes. Balans van financiële portefeuilles. Cryptografie. Materiaal ontwerp. Als het als QUBO kan worden uitgebracht, kan SEMO waarschijnlijk helpen.
“De methode zal bijzonder impactvolle tijdkritische toepassingen hebben, zoals real-time optimalisatie in industrie- en defensiescenario’s.”
Realtime optimalisatie is geen luxe. Het is een vereiste. Als je een vloot drones moet omleiden of een handelsalgoritme in milliseconden opnieuw moet balanceren, heb je geen tijd dat ruis het resultaat kan verpesten. SEMO houdt het signaal schoon.
Het hardwareplafond
Er is één probleem. Hardwarelimieten.
De huidige quantum-annealers komen uit op ongeveer 5.000 fysieke qubits. Dit beperkt de omvang van de problemen die kunnen worden ingebed. Je kunt een grafiek met 100.000 hoekpunten niet oplossen als je machine maar 5.000 knooppunten bevat.
Maar dat is aan het veranderen.
D-Wave rolt het Advantage III-systeem uit. Het zal 100.00 qubits bevatten. Deze uitbreiding zou het scala aan problemen dat voor SEMO vatbaar is, aanzienlijk vergroten.
Voorlopig is de methode een brug. Het maakt kwantumgloeien praktisch bruikbaar voor complexe, praktijkgerichte taken. Er is geen kwantumrevolutie in hardware nodig. Het vereist slimmer omgaan met de klassieke laag die zich rond de kwantumprocessor wikkelt.
De grootste verbeteringen komen vaak van de randen, niet van de kern.
