Adiabatic Quantum Computing (AQC)

Es gibt zwei Arten von Quantencomputern:

Gate-Based: (IBM, Google). Wie klassische Logik (Schritte, Gatter). Schwer zu bauen.
Adiabatic / Annealing: (D-Wave). Wie ein Ball, der in ein Tal rollt. Du definierst dein Problem als eine "Energie-Landschaft". Die Lösung ist der tiefste Punkt (Minimum). Du startest mit einem einfachen System (flach). Du änderst das System ganz langsam (adiabatisch) zu deinem komplexen Problem. Das Adiabatische Theorem der Physik garantiert: Wenn du es langsam genug machst, bleibt das System immer im tiefsten Punkt (Grundzustand). Am Ende hast du die Lösung. D-Wave baut Maschinen mit 5000+ Qubits, aber sie können nur Optimierung (Traveling Salesman), keine allgemeine Berechnung (Shor).

Merksatz: Ein Berechnungsmodell, das auf dem adiabatischen Theorem der Quantenmechanik basiert, wobei das System langsam von einem einfachen Hamilton-Operator (dessen Grundzustand bekannt ist) zu einem komplexen Hamilton-Operator (dessen Grundzustand die Lösung kodiert) entwickelt wird.

Für Logistik (DHL, VW). "Wie route ich 1000 Autos durch München ohne Stau?" Das ist ein Optimierungsproblem (QUBO - Quadratic Unconstrained Binary Optimization). D-Wave Rechner sind darin potenziell besser als Gate-Based Systeme (im Moment).

1. Tunneling

Klassische Optimierer (Simulated Annealing) bleiben oft in lokalen Minima stecken (kleines Tal). Sie müssen "über den Berg klettern" (thermische Fluktuation), um weiterzukommen. Quanten-Annealer können durch den Berg tunneln (Quantum Tunneling). Das macht sie bei sehr zerklüfteten Landschaften ("Golfplatz-Landschaften") theoretisch schneller.

2. Universal AQC?

Ist AQC schwächer als Gate-Based? D-Wave (Annealing) ist eingeschränkt (keine Verschränkung beliebiger Art). Aber "Universal AQC" (mit komplexeren Hamiltonians) ist theoretisch äquivalent zu Gate-Based Modellen (bewiesen). Nur schwerer zu bauen.

1. Der Minimum Spectral Gap ($\Delta_{min}$)

Der Erfolg einer adiabatischen Berechnung hängt von der Zeit $T$ ab. Das Gesetz lautet: $T \sim \frac{1}{\Delta_{min}^2}$. $\Delta_{min}$ ist der kleinste Abstand zwischen dem tiefsten Energiezustand (Ground State) und dem ersten angeregten Zustand (First Excited State). Wenn dieser Abstand während der Berechnung extrem klein wird (bei komplexen NP-Problemen passiert das fast immer), müsste man den Computer Milliarden Jahre lang "ganz langsam" laufen lassen, damit das System nicht in den falschen Zustand springt. Das ist die fundamentale physikalische Grenze, warum AQC nicht automatisch alle Probleme löst.

2. Stoquastic vs. Non-Stoquastic Hamiltonians

D-Wave Rechner nutzen sogenannte Stoquastic Hamiltonians. Mathematisch gesehen haben diese keine "negativen Vorzeichen" in ihrer Matrixdarstellung (Matrix-Einträge sind nicht-positiv). Das ist wichtig, weil stoquastische Systeme mit klassischen Computern (Monte-Carlo-Simulationen) relativ effizient simuliert werden können. Echter "Quanten-Vorteil" wird eher bei Non-Stoquastic Systemen erwartet, die "Sign-Problems" verursachen. Diese sind hardwaretechnisch jedoch extrem schwer zu bauen und zu stabilisieren, weshalb D-Wave (noch) auf dem stoquastischen Modell verharrt.

3. Minor Embedding & Chimeras

In der Produktion besteht die größte Arbeit im Minor Embedding. Das Problem: Dein logisches Problem (z. B. ein Logistik-Graph) passt nicht direkt auf das physische Layout der Qubits im Chip. D-Wave nutzt oft das Chimera-Graph oder Pegasus-Graph Layout. Ein logisches Qubit muss dann oft über mehrere physische Qubits "verschmiert" werden (Chain-Building), damit die Verbindungen stimmen. Diese "Ketten" sind instabil und fehleranfällig. Ein Profi-Entwickler verbringt 80% seiner Zeit damit, die Einbettung so zu optimieren, dass die Ketten kurz bleiben und das Signal-Rausch-Verhältnis (Thermal Noise) die Lösung nicht zerstört.