Variational Quantum Eigensolver
A hybrid algorithm using quantum and classical computers to simulate molecular energies.
Der Variational Quantum Eigensolver (VQE) ist ein hybrider quanten-klassischer Algorithmus, der entwickelt wurde, um die Eigenwerte und Eigenvektoren eines gegebenen Hamiltonians zu finden, und der sich besonders gut zur Lösung von Problemen in der Quantenchemie und Materialwissenschaft eignet. Er nutzt die Stärken von sowohl Quanten- als auch klassischem Computing. Die Kernidee besteht darin, einen Quantencomputer zu verwenden, um einen parametrisierten Quantenzustand, oft als 'ansatz' bezeichnet, vorzubereiten, und dann den Erwartungswert des Hamiltonians in Bezug auf diesen Zustand zu messen. Dieser Erwartungswert entspricht einer Energieschätzung. Ein klassischer Computer nimmt dann diese Energieschätzung und verwendet einen klassischen Optimierungsalgorithmus, um die Parameter des Quantenzustands anzupassen, mit dem Ziel, die Energie zu minimieren. Dieser Prozess ist iterativ: Der Quantencomputer bereitet basierend auf den aktualisierten Parametern einen neuen Zustand vor, der klassische Computer misst dessen Energie, und der Optimizer aktualisiert die Parameter erneut. Dies wird fortgesetzt, bis die Energie zu einem Minimum konvergiert, was gemäß dem Variationsprinzip die Grundzustandsenergie des Hamiltonians annähert. Der 'variationelle' Aspekt bezieht sich auf die Verwendung des Variationsprinzips, das besagt, dass der Erwartungswert des Hamiltonians für jeden normierten Zustand immer größer oder gleich der Grundzustandsenergie ist. Der 'Eigensolver'-Teil zeigt sein Ziel an, Eigenwerte (Energien) und Eigenvektoren (Zustände) zu finden. Die Kompromisse umfassen die Wahl des Ansatzes, der ausdrucksstark genug sein muss, um den wahren Grundzustand darzustellen, aber flach genug, um auf aktuellen noisy intermediate-scale quantum (NISQ) Geräten implementierbar zu sein. Die Effizienz des klassischen Optimierers und die Rauschpegel in den Quantenberechnungen beeinflussen ebenfalls maßgeblich die Leistung von VQE.
graph LR
Center["Variational Quantum Eigensolver"]:::main
Pre_qubit["qubit"]:::pre --> Center
click Pre_qubit "/terms/qubit"
Rel_quantum_approximate_optimization_algorithm["quantum-approximate-optimization-algorithm"]:::related -.-> Center
click Rel_quantum_approximate_optimization_algorithm "/terms/quantum-approximate-optimization-algorithm"
Rel_decoherence["decoherence"]:::related -.-> Center
click Rel_decoherence "/terms/decoherence"
Rel_artificial_intelligence["artificial-intelligence"]:::related -.-> Center
click Rel_artificial_intelligence "/terms/artificial-intelligence"
classDef main fill:#7c3aed,stroke:#8b5cf6,stroke-width:2px,color:white,font-weight:bold,rx:5,ry:5;
classDef pre fill:#0f172a,stroke:#3b82f6,color:#94a3b8,rx:5,ry:5;
classDef child fill:#0f172a,stroke:#10b981,color:#94a3b8,rx:5,ry:5;
classDef related fill:#0f172a,stroke:#8b5cf6,stroke-dasharray: 5 5,color:#94a3b8,rx:5,ry:5;
linkStyle default stroke:#4b5563,stroke-width:2px;
🧠 Wissenstest
🧒 Erkläre es wie einem 5-Jährigen
Es ist, als würde man versuchen, den tiefsten Punkt in einer hügeligen Landschaft zu finden, indem man einen Roboter (Quantencomputer) verschiedene Stellen erkunden lässt und einen Kartographen (klassischer Computer) den Roboter zu tieferem Boden führt, bis er nicht mehr tiefer gehen kann.