Early industrial application of quantum computing for combinatorial optimization
Michele Cattelan · Digital Library of the University of Innsbruck (University of Innsbruck) · 2026
Quantenoptimierung hat sich als vielversprechende Anwendung der Quanteninformatik herausgestellt, stößt jedoch in Bezug auf Modellierung, Skalierbarkeit und Implementierung auf erhebliche Einschränkungen. Diese Arbeit behandelt diese Herausforderungen, indem neue Ansätze vorgestellt werden, die die praktische Anwendbarkeit der Quantenoptimierung verbessern. Im Bereich der Modellierung analysieren wir die Formulierung des quadratischen unbeschränkten binären Optimierungsproblems (QUBO). Obwohl weit verbreitet, erfordert QUBO die Umsetzung von Nebenbedingungen durch Strafterme, die einen zusätzlichen Variablenaufwand verursachen und sich insbesondere für Ungleichungen nur schwer verallgemeinern lassen. Wir schlagen maßgeschneiderte Strafterme für spezifische Probleme vor, wie das Ride-Pooling-Problem, und führen das neue Konzept der Anreizterme“ als Alternative zu Straftermen ein. Diese Strategien reduzieren die ” Anzahl der Wechselwirkungen und Variablen, wodurch die Formulierung effizienter wird, ohne die Durchsetzbarkeit der Nebenbedingungen zu verlieren. Zur Bewältigung der Skalierungsprobleme von Quantenalgorithmen entwickeln wir ein Parallelisierungsframework für Variations-Quantenalgorithmen (VQAs). Die Methode zerlegt Schaltkreise in kleinere Teilschaltkreise, die parallel optimiert werden, dabei jedoch weiterhin durch die Zielfunktion des Problems gesteuert bleiben. Im Gegensatz zur klassischen Zerlegung bewahrt dieser Ansatz die Probleminformation und ermöglicht die Optimierung größerer Probleme auf Quantenhardware. Wir haben dies experimentell getestet und gezeigt, dass das Framework einen praktikablen Weg zur skalierbaren Quantenoptimierung bietet. Auf Hardwareebene untersuchen wir das Problem des Minor Embedding in supralei- tenden Quanten-Annealing-Systemen. Das Einbetten verändert die Geometrie und Physik des Problems und führt zu Redundanz durch Qubit-Ketten, die die Berechnung fehleranfälliger machen. Zur Abmilderung dieser Probleme schlagen wir eine neue Einbettungsmethode vor, die von der Lechner–Hauke–Zoller (LHZ)-Architektur inspiriert ist und höherwertige Wechselwirkungen in eine modulare Struktur mit 2- Körper-Kopplungen übersetzt. Die resultierende Einbettung gewährleistet konstante Kettenlängen, kurze Wechselwirkungen und Skalierbarkeit, während sie weitgehend die spektralen Eigenschaften des ursprünglichen Hamiltonians erhält. Obwohl der Qubit-Overhead weiterhin quadratisch bleibt, stellt der Ansatz einen konkreten Schritt in Richtung praktikabler Annealing-Implementierungen dar. Zusammen zeigen diese Beiträge, dass die Quantenoptimierung derzeit noch nicht mit modernen klassischen Algorithmen konkurrieren kann – vor allem aufgrund von Hardwareeinschränkungen, begrenzter Skalierbarkeit und des engen Fokus auf Ising-basierte Formulierungen. Dennoch weisen die vorgeschlagenen Methoden – maßgeschneiderte QUBO-Formulierungen, skalierbare VQA-Parallelisierung und verbesserte Annealer- Einbettungen – neue Wege auf, um diese Barrieren zu überwinden. Der Fortschritt in der Quantenoptimierung wird sowohl von Hardwareverbesserungen als auch von neuen algorithmischen Rahmenwerken abhängen, einschließlich alternativer Modelle, maßgeschneiderter Heuristiken und verteilter Quantenansätze. Diese Ergebnisse tragen zur Grundlage für die Entwicklung von Quantenoptimierungsmethoden bei, die langfristig einen praktischen Vorteil erreichen könnten.