Kann Quantensteuerung ohne ein einzigartiges Modell zertifiziert werden?

Angenommen, ein Experiment passt zu einem Hamiltonian Brunnen. Ein Controller, der für diese Passform entwickelt wurde, funktioniert auch gut in der Simulation. Weder die Beobachtung sagt, was passiert, wenn ein anderer Hamiltonian die gleichen Messungen erzeugt hätte.

Das ist die Frage, die ich in einer technischen Studie vom September 2026 untersucht habe: welche Quanten-Kontroll-Leistung kann gewährleistet werden, wenn die verfügbaren Präparate und Messungen eine Reihe möglicher physikalischer Modelle einschränken, anstatt ein einzigartiges Modell zu identifizieren? Eine zweite Frage folgt natürlich. Welches zusätzliche Experiment verbessert die Garantie für die Aufgabe, anstatt nur eine Parameterschätzung genauer aussehen zu lassen?

Das Ergebnis ist bisher ein definiertes Zertifizierungsproblem und eine kleine, reproduzierbare Illustration. Es ist kein allgemeiner Zertifizierungsalgorithmus oder ein Quanten-Hardware-Ergebnis.

Das Modell-Set ist das Ziel der Garantie

Systemidentifikation hängt davon ab, was ein Experiment tatsächlich präparieren, steuern und beobachten kann. Zwei Modelle können unter einer Experimentbibliothek operativ nicht unterscheidbar sein, obwohl ihre Hamiltonoperatoren verschieden sind. Burgarths und Yuasas Rahmen zur Systemidentifikation stellt die realisierbaren Experimente ins Zentrum der Frage, was erkennbar ist.

Ich beginne daher mit einem deklarierten physikalischen Modellbereich und behalte jedes Modell kompatibel mit den Daten und Annahmen bei. Diese Menge kann unverbundene Zweige enthalten. Ein Konfidenzintervall um einen angepassten Parametervektor kann einen anderen Zweig vollständig übersehen. Dieselbe nicht unterscheidende Messung zu wiederholen verringert Stichprobenrauschen, löst aber die strukturelle Mehrdeutigkeit nicht.

Es gibt zwei Unterscheidungen, um gerade zu halten:

• Exakte Beobachtungsäquivalenz bedeutet, dass zwei Modelle die gleichen Ergebniswahrscheinlichkeiten für jedes Protokoll in einer bestimmten Identifikationsbibliothek vorhersagen. Das ist eine Äquivalenzrelation.
• Ein Finite-Data-Konsistenz-Set enthält Modelle, deren Vorhersagen den angegebenen statistischen Zwängen entsprechen. Nahe an gemessenen Frequenzen zu sein, definiert selbst keine Äquivalenzrelation.

Die Menge muss nicht auf ein einziges Modell schrumpfen. Klassische Arbeiten zur Dateninformativität zeigt bereits, dass sinnvolle Analyse oder Steuerung teilweise ohne eindeutige Identifikation möglich ist. Alle kompatiblen Modelle beizubehalten ist daher ein Ausgangspunkt aus früherer Forschung, kein Neuheitsanspruch dieser Studie.

Für eine Kontrolle (u), Aufgabenverlust l und zusätzliche Störung Budget Δ(r), hat das Zertifikat, das ich will, das Formular:

B_D(u, r) ≥ sup{l(u, m, d) : m_D(u, r) : m_D(u, r) ≥ sup{l(u, m, d) : m_D(D), d_Δ(r)}. Ein Zertifikat wird nur ausgestellt, wenn die datenkompatible Menge M(D) nicht leer ist und B_D(u, r) ≤ ε gilt; ε bezeichnet die angegebene Verlusttoleranz.

Physikalische Annahmen, zulässige Steuerungen, Ziel, Messrahmen, Verlustfunktion und Einheiten des Störungsradius müssen festgelegt sein. Eine Stichprobensuche im Parameterraum kann Fehler finden; sie kann kein nicht vollständig untersuchtes Kontinuum von Modellen zertifizieren.

Ein Ein-Qubit-Beispiel macht die Mehrdeutigkeit sichtbar

Nehmen Sie ein bewusst eingeschränktes, kalibriertes Qubit-Modell:

H = (ω + u)Z/2

Die unbekannte Drift liegt in zwei physikalischen Zweigen um ω = ±1. Das Identifikationsexperiment präpariert den X-positiven Zustand, lässt ihn eine Zeiteinheit frei evolvieren und misst X. Die Wahrscheinlichkeit des positiven Ergebnisses beträgt (1 + cos ω)/2. Da der Kosinus gerade ist, gilt θ = +1 und θ = −1 geben genau die gleichen X-Statistiken an. Mehr Wiederholungen dieses Experiments können die Zweige nicht unterscheiden.

Nun wird die Steuerdauer auf T = π/2 festgelegt. Zulässig ist nur die kommutierende Z-Steuerung u ∈ [−2, 2]; verlangt wird das kalibrierte Zielgatter Rz(π/2). Die Prozessfidelität ist Fₚ(u,ω) = cos²[(ω + u − 1)π/4]. Gemeint ist hier das Gatterüberlappungsmaß für das angegebene unitäre Ziel, nicht die mittlere Gatterfidelität.

Für das kompatible Paar ω = ±1 gilt Fₚ(u,+1) + Fₚ(u,−1) = 1 bei jeder zulässigen Steuerung. Daher kann die kleinere Fidelität 0.50 nicht überschreiten. Ein nur an den positiven Zweig angepasster Regler wählt u = 0: Seine Fidelität ist dort 1 und im anderen Zweig 0. Die blaue Kurve der analytischen Abbildung zeigt, was bei Beibehaltung beider Modelle gesichert bleibt.

Die Obergrenze von 0.50 hängt von der festen Dauer, dem kalibrierten Bezugssystem und der kommutierenden Kontrollklasse ab. Andere Bedingungen können das Ergebnis ändern. Sie ist ein Hindernis für diese Aufgabe und Versuchsbibliothek, keine universelle Grenze der Quantensteuerung.

Eine kalibrierte Y-Messung liefert (1 + sin ω)/2 und unterscheidet die Vorzeichen. Bei ω = ±1 liegt die X-Wahrscheinlichkeit in beiden Fällen bei etwa 0.770, die Y-Wahrscheinlichkeiten dagegen bei etwa 0.921 und 0.079. Y beseitigt eine Globaler Alias, der für die Aufgabe wichtig ist. Rein lokale Parameterpräzision kann diesen Unterschied übersehen.

Gleiche Messbudgets, unterschiedliche Garantien

Ich verglich außerdem zwei vorab festgelegte synthetische Messdesigns mit jeweils 8,192 Reset-Messungen und einer getrennt konstruierten 95%-Überdeckungsaussage für die Modellmenge. Design A verwendet zwei X-Gruppen, Design B eine X- und eine Y-Gruppe. Beide nutzen denselben physikalischen Prior und den tatsächlichen Simulationswert ω = 1. Die Studie setzt den NumPy-Seed auf 20260923 und protokolliert die Gruppenzahlen: X liefert 3,091/4,096 und 3,146/4,096 Erfolge; Y liefert 3,790/4,096.

Bewertung	Untere Grenze der Prozessfidelität
X-only: positiver Zweig beibehalten, negativer Zweig fälschlicherweise verworfen	0.999235 scheinbarer Wert
Derselbe Regler, beide X-kompatiblen Zweige bleiben erhalten	0.000019 tatsächlicher schlechtester Fall
X-only: ein robuster Controller über beide Zweige	0.488360
X plus Y: Steuerung über das beibehaltene Einzelintervall	0.998215

Das mit X und Y kompatible Intervall beträgt ungefähr [0.9817915, 1.0893959]. Es ist breiter als ein einzelner X-Zweig. Die Verbesserung entsteht durch das Entfernen des konkurrierenden Vorzeichens und nicht durch ein engeres lokales Intervall. In diesem analytischen Modell beträgt die Mittelpunktsteuerung ungefähr u = −0.035594 und die schlechteste Prozessfidelität cos²[(b − a)π/8] ≈ 0.998215. Für eine getrennt definierte konstante Drift |d| ≤ r erhält dasselbe Modell Fₚ ≥ 0.99 bis zu r ≈ 0.073735 normierten Winkelfrequenzeinheiten.

Dies sind gerundete Auswertungen analytischer Extrema des deklarierten Modells. Die Implementierung nutzt gewöhnliche Gleitkommaarithmetik, keine nach außen rundende Intervallbeweis-Engine. Der Vergleich ist eine einzelne synthetische Realisierung. Es ist damit nicht belegt, dass X-plus-Y oder eine zertifikatsorientierte adaptive Strategie generell überlegen ist.

Statistische Abdeckung und robuste Leistung sind unterschiedliche Ansprüche

Eine Modellmenge aus endlich vielen Messwiederholungen benötigt eine statistische Zusicherung. Für feste binäre Protokolle mit unabhängigen Reset-Messungen nutzt die Studie Hoeffding-Radien und eine Vereinigungsabschätzung, um das wahre stationäre Modell mit Wahrscheinlichkeit mindestens 1 − α beizubehalten, bedingt auf den deklarierten physikalischen Bereich und die Stichprobenannahmen. Eine adaptive Experimentfolge benötigt ein gültiges sequenzielles Fehlerbudget oder eine Konfidenzsequenz. Ein gewöhnliches festzeitiges 95%-Intervall nach optionalem Stoppen wiederholt zu verwenden reicht nicht aus.

Die Leistungsberechnung benötigt anschließend eine Deterministisch obere Schranke über die gesamte beibehaltene Menge. Enthält die Menge das wahre Modell und ist die Schranke gültig, deckt ein ausgestelltes Zertifikat dieses Modell ab. Unter den genannten Annahmen ist die Wahrscheinlichkeit eines ungültigen Zertifikats höchstens so groß wie die Nichtabdeckungswahrscheinlichkeit der Modellmenge. Das ist nicht automatisch die Fehlerquote unter den tatsächlich ausgestellten Zertifikaten.

Eine leere kompatible Modellmenge bedeutet, dass Daten und Modellannahmen widersprüchlich sind. Das ist ein diagnostischer Befund, kein inhaltsleerer Erfolg. Gerätedrift, unsichere Kalibrierung, Präparationsfehler und Auslesephasenfehler müssen modelliert oder als Modellabweichungen geprüft werden. Mehr Messwiederholungen beseitigen keinen ausgelassenen physikalischen Mechanismus.

Wählen Sie Experimente für die Aufgabe, die sie entsperren

Die Forschungsrichtung bewertet ein realisierbares neues Experiment danach, wie es zertifizierten Aufgabenverlust oder Robustheitsradius verändert, unter Berücksichtigung von Messanzahl, Abfragezeit und Rechenaufwand. Das ist ein anderes Ziel als die Kovarianz eines angepassten Hamiltonoperators zu minimieren. Aktives Lernen von Hamiltonoperatoren wählt bereits informative Abfragen; eine adaptive Messregel allein wäre daher nicht neu. Ein Beitrag braucht ein begründbares aufgabenbezogenes Ziel, einen gültigen Verifizierer und einen gemessenen Gewinn bei gleichen Ressourcen.

Ein verwandtes Sensorbeispiel mit zwei Parametern zeigt dasselbe Problem. Gehen Zielphase a und Störphase b nur als a + b ein, kann eine einzelne empfindliche Messung sie nicht unterscheiden. Ein zweites kalibriertes Protokoll, das auf −a + b reagiert, kann sie unter einem deklarierten Hauptphasenbereich und stabilen Störannahmen trennen. Quantenschätzung unter Berücksichtigung von Störparametern ist etablierte Literatur; diese reduzierte Rechnung legt fest, was ein späteres Anwendungsexperiment auflösen müsste. Sie ist weder Simulation noch Ergebnis eines Atominterferometers.

Was als nächstes kommt und was die Studie nicht festschreibt

Der nächste technische Schritt ist ein Verifizierer für niedrigdimensionale, möglicherweise unverbundene kompatible Modellmengen. Er muss jeden ungeklärten Zweig erhalten, eine obere Verlustschranke über ein Kontinuum liefern und deren Konservativität offenlegen. Eine Regleroptimierung kann Kandidaten vorschlagen; zertifizieren muss sie ein unabhängiger Prüfschritt. Veröffentlichte differenzielle Sensitivitätsgrenzen bieten eine Vergleichsbasis. Lokale Sensitivität deckt einen entfernten kompatiblen Zweig jedoch nicht automatisch ab.

Erst dann lassen sich feste, schätzungsorientierte und zertifikatsorientierte Experimententwürfe unter gleichen physikalischen Vorannahmen, Kontrollklassen, Messbudgets, Abfragezeiten und Rechenressourcen fair vergleichen. Fehlgeschlagene Zertifizierungen und Modellabweichungen gehören in die Ergebnisse. Eine spätere Anwendung auf optische Gitter erfordert ein spezifiziertes Apparaturmodell, verfügbare Messungen und tatsächlichen Experimentzugang.

Meine frühere QANTIS-Forschung liefert Erfahrung mit Quantenexperimenten, Unsicherheit und klassischen Referenzmethoden. QFlow Studio könnte einen späteren Experimentnachweis reproduzierbar halten. Beides ist nicht der hier beanspruchte wissenschaftliche Beitrag. Das aktuelle Ergebnis umfasst eine Forschungsformulierung, analytische Beispiele und eine begrenzte synthetische Rechnung. Eine allgemeine Methode, ein Vergleich adaptiver Strategien, eine Erweiterung auf offene Systeme und Laborvalidierung bleiben offen.

Quellen

1. Burgarth und Yuasa, Quantensystem-Identifikation (2012) journals.aps.org
2. van Waarde et al., Dateninformatizität (2020) arxiv.org
3. O'Neil et al., Differentialempfindlichkeitsgrenzen für dynamische Quantenkontrolle (2024) arxiv.org
4. Dutt et al., Aktives Lernen des Quantensystems Hamiltonians (2023) journals.aps.org
5. Suzuki, Yang und Hayashi, Quantenzustandsschätzung mit Störparametern (2020) arxiv.org