VQE & QAOA: Variationale Quantenalgorithmen einfach erklärt

Variationale Quantenalgorithmen (Variational Quantum Algorithms, VQAs) sind das mathematische und konzeptionelle Herzstück der heutigen Quantencomputing-Praxis. Da voll fehlertolerante Quantencomputer mit Millionen logischer Qubits noch Gegenstand intensiver Forschung sind, wurde mit den VQAs ein pragmatisches Paradigma geschaffen: Sie verteilen die Rechenlast intelligent auf eine hybride Architektur aus Quantenprozessor (QPU) und klassischem Hochleistungsrechner (CPU/GPU).

Die beiden prominentesten und am intensivsten erforschten Vertreter dieser Klasse sind der Variational Quantum Eigensolver (VQE) für quantenchemische Molekülberechnungen und der Quantum Approximate Optimization Algorithm (QAOA) für komplexe kombinatorische Optimierungsaufgaben. Einen einführenden Gesamtüberblick über die Grundlagen bietet unser Leitfaden Start hier: Einstieg in Quantencomputer sowie die physikalischen Prinzipien unter Technische Grundlagen und im Glossar Quantencomputing.

Variationale Quantenalgorithmen (VQE & QAOA) in drei Punkten

Hybrides Co-Processing (QPU + CPU): VQAs nutzen den Quantenprozessor ausschließlich für die Aufgaben, die klassisch exponentiell schwer sind – die Erzeugung verschränkter Vielteilchenzustände und die statistische Messung von Erwartungswerten. Die Auswertung der Zielfunktion und die iterative Nachjustierung der Schaltungsparameter übernimmt ein klassischer Optimierungsalgorithmus.
NISQ-optimierte Schaltungstiefe: Im Gegensatz zu tiefen Quantenschaltkreisen (wie beim Shor-Algorithmus) arbeiten VQAs mit flachen, parametrisierten Gatterschichten (Ansätze). Dadurch werden Berechnungen abgeschlossen, bevor das umgebungsbedingte thermische Rauschen und die Dekohärenz die empfindlichen Qubit-Zustände zerstören.
Zwei komplementäre Domänen: VQE berechnet den energetischen Grundzustand von Molekülen und Festkörpermodellen in der Quantenchemie und Materialforschung. QAOA übersetzt diskrete Optimierungsprobleme (wie Max-Cut, Routenplanung oder Portfolio-Auswahl) in Quanten-Hamiltonians und nähert sich schrittweise der global optimalen Lösung an.

1. Warum Variationale Algorithmen? Die Realität der NISQ-Ära

Heutige Quantencomputer befinden sich in der sogenannten NISQ-Ära (Noisy Intermediate-Scale Quantum). Diese Systeme verfügen über Dutzende bis Hunderte physischer Qubits, leiden jedoch unter messbaren Fehlerraten bei Zwei-Qubit-Gattern (typischerweise zwischen 0,1 % und 1 %) sowie begrenzten Kohärenzzeiten ($T_1$ und $T_2$).

Lehrbuch-Algorithmen wie der Shor-Algorithmus zur Primfaktorzerlegung oder der Grover-Algorithmus zur Datenbanksuche erfordern Schaltungstiefen von vielen Millionen aufeinanderfolgenden Gattern. Ohne eine voll ausgebaute, fehlertolerante Quantenfehlerkorrektur akkumulieren sich die Gatterfehler in solchen Schaltungen so schnell, dass das Messergebnis am Ende reinem statistischem Rauschen gleicht.

Hier setzen variationale Algorithmen an: Statt eines starren, tiefen Schaltkreises definieren Entwickler einen parametrisierten Quantenschaltkreis (oft als Ansatz bezeichnet), der als $U(ec{ heta})$ geschrieben wird. Die Parameter $ec{ heta} = ( heta_1, heta_2, \dots, heta_k)$ steuern kontinuierliche Rotationswinkel einzelner Gatter. Der Rechenablauf folgt einer geschlossenen Feedback-Schleife:

Zustandspräparation auf der QPU: Der Quantencomputer wendet den parametrisierten Schaltkreis auf einen einfachen Nullzustand $|0^{\otimes n}
angle$ an und erzeugt den Quantenzustand $|\psi(ec{ heta})
angle = U(ec{ heta})|0^{\otimes n}
angle$.
Messung von Erwartungswerten: Durch wiederholte Ausführung (Shots) werden die physikalischen Messwerte der Observablen ermittelt und der Energie- oder Kosten-Erwartungswert $E(ec{ heta})$ geschätzt.
Klassisches Update (CPU/GPU): Ein klassischer Optimierer analysiert den Erwartungswert und berechnet neue Parameter $ec{ heta}_{ ext{neu}}$, um die Kostenfunktion weiter zu minimieren.
Iteration bis zur Konvergenz: Die neuen Parameter werden an die QPU übermittelt. Der Zyklus wiederholt sich, bis ein mathematisches Abbruchkriterium erreicht ist.

2. Der Variational Quantum Eigensolver (VQE)

Der VQE wurde 2014 von Alberto Peruzzo, Jarrod McClean, Alán Aspuru-Guzik und Jeremy O’Brien in einer bahnbrechenden Veröffentlichung vorgestellt. Sein Hauptziel ist die Lösung der zeitunabhängigen Schrödinger-Gleichung für molekulare Systeme: die Berechnung des niedrigsten Eigenwerts (Grundzustandsenergie) eines physikalischen Hamiltonoperators $H$.

Das mathematische Fundament: Das Variationsprinzip

Der VQE beruht direkt auf dem Rayleigh-Ritz-Variationsprinzip der Quantenmechanik. Dieses besagt, dass der Erwartungswert des Hamiltonoperators bezüglich eines beliebigen normierten Zustands $|\psi
angle$ niemals kleiner sein kann als die wahre Grundzustandsenergie $E_0$ des Systems:

  ⟨H⟩_ψ = ⟨ψ(θ)| H |ψ(θ)⟩ ≥ E₀

Wenn man den Parameterraum $ec{ heta}$ systematisch durchsucht, um den Erwartungswert zu minimieren, nähert sich das Ergebnis von oben der tatsächlichen Grundzustandsenergie an. Ist der gewählte Ansatz flexibel genug, entspricht das Minimum exakt dem Grundzustand.

Der VQE-Workflow im Detail

1. Fermionen-zu-Qubit-Transformation: Die elektronische Struktur eines Moleküls wird im Rahmen der zweiten Quantisierung durch fermionische Erzeugungs- und Vernichtungsoperatoren ($a_i^\dagger, a_j$) beschrieben. Da Quantencomputer auf Spins (Qubits) basieren, müssen diese Operatoren unter Berücksichtigung der Fermi-Dirac-Antisymmetrie in Pauli-Spin-Matrizen ($X, Y, Z, I$) übersetzt werden. Hierfür kommen standardmäßig die Jordan-Wigner-Transformation oder die Bravyi-Kitaev-Transformation zum Einsatz. Der Molekül-Hamiltonian hat anschließend die Form einer gewichteten Summe von Pauli-Strings:

H = ∑ c_i P_i (mit P_i ∈ {I, X, Y, Z}^⊗n).
2. Wahl des Ansatzes:
- Hardware-Efficient Ansatz (HEA): Verwendet ausschließlich die nativen Gatter der QPU (z. B. $R_y( heta)$- und $R_z( heta)$-Rotationen) und koppelt benachbarte Qubits mit CNOT- oder CZ-Gattern. HEA ist extrem rauschresistent und kurz, leidet bei Skalierung jedoch häufig unter Barren Plateaus.
- UCCSD (Unitary Coupled Cluster Singles and Doubles): Ein chemisch motivierter Ansatz, der physikalische Ein- und Zwei-Elektronen-Anregungen abbildet. UCCSD garantiert physikalisch sinnvolle Zustände, führt jedoch nach der Trotterisierung zu sehr tiefen Schaltkreisen.
- ADAPT-VQE: Ein moderner adaptiver Ansatz, der Operatoren schrittweise und dynamisch basierend auf dem aktuellen Gradienten zur Schaltung hinzufügt, um die Schaltungstiefe minimal zu halten.
3. Messung und Pauli-Gruppierung: Jeder Pauli-Term $P_i$ erfordert theoretisch separate Messungen (Shots). Um die Messzeit drastisch zu verkürzen, werden kommutierende Pauli-Operatoren zu Gruppen zusammengefasst (Qubit-Wise Commutativity oder General Commutativity via unitäre Basistransformationen), sodass mehrere Terme in einem einzigen Durchlauf gemessen werden können.
4. Klassische Optimierer: Da Messungen auf Quantencomputern stochastisches Rauschen (Shot Noise) aufweisen, scheitern einfache Gradientenverfahren oft. Bewährt haben sich gradientenfreie Heuristiken wie COBYLA (Constrained Optimization BY Linear Approximation) und Nelder-Mead sowie stochastische Gradientenschätzer wie SPSA (Simultaneous Perturbation Stochastic Approximation), der mit nur zwei Funktionsauswertungen pro Schritt auskommt.

Reale Anwendungen von VQE

In Experimenten auf supraleitenden Transmon-Chips und Ionenfallen-Quantencomputern wurde VQE bereits erfolgreich zur Bestimmung der Dissoziationskurven von Molekülen wie $H_2$, $LiH$, $BeH_2$ und $H_2O$ eingesetzt. Langfristig zielt VQE auf Probleme ab, die klassische Supercomputer nicht mehr exakt lösen können: die Simulation komplexer Übergangsmetall-Katalysatoren (wie Nitrogenase für die energieeffiziente Ammoniaksynthese) und elektrochemischer Prozesse in der nächsten Generation von Festkörperbatterien. Vertiefende Details dazu findest du in unserem Beitrag über Quantencomputing in der Materialforschung.

3. Quantum Approximate Optimization Algorithm (QAOA)

Während VQE aus der Quantenchemie stammt, wurde der QAOA 2014 von den Physikern Edward Farhi, Jeffrey Goldstone und Sam Gutmann für die theoretische Informatik und diskrete Mathematik entwickelt. QAOA löst kombinatorische Optimierungsprobleme aus der Komplexitätsklasse NP-schwer.

Mathematische Struktur: Das Wechselspiel zweier Hamiltonians

QAOA kann als diskretisierte, algorithmische Variante des Quantum Annealing auf einem universellen Gate-Quantencomputer verstanden werden. Das zu lösende Problem wird in einen diagonalen Kosten-Hamiltonian $H_P$ übersetzt, dessen Grundzustand der gesuchten optimalen Bitfolge entspricht.

Der QAOA-Schaltkreis wendet abwechselnd zwei nicht-kommutierende Hamiltonians mit Tiefe $p$ auf einen initialen Überlagerungszustand $|+
angle^{\otimes n}$ an:

Problem-Unitarier $U(H_P, \gamma_k) = e^{-i \gamma_k H_P}$ (Phase Separator): Prägt den Zuständen Phasenverschiebungen auf, die proportional zu ihren Kosten im Optimierungsproblem sind.
Mixer-Unitarier $U(H_M, eta_k) = e^{-i eta_k H_M}$ (Mixer): Treibt kontinuierliche Übergänge zwischen den Basiszuständen an und erzeugt Quanteninterferenzen. Standardmäßig wird der transversale Feld-Mixer $H_M = \sum_{j=1}^n X_j$ verwendet.

Der Gesamtzustand nach $p$ Schichten lautet:

  |γ, β⟩ = [ ∏_{k=1}^p e^{-i β_k H_M} e^{-i γ_k H_P} ] |+⟩^⊗n

Konvergenz und Approximationsgüte

QAOA besitzt eine fundamentale theoretische Eigenschaft: Nach dem adiabatischen Theorem konvergiert die Lösung für unendlich viele Schichten ($p o \infty$) garantiert gegen das globale Optimum. Doch selbst für extrem flache Schaltungen liefert QAOA bemerkenswerte Resultate: Für das Max-Cut-Problem auf 3-regulären Graphen bewiesen Farhi et al. bereits für $p=1$ ein garantiertes Approximationsverhältnis von mindestens 0,6924 – ein Wert, der rein klassische Zufallsauswahl (0,5) weit übertrifft.

Praxisbeispiel: Das Max-Cut-Problem

Gegeben ist ein Netzwerk (Graph) aus Knoten und Kanten. Ziel ist es, die Knoten so in zwei Gruppen aufzuteilen, dass möglichst viele Kanten zwischen den beiden Gruppen verlaufen. In der Logistik entspricht dies der optimalen Verteilung von Gütern; im Chipdesign der Minimierung von Leitungsüberkreuzungen. Beim QAOA wird jede Kante $(i,j)$ durch einen Zwei-Qubit-Interaktionsterm $Z_i Z_j$ dargestellt. Am Ende der Schaltung wird die QPU in der Rechenbasis gemessen und liefert mit hoher Wahrscheinlichkeit Bitfolgen mit maximaler Schnittgröße.

4. Direkter Vergleich: VQE versus QAOA

Obwohl beide Algorithmen auf dem Variationsprinzip basieren, unterscheiden sie sich in ihrer mathematischen Zielsetzung, ihren Schaltungen und ihren industriellen Anwendungsdomänen:

Kriterium	VQE (Variational Quantum Eigensolver)	QAOA (Quantum Approximate Optimization)
Hauptziel	Berechnung des Grundzustands / minimalen Eigenwerts	Approximation optimaler Bitfolgen (diskrete Maxima/Minima)
Fachdisziplin	Quantenchemie, Festkörperphysik, Molekülbiologie	Angewandte Informatik, Diskrete Optimierung, Operations Research
Hamilton-Struktur	Nicht-diagonale Pauli-Strings (erfordert Basistransformationen vor der Messung)	Diagonale Pauli-Z-Terme (direkt in Standardbasis \|0⟩/\|1⟩ messbar)
Schaltungsaufbau	Frei gestaltbarer Ansatz (HEA, UCCSD, ADAPT) mit $k$ individuellen Gatterwinkeln	Strikte Schichtenstruktur aus $p$ alternierenden $H_P$- und $H_M$-Blöcken mit Parametern $(\gamma_k, eta_k)$
Messaufwand	Sehr hoch (tausende nicht-kommutierende Pauli-Terme erfordern Gruppierung)	Moderat (alle Terme kommutieren in Z; direkte Abtastung der Bitstrings)
Klassische Optimierer	COBYLA, SPSA, Nelder-Mead, L-BFGS-B	COBYLA, Nelder-Mead, Bayes’sche Optimierung, ADAM
Typische Probleme	Molekül-Bindungsenergien, Fermi-Hubbard-Modell, Reaktionsbarrieren	Max-Cut, Travelling Salesperson (TSP), Portfolio-Optimierung, Scheduling
Praxis-Relevanz 2026	Standardmethode in Cloud-Laboren (IBM, Google, IonQ) für Chemie-PoCs	Prüfstein für hybriden Quantenvorteil gegenüber klassischen Algorithmen (Gurobi)

5. Herausforderungen: Was bremst variationale Algorithmen?

Trotz ihrer Eleganz und NISQ-Resistenz stehen VQE und QAOA vor gravierenden physikalischen und informationstheoretischen Hürden, die Gegenstand aktueller Spitzenforschung sind:

Das Problem der Barren Plateaus

2018 entdeckte ein Forscherteam um Jarrod McClean bei Google ein fundamentales Skalierungsproblem: das Barren-Plateau-Phänomen. Bei tiefen, zufällig initialisierten parametrisierten Schaltungen flacht die mathematische Gradientenlandschaft im hochdimensionalen Hilbertraum exponentiell ab:

  Var_{θ}[ ∂⟨H⟩ / ∂θ_k ] ∈ O( 2^{-n} )

Mit wachsender Qubit-Zahl $n$ wird die Steigung der Kostenfunktion in fast allen Richtungen praktisch unmessbar klein. Der klassische Optimierer verharrt in einer topologisch flachen Wüste ohne Anhaltspunkte für die Abstiegsrichtung. Zur Überwindung werden heute lokale Kostenfunktionen, symmetriebewusste Ansätze (wie in der Quantenchemie) sowie Identitäts-Initialisierungen erforscht.

Messstatistik und Shot-Rauschen

Quantenmechanische Erwartungswerte können nicht direkt abgelesen werden, sondern müssen durch statistische Mittelung vieler einzelner Messungen (Shots) geschätzt werden. Um die in der Chemie geforderte Genauigkeit von 1 kcal/mol (chemische Genauigkeit) zu erreichen, sind oft Millionen von Shots pro Iterationsschritt nötig. Dies führt bei Cloud-Ausführungen zu signifikanten Laufzeiten und Rechenkosten.

Fehlermitigation (Quantum Error Mitigation)

Da NISQ-Rechner keine aktive Fehlerkorrektur besitzen, müssen Gatter- und Auslesefehler algorithmisch kompensiert werden. Hierbei haben sich Methoden wie die Zero-Noise Extrapolation (ZNE) – bei der das Rauschen künstlich skaliert und anschließend rechnerisch auf den fehlerfreien Zustand zurückgerechnet wird – sowie die Readout Error Mitigation via Invertierung der Fehlermatrix etabliert.

6. Das erweiterte VQA-Spektrum: Machine Learning und Gleichungslöser

Das hybride Grundprinzip beschränkt sich längst nicht mehr auf Energieberechnungen und Graphenprobleme. Eine ganze Familie verwandter Algorithmen adaptiert die Grundidee:

Variational Quantum Classifier (VQC): Bildet klassische Merkmalsvektoren über parametrisierte Quanteneinbettungen (Quantum Feature Maps) in den Hilbertraum ab und trainiert einen Quanten-Kernel zur Klassifizierung. Mehr hierzu erfährst du in unserem Beitrag zu Quanten-Maschinellem Lernen (QML).
Variational Quantum Linear Solver (VQLS): Löst lineare Gleichungssysteme $Aec{x} = ec{b}$ variational und benötigt dafür signifikant flachere Schaltungen als der klassische HHL-Algorithmus (Harrow-Hassidim-Lloyd).
Variational Quantum Deflation (VQD): Erlaubt die sukzessive Berechnung angeregter Zustände von Molekülen, indem bereits gefundene Eigenzustände orthogonal aus dem Suchraum herausprojiziert werden.

7. Software-Ökosystem und Cloud-Ausführung

Wer VQE oder QAOA praktisch ausführen möchte, muss heute keine Hardware vor Ort betreiben. Moderne Open-Source-Frameworks stellen fertige Module für beide Algorithmen bereit:

Qiskit (IBM): Bietet hochentwickelte VQE- und QAOA-Implementierungen mit automatischem Pauli-Grouping, ZNE-Fehlermitigation (via Mitiq) und direkter Anbindung an IBM Quantum Hardware.
PennyLane (Xanadu): Pionier im Bereich des differenzierbaren Quantencomputings, der automatische Gradientenberechnung (Parameter-Shift-Regel) nahtlos mit PyTorch und JAX verknüpft.
Cirq & TensorFlow Quantum (Google): Spezialisiert auf hardwarenahe NISQ-Simulationen und hybride neuronale Netze.
CUDA-Q (NVIDIA): Beschleunigt die klassische Simulation großer variationaler Schaltkreise auf GPU-Clustern.

Einen detaillierten Vergleich der Cloud-Zugänge von AWS Braket über Microsoft Azure Quantum bis IBM Quantum bietet unser Leitfaden Quantencomputing in der Cloud. Die hardwareseitigen Unterschiede zwischen Transmon- und photonischen Architekturen ordnet der Beitrag zu Technologie & Hardware ein.

Häufige Fragen zu VQE & QAOA (FAQ)

Was sind variationale Quantenalgorithmen und warum sind sie für die NISQ-Ära unverzichtbar?

Variationale Quantenalgorithmen (VQAs) sind hybride Verfahren, die einen Quantenprozessor mit einem klassischen Computer koppeln. Der Quantenprozessor erzeugt verschränkte Zustände und misst Erwartungswerte; der klassische Rechner passt die Schaltungsparameter iterativ an. Da heutige NISQ-Quantencomputer noch keine vollwertige Fehlerkorrektur besitzen, sind herkömmliche tiefe Schaltungen unbrauchbar. VQAs nutzen extrem flache Schaltungen, die innerhalb der physikalischen Kohärenzzeit fehlerarm ausgeführt werden können.

Worin liegt der fundamentale Unterschied zwischen VQE und QAOA?

VQE (Variational Quantum Eigensolver) stammt aus der physikalischen Chemie und dient dazu, den energetischen Grundzustand von Molekülen und Festkörpern zu ermitteln. Seine Hamiltonians enthalten nicht-kommutierende Pauli-Terme. QAOA (Quantum Approximate Optimization Algorithm) hingegen löst kombinatorische Optimierungsaufgaben (wie Max-Cut oder Routenplanung). Er nutzt alternierende Schichten aus einem Problem- und einem Mixer-Hamiltonian und tastet direkt diagonale Kostenfunktionen ab.

Was versteht man unter einem Barren Plateau bei variationalen Schaltungen?

Ein Barren Plateau ist ein mathematisches Phänomen im hochdimensionalen Hilbertraum: Mit wachsender Qubit-Zahl und Schaltungstiefe nimmt die Varianz der Gradienten exponentiell ab. Die Energielandschaft wird extrem flach, sodass klassische Optimierer keine Richtung für Parameter-Updates mehr erkennen können. Es wird durch strukturierte Ansätze, lokale Kostenfunktionen und physikalisch motivierte Initialisierungen abgemildert.

Bieten VQE und QAOA heute bereits einen echten Quantenvorteil gegenüber Supercomputern?

Auf heutiger Hardware demonstrieren VQE und QAOA das Machbarkeitsprinzip (Proof of Concept), haben jedoch noch keinen uneingeschränkten praktischen Quantenvorteil erzielt. Hochoptimierte klassische Heuristiken (wie DMRG, Tensor-Netzwerke oder Gurobi-Solver) sind für viele Probleme noch überlegen oder gleichwertig. Mit sinkenden Fehlerraten, besseren Ansätzen und hardwarenaher Fehlermitigation gelten VQAs jedoch als die aussichtsreichsten Kandidaten für den ersten kommerziellen Quantennutzen vor der Ära vollständiger Fehlerkorrektur.

Fazit & Weiterführende Themen

Variationale Quantenalgorithmen schlagen eine entscheidende Brücke zwischen der fehlertoleranten Zukunftsvision und den physikalischen Beschränkungen heutiger Prozessoren. Indem sie klassische Hochleistungsrechner mit den einzigartigen Verschränkungs- und Interferenzfähigkeiten von Quantenprozessoren kombinieren, erschließen VQE und QAOA schon heute greifbare Anwendungen in Chemie, Logistik und Materialforschung.

Vertiefe dein Wissen in unseren weiterführenden Fachbeiträgen und Hubs:

Einen systematischen Gesamteinstieg bietet unser Leitfaden Start hier: Einstieg in Quantencomputer.
Die physikalischen Grundlagen von Qubits, Superposition und Interferenz findest du unter Technische Grundlagen.
Alle Fachbegriffe von Bell-Zustand bis Hamiltonoperator kannst du im Glossar Quantencomputing nachschlagen.
Eine detaillierte Einordnung der aktuellen Hardware-Grenzen liefert der Beitrag NISQ-Ära: Rauschanfällige Quantencomputer verstehen.
Wie variationale Verfahren in der Molekül- und Batterieforschung genutzt werden, erklärt Quantencomputing in der Materialforschung.
Den Unterschied zwischen Gate-basierten Hybridsystemen und Quantum Annealern erläutert der Vergleich Gate- vs. Annealing-Quantensysteme.
Wie Fehler auf logischer Ebene langfristig eliminiert werden, erfährst du in Quantenfehlerkorrektur: Surface Codes einfach erklärt.
Über quadratische Suchbeschleunigungen informiert dich der Grover-Algorithmus einfach erklärt.
Einen Überblick über praktische Anwendungsfelder bündelt unser zentraler Anwendungs-Hub.
Eine sachliche Einordnung der wirtschaftlichen Entwicklungen und der Marktführer bietet die Analyse Quantencomputer Aktien & Investments.