Eine einfachere Möglichkeit, Quantenprozesse zu lernen

EPFL-Wissenschaftler zeigen, dass bereits ein paar einfache Beispiele ausreichen, damit ein Quanten-Maschinenlernmodell, die „Quantum Neural Networks“, das Verhalten von Quantensystemen lernen und vorhersagen kann, was uns einer neuen Ära des Quantencomputings näher bringt.

Stellen Sie sich eine Welt vor, in der Computer die Geheimnisse der Quantenmechanik entschlüsseln und es uns ermöglichen, das Verhalten komplexer Materialien zu untersuchen oder die komplexe Dynamik von Molekülen mit beispielloser Genauigkeit zu simulieren.

Dank einer bahnbrechenden Studie unter der Leitung von Professorin Zoe Holmes und ihrem Team an der EPFL sind wir der Verwirklichung dieses Ziels nun näher gekommen. In Zusammenarbeit mit Forschern am Caltech, der Freien Universität Berlin und dem Los Alamos National Laboratory haben sie einen neuen Weg gefunden, einem Quantencomputer beizubringen, das Verhalten von Quantensystemen zu verstehen und vorherzusagen. Die Forschung wurde veröffentlicht in Naturkommunikation.

Quantenneurale Netze (QNNs)

Die Forscher arbeiteten an „Quantum Neural Networks“ (QNNs), einer Art maschinellem Lernmodell, das darauf ausgelegt ist, Informationen mithilfe von Prinzipien zu lernen und zu verarbeiten, die von der Quantenmechanik inspiriert sind, um das Verhalten von Quantensystemen nachzuahmen.

Genau wie die neuronalen Netze, die in der künstlichen Intelligenz verwendet werden, bestehen QNNs aus miteinander verbundenen Knoten oder „Neuronen“, die Berechnungen durchführen. Der Unterschied besteht darin, dass die Neuronen in QNNs nach den Prinzipien der Quantenmechanik arbeiten und so Quanteninformationen verarbeiten und manipulieren können.

„Wenn wir einem Computer etwas beibringen, brauchen wir normalerweise viele Beispiele“, sagt Holmes. „Aber in dieser Studie zeigen wir, dass der Computer anhand einiger einfacher Beispiele, sogenannter ‚Produktzustände‘, lernen kann, wie sich ein Quantensystem verhält, selbst wenn es um verschränkte Zustände geht, die komplizierter und schwieriger zu verstehen sind.“

Produktzustände

Die von den Wissenschaftlern verwendeten „Produktzustände“ beziehen sich auf ein Konzept der Quantenmechanik, das den spezifischen Zustandstyp eines Quantensystems beschreibt. Wenn ein Quantensystem beispielsweise aus zwei Elektronen besteht, wird sein Produktzustand gebildet, indem der Zustand jedes einzelnen Elektrons unabhängig betrachtet und dann kombiniert wird.

Produktzustände werden häufig als Ausgangspunkt für Quantenberechnungen und -messungen verwendet, da sie einen einfacheren und besser handhabbaren Rahmen für die Untersuchung und das Verständnis des Verhaltens von Quantensystemen bieten, bevor zu komplexeren und verschränkten Zuständen übergegangen wird, in denen die Teilchen korrelieren und nicht korrelieren können unabhängig beschrieben werden.

Bessere Quantencomputer voraus

Die Forscher zeigten, dass Computer durch das Training von QNNs anhand einiger dieser einfachen Beispiele die komplexe Dynamik verschränkter Quantensysteme effektiv erfassen können.

Holmes erklärt: „Das bedeutet das.“ [we] könnte in der Lage sein, Quantensysteme mit kleineren, einfacheren Computern kennenzulernen und zu verstehen, etwa auf der kurzfristigen Zwischenskala [NISQ] Computer, die wir wahrscheinlich in den kommenden Jahren haben werden, anstatt große und komplexe Computer zu benötigen, die möglicherweise noch Jahrzehnte entfernt sind.

Die Arbeit eröffnet auch neue Möglichkeiten für den Einsatz von Quantencomputern zur Lösung wichtiger Probleme wie der Untersuchung komplexer neuer Materialien oder der Simulation des Verhaltens von Molekülen.

Schließlich verbessert die Methode die Leistung von Quantencomputern, indem sie die Erstellung kürzerer und fehlerresistenterer Programme ermöglicht. Indem wir lernen, wie sich Quantensysteme verhalten, können wir die Programmierung von Quantencomputern optimieren, was zu einer verbesserten Effizienz und Zuverlässigkeit führt. „Wir können Quantencomputer noch besser machen, indem wir ihre Programme kürzer und weniger fehleranfällig machen“, sagt Holmes.