Ein einfacher Weg, Quantenprozesse zu lernen
Stellen Sie sich eine Welt vor, in der Computer die Geheimnisse der Quantenmechanik entschlüsseln können und es uns ermöglichen, das Verhalten komplexer Materialien zu studieren oder die komplizierte Dynamik von Molekülen mit noch nie dagewesener 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 ein Stück näher gekommen. In Zusammenarbeit mit Forschenden des Caltech, der Freien Universität Berlin und des Los Alamos National Laboratory haben die Forschenden einen neuen Weg gefunden, um einem Quantencomputer beizubringen, wie er das Verhalten von Quantensystemen verstehen und vorhersagen kann, und dies sogar anhand einiger einfacher Beispiele.
Quantenneuronale Netze (QNNs)
Die Forschenden arbeiteten an «Quantenneuronalen Netzen» (QNNs), einer Art von maschinellem Lernmodell, das mit Hilfe von Prinzipien aus der Quantenmechanik Informationen lernen und verarbeiten soll, um das Verhalten von Quantensystemen zu imitieren.
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 Grundsätzen der Quantenmechanik arbeiten, so dass sie 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 mit nur wenigen einfachen Beispielen, den so genannten ‹Produktzuständen›, 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 Wissenschaftlerinnen verwendeten «Produktzustände» beziehen sich auf ein Konzept der Quantenmechanik, das die spezifische Art von Zustand eines Quantensystems beschreibt. Besteht ein Quantensystem beispielsweise aus zwei Elektronen, so wird sein Produktzustand gebildet, wenn 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 überschaubareren Rahmen für die Untersuchung und das Verständnis des Verhaltens von Quantensystemen bieten, bevor man zu komplexeren und verschränkten Zuständen übergeht, bei denen die Teilchen korreliert sind und nicht unabhängig voneinander beschrieben werden können.
Bessere Quantencomputer in Sicht
Die Forschenden haben gezeigt, dass Computer die komplexe Dynamik verschränkter Quantensysteme effektiv erfassen können, wenn sie QNNs mit nur wenigen dieser einfachen Beispiele trainieren.
Holmes erklärt: «Das bedeutet, dass wir in der Lage sein könnten, mit kleineren, einfacheren Computern, wie den NISQ-Computern, die wir in den nächsten Jahren wahrscheinlich haben werden, etwas über Quantensysteme zu lernen und sie zu verstehen, anstatt grosse und komplexe Computer zu benötigen, die noch Jahrzehnte entfernt sein könnten.»
Die Arbeit eröffnet auch neue Möglichkeiten für den Einsatz von Quantencomputern zur Lösung wichtiger Probleme wie die Untersuchung komplexer neuer Materialien oder die 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 rationalisieren, was zu einer höheren Effizienz und Zuverlässigkeit führt: «Wir können Quantencomputer noch besser machen, indem wir ihre Programme kürzer und weniger fehleranfällig machen», sagt Holmes.
