Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, einen riesigen Haufen durcheinandergeratener Socken in „links" und „rechts" zu sortieren. In der Welt der Computer nennt man dies Klassifizierung. Ein beliebtes Werkzeug dafür ist die Support Vector Machine (SVM). Stellen Sie sich eine SVM als einen sehr intelligenten Roboter vor, der versucht, eine perfekte Linie (oder Wand) zwischen zwei Gruppen von Dingen zu ziehen, damit sie sich nicht vermischen.
Wenn wir diesen Roboter jedoch in den Bereich des Quantencomputings (wo Computer die seltsamen Gesetze der Physik nutzen, um Informationen zu verarbeiten) versetzen, benötigt der Roboter einen speziellen Satz von Anweisungen, um die Daten zu verstehen. Diese Anweisungen werden Quantum Kernel genannt.
Das Problem: Die Anweisungen zu entwerfen ist schwierig
Normalerweise müssen Wissenschaftler diese Quantenanweisungen manuell entwerfen. Es ist so, als würde man versuchen, eine komplexe Lego-Maschine von Hand zu bauen, dabei zu erraten, welche Teile wohin passen, und zu hoffen, dass sie funktioniert. Das dauert lange, und oft funktioniert die Maschine nicht sehr gut.
Die Lösung: Lassen Sie die Evolution die Arbeit erledigen
Diese Arbeit stellt eine neue Methode vor, die GEKO (Genetically Engineered Kernel Optimisation) genannt wird. Anstatt dass ein Mensch die Anweisungen entwirft, lassen die Forscher ein Computerprogramm wie die natürliche Evolution wirken.
Hier ist, wie sie es taten, unter Verwendung einer einfachen Analogie:
- Die Population: Stellen Sie sich eine Kiste voller verschiedener, zufällig gebauter Lego-Maschinen vor (diese sind die „Schaltungen").
- Der Test: Sie setzen diese Maschinen daran, die Socken zu sortieren.
- Das Überleben des Stärkeren: Die Maschinen, die die Socken am besten sortierten, werden behalten. Diejenigen, die versagten, werden weggeworfen.
- Mutation: Die erfolgreichen Maschinen werden kopiert, jedoch mit kleinen, zufälligen Änderungen (wie das Ersetzen eines roten Steins durch einen blauen oder das Hinzufügen eines neuen Teils).
- Wiederholung: Dieser Zyklus wiederholt sich immer wieder. Genau wie in der Natur werden die „Maschinen" über viele Generationen hinweg immer besser darin, die Socken zu sortieren, ohne dass ein Mensch ihnen jemals genau sagt, wie sie es tun sollen.
Die Forscher verwendeten einen speziellen „Werkzeugkasten" aus Quanten-Legosteinen (Gatter wie X, CNOT usw.), um diese Schaltungen zu bauen.
Zwei Wege, den Erfolg zu beurteilen
Die Arbeit testete zwei verschiedene Methoden, um zu entscheiden, welche Maschine die „angemessenste" war:
- Die „Lehrer"-Methode (Überwacht): Dem Computer werden die Socken mit den korrekten Etiketten gegeben (z. B. „Dies ist eine linke Socke"). Er prüft, ob die Maschine die Antwort richtig hatte. Das ist wie ein Lehrer, der einen Test korrigiert.
- Die „Selbstentdeckung"-Methode (Unüberwacht): Dem Computer werden die Socken ohne Etiketten gegeben. Anstatt nach richtigen Antworten zu suchen, betrachtet er, wie „komplex" oder „verschränkt" der interne Zustand der Maschine ist. Die Idee ist, dass eine komplexere interne Struktur besser darin sein könnte, verborgene Muster zu finden. Das ist wie eine Maschine danach zu beurteilen, wie kompliziert ihre Zahnräder sind, anstatt nach dem Endergebnis zu schauen.
Was sie fanden
Die Forscher testeten diese „evolutionäre" Methode an mehreren Datensätzen, die von einfachen erfundenen Formen (wie Mondsicheln und Kreisen) bis hin zu realen Daten wie Weinsorten, Brustkrebsaufzeichnungen und Arzneimittelklassifizierungen reichten.
- Besser als der Standard: Die durch diesen genetischen Algorithmus entwickelten Maschinen performten genauso gut oder besser als die Standardmethoden, die Menschen normalerweise verwenden. Sie schlugen konsistent eine gängige Quantenmethode namens „PauliZZ".
- Glatte Entscheidungen: Als die Forscher betrachteten, wie die Maschinen ihre Entscheidungen trafen, schuf der genetische Algorithmus sehr glatte, klare Grenzen zwischen den Gruppen. Die Standardmethoden erzeugten manchmal „fleckenhafte" oder unordentliche Grenzen.
- Das Entropie-Rätsel: Die Forscher fragten sich, ob eine Maschine mit mehr „Chaos" (Entropie) im Inneren schlauer wäre. Sie fanden keinen starken Zusammenhang zwischen dem Chaos der Maschine und ihrer Leistungsfähigkeit. Eine chaotische Maschine war nicht notwendigerweise eine kluge.
Das Fazit
Diese Arbeit zeigt, dass man kein menschliches Genie benötigt, um die besten Quantenanweisungen für die Sortierung von Daten zu entwerfen. Durch die Verwendung eines genetischen Algorithmus (eine digitale Version der Evolution) kann man diese Anweisungen automatisch wachsen lassen. Das Ergebnis ist eine Quantenmaschine, die Daten effizient sortiert und potenziell zukünftige Werkzeuge für Finanzen, Gesundheitswesen und Wissenschaft viel leistungsfähiger macht.
Kurz gesagt: Anstatt das Quantengehirn von Hand zu bauen, ließen sie es sich selbst entwickeln, und es stellte sich heraus, dass es ein sehr guter Schüler war.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.