Quantum Encoding of Structured Data with Matrix Product States

Quantencomputer versprechen, Probleme zu lösen, die für klassische Maschinen derzeit unmöglich sind, doch sie stehen vor einer grundlegenden Hürde, noch bevor sie überhaupt beginnen können: die richtigen Informationen in sie hineinzubekommen. Um eine Berechnung durchzuführen, muss ein Quantencomputer zuerst klassische Daten – Zahlen, Bilder oder Funktionen – in seinen Quantenzustand laden. Dieser Prozess, bekannt als Zustandspräparation, ist notorisch schwierig. Da der Raum der Möglichkeiten für ein Quantensystem mit jedem hinzugefügten Teilchen exponentiell wächst, erfordert das Laden eines komplexen, unstrukturierten Datensatzes normalerweise einen Schaltkreis, der so tief und komplex ist, dass seine Ausführung auf heutiger Hardware länger dauern würde als das Alter des Universums. Dieser Flaschenhals droht die Geschwindigkeitsvorteile zunichtezumachen, die Quantencomputer in Feldern wie Finanzen, Medizin und maschinellem Lernen bieten. Die Herausforderung besteht daher nicht nur darin, schnellere Maschinen zu bauen, sondern einen Weg zu finden, riesige Mengen an Daten in ein Quantenformat zu komprimieren, das einfach genug ist, um schnell und präzise geladen werden zu können.

Forscher der University of Western Australia haben eine neue Methode entwickelt, um diesen Flaschenhals zu umgehen, indem sie die verborgene Struktur ausnutzen, die in vielen realen Datensätzen zu finden ist. Anstatt zu versuchen, einen Quantencomputer dazu zu bringen, jedes einzelne Pixel eines Bildes oder jeden Wert einer komplexen Funktion auswendig zu lernen, verwenden sie eine mathematische Technik namens Matrix Product State (Matrixproduktzustand). Stellen Sie sich dies als eine Möglichkeit vor, eine lange, komplizierte Datenkette zu beschreiben, indem man sie in kleine, verbundene Stücke zerlegt, die sich nur an ihre unmittelbaren Nachbarn erinnern müssen, anstatt an die gesamte Kette auf einmal. Dieser Ansatz funktioniert deshalb, weil viele natürliche Phänomene – von den glatten Kurven einer mathematischen Funktion bis hin zu den Mustern in einem medizinischen Scan – keine zufälligen, chaotischen Verbindungen aufweisen; sie besitzen eine begrenzte, lokale Struktur, die mit weitaus weniger Ressourcen erfasst werden kann, als es eine vollständige, unstrukturierte Beschreibung erfordern würde.

Das Team unter der Leitung von Josh Green und Jingbo Wang demonstrierte, dass diese Kompressionstechnik es ihnen ermöglicht, Quantenzustände, die komplexe Funktionen und Bilder repräsentieren, mit bemerkenswerter Geschwindigkeit und Genauigkeit vorzubereiten. Sie konzentrierten sich auf einen spezifischen Algorithmus, der als Matrix Product Disentangler bekannt ist und wie ein Werkzeug zur Rückwärtsentwicklung fungiert. Er nimmt einen Zieldatensatz und ermittelt die einfachste Sequenz von Quantenoperationen, die erforderlich ist, um diesen zu erzeugen. Dieses ursprüngliche Werkzeug ist jedoch allein nicht perfekt. Um das Ergebnis zu verfeinern, kombinierten die Forscher es mit einem zweiten Schritt, der Tensor Network Optimization (Tensornetzwerk-Optimierung) genannt wird. Dieser Prozess wirkt wie ein Feinabstimmungsmechanismus, der die Parameter des Quantenschaltkreises anpasst, um Fehler zu minimieren und die Genauigkeit auf nahezu Perfektion zu treiben. Das Ergebnis ist eine Methode, mit der Daten mithilfe eines Schaltkreises in einen Quantencomputer geladen werden können, der flach genug ist, um auf heutigen, unvollkommenen Maschinen, den sogenannten NISQ-Geräten, ausgeführt zu werden.

Die Forscher testeten ihren Ansatz an einer breiten Palette mathematischer Funktionen, einschließlich solcher mit scharfen Brüchen, plötzlichen Sprüngen und unregelmäßigen Formen, die typischerweise Quantenalgorithmen verwirren. Sie fanden heraus, dass ihre Methode für Funktionen, die nicht völlig zufällig sind – wie etwa Polynome niedrigen Grades, Wurzelfunktionen und logarithmische Kurven – den Quantenzustand mit einer Genauigkeit von über 99,99 Prozent vorbereiten konnte. Diese Präzision wird durch Schaltkreise erreicht, die nur wenige hundert Schritte tief sind, was eine massive Reduktion gegenüber den Millionen von Schritten darstellt, die normalerweise erforderlich sind. Das Team zeigte, dass die Methode selbst für Funktionen mit Diskontinuitäten, bei denen sich der Wert abrupt ändert, robust bleibt, sofern die allgemeine Struktur der Daten nicht zu chaotisch ist.

Die vielleicht beeindruckendste Demonstration dieser Fähigkeit betraf ein medizinisches Bild aus der realen Welt. Die Forscher nahmen ein 128 mal 128 Pixel großes Bild aus dem ChestMNIST-Datensatz, der Thorax-Röntgenaufnahmen zur Diagnose von Lungenerkrankungen enthält. Sie kodierten dieses Bild erfolgreich mit nur 14 Qubits in einen Quantenzustand. Der resultierende Quantenschaltkreis, der aus nur 425 Basisschritten bestand, erzeugte eine Rekonstruktion des Bildes mit einer Fidelität von über 99,2 Prozent. Das bedeutet, dass der Quantenzustand eine nahezu perfekte Kopie des ursprünglichen medizinischen Scans enthielt. Der Erfolg dieses Experiments ist signifikant, da er beweist, dass die Methode zweidimensionale, strukturierte Daten wie Bilder verarbeiten kann und nicht nur einfache eindimensionale mathematische Kurven.

Die Studie definiert jedoch auch klar die Grenzen dieses Ansatzes. Die Methode beruht darauf, dass die Daten eine bestimmte Art von Ordnung aufweisen, bei der die Verbindungen zwischen verschiedenen Teilen der Daten schnell abfallen. Als die Forscher ihre Methode an völlig zufälligen Daten oder hochkomplexem, unstrukturiertem Rauschen testeten, sank die Genauigkeit erheblich. Der Algorithmus kann nicht magisch Informationen komprimieren, die kein zugrunde liegendes Muster besitzen; wenn die Daten wahrhaft chaotisch sind, wird der erforderliche Quantenschaltkreis genauso tief und schwierig zu bauen sein wie das ursprüngliche Problem. Diese Unterscheidung ist entscheidend: Die Technik ist ein mächtiges Werkzeug für strukturierte Daten, aber sie ist keine universelle Lösung für jede Art von Information.

Die Forscher verglichen ihre optimierte Methode auch mit anderen bekannten Techniken zum Laden von Daten. Sie fanden heraus, dass andere Methoden zwar theoretisch dieselbe Genauigkeit erreichen könnten, aber oft wesentlich tiefere Schaltkreise erforderten oder zusätzliche „Ancilla“-Qubits benötigten, die als temporärer Speicher dienen, was die heutige Hardware jedoch nicht unterstützen kann. Im Gegensatz dazu erreicht die neue Methode eine hohe Genauigkeit ohne zusätzliche Qubits und verwendet eine Schaltkreistiefe, die linear mit der Größe der Daten skaliert, was sie für die nahe Zukunft weita viel praktikabler macht. Das Team stellte fest, dass ihr optimierter Ansatz für das ChestMNIST-Bild dieselbe Genauigkeit wie eine theoretische „exakte“ Methode erreichte, jedoch mit einem Schaltkreis, der etwa viermal flacher war.

Im Kontext des breiteren Fachbereichs deutet diese Arbeit auf einen klaren Weg für Anwendungen des Quantencomputings hin. Sie zeigt an, dass Quantencomputer für Aufgaben mit strukturierten Daten – wie etwa das Festlegen von Randbedingungen zur Lösung physikalischer Gleichungen, die Vorbereitung von Wahrscheinlichkeitsverteilungen für Finanzsimulationen oder die Kodierung von Bildern für maschinelles Lernen – viel früher nützlich sein können als bisher angenommen. Die Fähigkeit, Daten mit hoher Fidelität mittels flacher Schaltkreise zu laden, entfernt eine große Barriere, die viele Quantenalgorithmen bisher daran gehindert hat, an echter Hardware getestet zu werden. Während die Methode das Problem des Ladens völlig unstrukturierter Daten nicht löst, bietet sie einen hocheffizienten, ressourcenschonenden Weg, um den Großteil der strukturierten Datensätze zu handhaben, die Wissenschaftler und Ingenieure tatsächlich verwenden.

Die Studie kommt zu dem Schluss, dass die Kombination aus dem Entanglement-Algorithmus und der anschließenden Optimierung ein vielseitiges Werkzeug für die aktuelle Ära der Quantentechnologie schafft. Sie ermöglicht es Forschern, die theoretischen Grenzen der Zustandspräparation zu überwinden und praktische Experimente mit realen Daten zu beginnen. Indem sie zeigen, dass ein 128 mal 128 Pixel großes Bild mit einer solch hohen Fidelität auf einer geringen Anzahl von Qubits kodiert werden kann, bietet die Arbeit ein konkretes Beispiel dafür, wie Quantencomputer bald zur Verarbeitung medizinischer Daten oder Finanzmodelle eingesetzt werden könnten. Die Ergebnisse behaupten nicht, das Problem der Zustandspräparation für alle Fälle gelöst zu haben, aber sie etablieren eine zuverlässige, effiziente und genaue Methode für die spezifische Klasse der strukturierten Probleme, die für kurzfristige Anwendungen am relevantesten sind.