QCPINN: Quantum-Classical Physics-Informed Neural Networks for Solving PDEs

Die Welt der Physik basiert auf einem Satz mathematischer Regeln, die beschreiben, wie sich alles bewegt und verändert – vom Luftstrom über einen Flügel bis hin zur Ausbreitung von Wärme durch einen Metallstab. Wissenschaftler bezeichnen diese Regeln als partielle Differentialgleichungen. Jahrzehntelang erforderte das Lösen dieser Gleichungen enorme Rechenleistung und komplexe numerische Methoden, wobei sie oft versagten, wenn die Probleme zu kompliziert oder die Daten zu spärlich wurden. In den letzten Jahren ist ein neuer Ansatz namens physik-informierte neuronale Netze entstanden. Dies sind Computerprogramme, die darauf ausgelegt sind, nicht nur aus Daten zu lernen, sondern die Gesetze der Physik selbst zu erlernen, indem sie die Regeln der Natur direkt in ihre Struktur einbetten. Obwohl vielversprechend, benötigen diese Programme oft riesige Mengen an Anpassungseinstellungen, also Millionen von Parametern, um genaue Ergebnisse zu erzielen. Dies schafft einen Engpass: Je komplexer das physikalische Problem wird, desto größer und teurer muss das Computermodell werden.

Forscher der Technischen Universität Istanbul und des Science and Technology Facilities Council im Vereinigten Königreich haben einen Weg erforscht, diese Modelle zu verkleinern, ohne ihre Genauigkeit zu verlieren. Sie entwickelten ein Hybridsystem, das die Standard-Datenverarbeitung mit Prinzipien des Quantencomputings mischt. In diesem neuen Aufbau, bekannt als Quantum-Classical Physics-Informed Neural Network (Quanten-klassifiziertes physik-informiertes neuronales Netz), wird die schwere Arbeit des Lernens komplexer Muster zwischen einem klassischen Computer und einem Quantenschaltkreis aufgeteilt. Das Team testete diese Idee, indem es das System bat, fünf verschiedene Arten schwieriger physikalischer Gleichungen zu lösen. Sie fanden heraus, dass sie durch die Verwendung eines spezifischen Typs von Quantenschaltkreis Ergebnisse erzielen konnten, die genauso gut wie die massiven klassischen Modelle waren, aber mit einem Bruchteil der erforderlichen Einstellungen. In einigen Fällen nutzte das neue System nur zehn bis dreißig Prozent der Parameter, die der traditionelle Ansatz benötigte.

Der Kern dieser Arbeit liegt darin, wie die Forscher zwei sehr unterschiedliche Arten der Datenverarbeitung kombiniert haben. Ein Teil des Systems ist ein Standard-Neuronales Netz, das als Vor- und Nachverarbeitung dient und die Rohdaten sowie die endgültige Ausgabe handhabt. Zwischen diese klassischen Schichten ist eine Quantenschicht eingebettet. Diese Quantenschicht läuft nicht auf einem physischen Quantencomputer, der für diese Art von Arbeit derzeit noch zu verrauscht und instabil wäre. Stattdessen läuft sie auf einem Simulator, einem Programm, das das Verhalten eines Quantencomputers nachahmt. Die Forscher testeten zwei Hauptstile dieser Quantenschichten. Der erste Stil verwendet kontinuierliche Variablen, die mit glatten, fließenden Größen wie der Position und dem Impuls von Lichtwellen umgehen. Der zweite Stil verwendet diskrete Variablen, die auf distinkten Einheiten namens Qubits beruhen, ähnlich den Bits in einem regulären Computer, jedoch mit der zusätzlichen Fähigkeit, in mehreren Zuständen gleichzeitig zu existieren.

Als das Team seine Experimente durchführte, waren die Ergebnisse für den Stil der kontinuierlichen Variablen enttäuschend. Unabhängig davon, wie sie die Einstellungen anpassten, hatten diese Modelle Schwierigkeiten, zur Ruhe zu kommen. Sie wurden instabil, wobei der Trainingsprozess scheiterte, eine stabile Lösung zu finden. Die Forscher vermuten, dass dies daran liegt, dass die Mathematik hinter diesen kontinuierlichen Systemen extrem empfindlich ist; kleine Änderungen der Zahlen können enorme, unvorhersehbare Schwankungen in den Ergebnissen verursachen, was es dem Computer nahezu unmöglich macht, den korrekten Pfad zu lernen. Folglich konzentrierte das Team seinen Erfolg auf die Modelle mit diskreten Variablen. Sie testeten verschiedene Arten, die Qubits zu verbinden, und probierten Muster aus, die wie Ringe, Schichten und komplexe Netze aussahen.

Die erfolgreichsten Designs erwiesen sich als jene, die die Qubits auf spezifische, strukturierte Weise verbanden. Ein Spitzenreiter nutzte eine ringähnliche Verbindung, bei der jedes Qubit mit seinen Nachbarn kommunizierte, während ein anderes ein Netz verwendete, das es jedem Qubit ermöglichte, mit jedem anderen zu interagieren. Diese Konfigurationen erlaubten es dem System, die komplexen Beziehungen innerhalb der physikalischen Gleichungen effizient zu erfassen. Wenn die Forscher ihre quantenoptimierten Modelle mit den besten traditionellen Modellen verglichen, war der Unterschied in der Effizienz eklatant. Für ein Problem, das die Vibration einer Saite betraf, nutzte das Quantenmodell etwa 796 einstellbare Parameter, während das traditionelle Modell 2.751 benötigte. Für ein Problem, das den Fluss einer Flüssigkeit in einem Kasten betraf, nutzte das Quantenmodell 923 Einstellungen im Vergleich zu über 8.000 beim traditionellen Ansatz. In beiden Fällen erreichten die Quantenmodelle dasselbe Genauigkeitsniveau, was bewies, dass ein viel kleineres System dieselbe Aufgabe erfüllen kann.

Die Vorteile beschränkten sich nicht nur auf die Größe. In mehreren Tests machten die Quantenmodelle tatsächlich weniger Fehler als die traditionellen Modelle. Bei einem Problem, das die Ausbreitung einer Substanz durch eine Flüssigkeit betraf, wies das traditionelle Modell eine Fehlerrate von über zwölf Prozent auf, während das Quantenmodell diese auf unter fünf Prozent senkte. Dies deutet darauf hin, dass die Quantenschicht besonders gut darin ist, scharfe, plötzliche Änderungen in den Daten zu erkennen, die oft die schwierigsten Teile eines physikalischen Problems darstellen. Diese Effizienz geht jedoch mit einem Kompromiss bei der Geschwindigkeit einher. Da die Forscher diese Quantenschaltkreise auf einem Simulator statt auf echter Hardware ausführten, war der Prozess langsamer. Die Quantenmodelle benötigten signifikant längere Trainingszeiten, teilweise sechzig Mal mehr Rechenzeit pro Schritt als die klassischen Modelle. Dies ist zu erwarten, da die Simulation von Quantenverhalten auf einem Standardcomputer rechenintensiv ist.

Die Studie zeigte auch, dass die Art und Weise, wie Daten in das Quantensystem eingespeist werden, eine tiefe Bedeutung hat. Die Forscher probierten zwei Methoden aus: eine, welche die Daten auf die Rotationswinkel der Qubits abbildete, und eine andere, welche die Daten auf die Wahrscheinlichkeit abbildete, mit der die Qubits in einem bestimmten Zustand sind. Die winkelbasierte Methode funktionierte weitaus besser. Sie ermöglichte es dem System, glatter und konsistenter zu lernen, während die wahrscheinlichkeitsbasierte Methode Schwierigkeiten hatte, einen klaren Pfad zu finden. Dieser Befund hilft zu erklären, warum einige Ansätze des Quanten-Maschinellen-Lernens besser funktionieren als andere, und weist auf spezifische Designentscheidungen hin, die das Training stabiler machen.

Obwohl die Ergebnisse vielversprechend sind, betonen die Forscher vorsichtig, dass dies noch ein frühes Stadium ist. Die Modelle wurden auf einem Simulator getestet, nicht auf einem echten Quantencomputer. Echte Quantenmaschinen sind derzeit sehr verrauscht und anfällig für Fehler, was den empfindlichen Lernprozess stören könnte. Das Team räumt ein, dass der Übergang von einer perfekten Simulation zu einem echten Gerät neue Herausforderungen mit sich bringen wird, wie etwa den Umgang mit dem Rauschen, das in der Quantenhardware natürlich vorkommt. Dennoch bietet die Arbeit eine klare Roadmap für die Zukunft. Sie zeigt, dass es möglich ist, Hybridsysteme zu bauen, die weitaus effizienter sind als ihre rein klassischen Gegenstücke. Indem man einen kleinen Quantenschaltkreis nutzt, um die komplexesten Teile eines Problems zu handhaben, können Wissenschaftler potenziell schwierige physikalische Gleichungen mit viel weniger Rechenleistung lösen. Dies öffnet die Tür zur Bewältigung von Problemen, die derzeit zu teuer oder zu langsam zu lösen sind, und bietet einen neuen Weg für wissenschaftliche Entdeckungen, der die besten Aspekte der klassischen und der Quantenwelt miteinander verbindet.