Quantum Observers: A NISQ Hardware Demonstration of Chaotic State Prediction Using Quantum Echo-state Networks

Dieser Beitrag stellt ein neuartiges Design eines Quanten-Echo-State-Netzwerks (QESN) vor, das auf verrauschter IBM-Quantenhardware erfolgreich lange Zeitreihen aus einem chaotischen Lorenz-System vorhersagt und dabei anhaltende Speicherfähigkeiten demonstriert, die die medianen Kohärenzzeiten des QPU um mehr als das 100-Fache übertreffen.

Das Wesentliche

Das große Ganze: Ein quantenmechanischer Kristallball für Chaos

Stellen Sie sich vor, Sie versuchen, das Wetter vorherzusagen. Es ist ein chaotisches System, bei dem eine winzige Veränderung heute (wie das Flattern eines Schmetterlingsflügels) Wochen später zu einem massiven Sturm führen kann. Dies ist das Lorenz-System, ein berühmtes mathematisches Modell für Chaos, das die Forscher als Testobjekt verwendeten.

Normalerweise erfordert die Vorhersage solcher chaotischer Systeme riesige klassische Computer. Doch dieses Team fragte: Können wir einen Quantencomputer dafür nutzen, auch wenn aktuelle Quantencomputer verrauscht und fragil sind?

Ihre Antwort lautet ja. Sie bauten einen „Quantenbeobachter" – einen virtuellen Sensor, der einen Teil eines chaotischen Systems (wie die Windgeschwindigkeit) beobachten und herausfinden kann, was die anderen unsichtbaren Teile (wie Temperatur und Druck) tun, und das sogar auf der heutigen unvollkommenen Quantenhardware.

Das Problem: Das „zerbrechliche Glas" der Quantencomputer

Stellen Sie sich aktuelle Quantencomputer (sogenannte NISQ-Geräte) als ein Kartenhaus aus Glas vor. Sie sind unglaublich leistungsstark, aber sie sind auch:

1. Verrauscht: Wie wenn Sie versuchen, ein Flüstern in einem Rockkonzert zu hören.
2. Fragil: Die „Karten" (Qubits) zerfallen sehr schnell (Dekohärenz). Wenn Sie versuchen, eine lange Berechnung durchzuführen, stürzt das Haus zusammen, bevor Sie fertig sind.

Frühere Versuche, Quantencomputer für Zeitreihenvorhersagen zu nutzen, mussten oft alle paar Sekunden stoppen, zurücksetzen und von vorne beginnen, weil das „Haus" zusammenbrach. Dieses Papier löst das Problem, indem es eine Struktur baut, die sehr lange laufen kann, ohne zusammenzubrechen.

Die Lösung: Das Quanten-Echo-State-Netzwerk (QESN)

Die Forscher entwickelten ein neues Design namens Quanten-Echo-State-Netzwerk (QESN). So funktioniert es, mithilfe einer Analogie:

1. Der „Echo"-Raum (Das Reservoir)

Stellen Sie sich einen großen, leeren Raum mit seltsam geformten Wänden vor (der Quantenschaltkreis). Sie schreien einen Ton in den Raum hinein (Eingabedaten). Wegen der seltsamen Wände prallt der Schall herum und erzeugt ein komplexes „Echo", das den neuen Schrei mit den Echos vorheriger Schreie vermischt.

• Im Papier: Dies ist das „Reservoir". Es nimmt einen Datenstrom auf und lässt ihn innerhalb des Quantensystems herumprallen. Dies erzeugt ein reichhaltiges, komplexes Muster, das sich an frühere Eingaben erinnert. Dies ist das „Gedächtnis".

2. Der „Sparsity"-Trick (Das Rauschen reduzieren)

Normalerweise muss man, damit ein Quantencomputer funktioniert, jedes Qubit mit jedem anderen Qubit verbinden. Aber das erzeugt zu viel Rauschen und zu viele Fehler.

• Die Analogie: Stellen Sie sich eine überfüllte Tanzfläche vor, auf der sich alle an den Händen halten. Wenn eine Person stolpert, fallen alle.
• Die Lösung: Die Forscher beschlossen, die meisten Hände loszulassen. Sie ließen nur wenige Personen Hand in Hand halten (dies nennt man Sparsity oder „Sparsamkeit").
• Das Ergebnis: Durch das Entfernen von etwa 50 % der Verbindungen reduzierten sie die Fehlerwahrscheinlichkeit und ließen den Schaltkreis schneller laufen, ohne die Fähigkeit zu verlieren, sich an die Vergangenheit zu erinnern.

3. Das „Re-Upload" (Den Takt halten)

Um das Gedächtnis am Leben zu erhalten, schreit das System nicht nur einmal. Es schreit weiterhin neue Daten in den Echo-Raum hinein, während die alten Echos noch herumprallen.

• Die Analogie: Es ist wie ein DJ, der einen neuen Track in ein Lied mixt, das noch spielt. Der neue Track verschmilzt mit dem alten und erzeugt einen kontinuierlichen, sich entwickelnden Klang.
• Der Begriff im Papier: Dies nennt man Data Re-uploading (Neu-Hochladen von Daten). Es ermöglicht dem Quantencomputer, einen langen Datenstrom ohne Unterbrechung zu verarbeiten.

4. Das „Reset" (Der Zaubertrick)

Hier kommt der cleverste Teil. In einem normalen Quantencomputer verschwindet die „Magie", wenn man die Qubits betrachtet (misst), und die Berechnung stoppt.

• Die Analogie: Stellen Sie sich einen Zauberer vor, der einen Trick aufführt. Wenn Sie in die Karten schauen, misslingt der Trick.
• Die Lösung: Die Forscher bauten ein System, bei dem sie nur die Hälfte der Qubits (die „Auslese"-Qubits) betrachten, um die Antwort zu erhalten, und diese spezifischen Qubits sofort auf Null zurücksetzen, während die andere Hälfte (die „Gedächtnis"-Qubits) das Echo weiterlaufen lässt.
• Das Ergebnis: Sie können die Show sehr lange laufen lassen, ohne dass das gesamte System zusammenbricht.

Der rekordverdächtige Lauf

Das Team testete dies auf einem echten Quantencomputer von IBM (dem ibm_marrakesh).

• Die Herausforderung: Die Quantenbits halten normalerweise nur etwa 200 Mikrosekunden, bevor sie ihre „Quantennatur" verlieren (dies nennt man T1/T2-Kohärenzzeit).
• Die Leistung: Ihr Schaltkreis lief für 48.000 Mikrosekunden.
• Die Metapher: Es ist wie ein Läufer, der normalerweise nur 2 Sekunden sprinten kann, bevor er zusammenbricht. Dieses Team trainierte ihren Läufer so, dass er 100 Sekunden ohne Unterbrechung sprintete. Sie ließen den Schaltkreis 100-mal länger laufen, als die Hardware hätte halten sollen.

Die Ergebnisse: Das Unvorhersehbare vorhersagen

Sie fütterten das System mit Daten aus dem chaotischen Lorenz-System (nur die „X"-Koordinate). Das Ziel war es, die „Y"- und „Z"-Koordinaten vorherzusagen, die das System nicht sehen konnte.

• Das Ergebnis: Der Quantenbeobachter sagte erfolgreich die versteckten Teile des chaotischen Systems voraus.
• Der Vergleich: Sie verglichen es mit einem Standardmodell auf einem klassischen Computer. Die Quantenversion schnitt in Simulationen leicht besser ab und war auf der verrauschten echten Hardware sehr wettbewerbsfähig. Dies beweist, dass Quantencomputer komplexe Aufgaben mit langfristiger Erinnerung bewältigen können, selbst wenn sie unvollkommen sind.

Zusammenfassung

Dieses Papier zeigt, dass wir keine perfekten, futuristischen Quantencomputer benötigen, um heute nützliche Arbeit zu leisten. Durch ein intelligentes Design, das:

1. Echos nutzt, um sich an die Vergangenheit zu erinnern,
2. unnötige Verbindungen abschneidet (Sparsity), um Fehler zu reduzieren, und
3. Teile des Systems misst und zurücksetzt, während es läuft,

...können wir einen „Quantenbeobachter" bauen, der chaotische Systeme beobachten und ihr zukünftiges Verhalten viel länger vorhersagen kann, als jemand auf aktueller Hardware für möglich hielt. Es ist ein Beweis dafür, dass Quantenmaschinen bereits jetzt nützliche Werkzeuge für komplexe Vorhersagen sein können und nicht erst in ferner Zukunft.

Technische Zusammenfassung

Technische Zusammenfassung: Quantum Observers: Eine NISQ-Hardware-Demonstration der Vorhersage chaotischer Zustände mittels Quanten-Echo-State-Netzwerken

Problemstellung
Während künstliche Intelligenz auf klassischer Hardware bemerkenswerte Fähigkeiten unter Beweis gestellt hat, bleiben Skalierbarkeit und Effizienz durch rechnerische Grenzen eingeschränkt. Quantencomputer bieten das Potenzial, diese Grenzen zu überwinden; die Integration von Quantencomputing mit neuronalen Netzen (NNs) auf aktueller Noisy Intermediate-Scale Quantum (NISQ)-Hardware wird jedoch durch Dekohärenz, Rauschen, hohe Fehlerraten und kurze Kohärenzzeiten (T1 und T2) behindert. Bestehende Ansätze für Quantum Reservoir Computing (QRC) verlassen sich häufig auf spezialisierte analoge Geräte, erfordern eine Neuinitialisierung oder Unterbrechung von Schaltkreisen (was zu „Buffer Overflow"-Fehlern führt) oder verfügen über kein persistentes Gedächtnis. Darüber hinaus stellt die Übertragung klassischer Reservoir-Konzepte – wie verblassendes Gedächtnis, asymptotische Stabilität (die „Echo-State"-Eigenschaft) und Nichtlinearität – in universelle gatterbasierte Quantenschaltkreise aufgrund der unitären Evolution geschlossener Systeme und des Kollapses der Zustandsmessung eine erhebliche Herausforderung dar.

Methodik
Die Autoren schlagen ein skalierbares Quantum Echo-State Network (QESN) vor, das als „Quantenbeobachter" konzipiert ist und in der Lage ist, latente Zustandsvariablen eines dynamischen Systems aus Teilmessungen zu rekonstruieren. Die Architektur ist speziell für universelle gatterbasierte NISQ-Hardware (insbesondere supraleitende Qubits von IBM) entwickelt und vermeidet die Notwendigkeit von Schaltkreis-Resets oder -Unterbrechungen während der Ausführung langer Zeitreihen.

Zu den wichtigsten methodischen Komponenten gehören:

• Schaltkreisarchitektur: Das QESN nutzt ein „Mess-und-Reset"-Paradigma, bei dem Auslese-Qubits zu jedem Zeitschritt gemessen und deterministisch auf $|0\rangle$ zurückgesetzt werden, während Speicher-Qubits ihren Zustand beibehalten. Dies ermöglicht eine kontinuierliche Evolution über lange Zeiträume.
• Input-Kodierung: Klassische Daten werden mittels „Winkel-Embeddings" (Rotationen $R_z(\gamma)R_x(\beta)R_z(\alpha)$) auf die Bloch-Kugel eingebettet. Ein „Context Window"-Ansatz bildet beliebige Eingabegrößen über eine vollständig verbundene klassische Schicht ($W_{in}$) auf diese Rotationswinkel ab und entkoppelt dabei die Reservoir-Größe von der Eingabedimension.
• Sparsamkeit und Verschränkung: Um Gate-Fehler zu mindern und die Schaltkreistiefe zu reduzieren (minimierung von SWAP-Operationen), führen die Autoren Sparsamkeit ein, indem sie eine zufällige Teilmenge von Zwei-Qubit-Verschränkungsgattern löschen. Der Schaltkreis verwendet einen einstellbaren „Data Re-uploading"-Block, bei dem eingangsabhängige Rotationen ($n_c$-mal) zwischen den Verschränkungsgattern wiederholt werden, um die Nichtlinearität zu erhöhen.
• Response-Analyse: Die Autoren erweitern die klassische zeitdomänenbasierte Response-Analyse der Regelungstechnik auf den Quantenbereich. Durch die Analyse der Systemantwort auf Sprung-, Rampen- und sinusförmige Eingaben charakterisieren sie die Speicherkapazität, Nichtlinearität und Stabilität des QESN. Diese Analyse leitet die Auswahl von Sparsamkeitsgraden und die Anzahl der Re-uploading-Blöcke.
• Training und Optimierung: Der Quantenschaltkreis erzeugt einen hochdimensionalen Merkmalsraum (Wahrscheinlichkeitsverteilungen über dem Hilbert-Raum). Diese Merkmale werden in ein klassisches Least-Squares-Regressionsmodell mit Elastic-Net-Regularisierung eingespeist, um Zielwerte vorherzusagen.

Hauptbeiträge

1. Neues QESN-Design: Ein universeller gatterbasierter QESN-Schaltkreis, der kontinuierlich auf NISQ-Hardware ohne Zwischenunterbrechungen oder vollständige Systemresets operiert und ein Mess-und-Reset-Schema für Auslese-Qubits nutzt.
2. Response-Analyse-Rahmenwerk: Eine Erweiterung der klassischen Regelungstheorie auf Quantenschaltkreise zur systematischen Abstimmung von Sparsamkeit und Nichtlinearität (via Re-uploading-Blöcke), die zeigt, dass eine erhebliche Sparsamkeit (bis zu ~50 % Gate-Entfernung) erreicht werden kann, ohne die Echo-State-Eigenschaft zu beeinträchtigen.
3. Hardware-Validierung: Eine umfassende Demonstration des QESN als Quantenbeobachter auf dem $ibm\_marrakesh$-QPU, der erfolgreich die chaotische Dynamik eines Lorenz-Systems vorhersagte.

Ergebnisse

• Simulation: Simulationen auf dem Aer-Simulator (unter Verwendung eines $ibm\_fez$-Rauschmodells) zeigten, dass die Verwendung der vollständigen Wahrscheinlichkeitsverteilung als Merkmale einen niedrigeren Root Mean Squared Error (RMSE) ergab als die alleinige Verwendung von Erwartungswerten. Das QESN zeigte in rauschfreien Simulationen bei gleicher Anzahl von Reservoir-Knoten eine überlegene Leistung gegenüber klassischen ESNs, wobei die Autoren jedoch feststellen, dass dies ein bescheidener Gewinn ist.
• Hardware-Ausführung: Das QESN wurde auf dem $ibm\_marrakesh$-QPU mit 12 Qubits ausgeführt, um die $y(t+1)$- und $z(t+1)$-Koordinaten eines Lorenz-Systems allein basierend auf dem $x(t)$-Input vorherzusagen.
  • Der Schaltkreis lief kohärent für eine Dauer von etwa 48.000 $\mu$s, was über 100-mal länger ist als die medianen Kohärenzzeiten T1 (213,92 $\mu$s) und T2 (119,57 $\mu$s) der Qubits.
  • Das Experiment verarbeitete erfolgreich eine Zeitreihe von 2.000 Schritten und übertraf damit deutlich frühere Demonstrationen (z. B. 100 Schritte in [15], 20 Schritte in [14]).
  • Die Hardware-Ergebnisse erreichten einen Test-RMSE von 0,0922 und stimmten eng mit den Erwartungen einer rauschbehafteten Simulation überein.
  • Das System gelang es erfolgreich, „Buffer Overflow"-Fehler durch Einführung einer 24 $\mu$s-Verzögerung nach der Messung zu mindern, was längere sequenzielle Ausführungen ermöglichte.

Bedeutung und Behauptungen
Die Arbeit behauptet, den längsten je auf gatterbasierter NISQ-Hardware durchgeführten Zeitreihenvorhersagealgorithmus bis dato demonstriert zu haben. Die Autoren betonen, dass ihre Ergebnisse beweisen, dass aktuelle NISQ-Computer in der Lage sind, kohärentes Gedächtnis zu bewahren und Vorhersageaufgaben über Zeiträume hinweg durchzuführen, die die Kohärenzzeiten einzelner Qubits weit übertreffen.

Die Arbeit positioniert das QESN als einen gangbaren „Quantenbeobachter" für dynamische Systeme und hebt hervor, dass:

• Sparsamkeit ein kritischer Designparameter für die NISQ-Optimierung ist, der die Fehlerraten reduziert und gleichzeitig Gedächtnis und Nichtlinearität erhält.
• Das Mess-und-Reset-Paradigma in Kombination mit Data Re-uploading persistentes Gedächtnis und einen stabilen Betrieb ohne Neuinitialisierung des Schaltkreises ermöglicht.
• Obwohl der aktuelle Leistungsgewinn gegenüber klassischen Methoden bescheiden ist, das exponentielle Wachstum des durch Quantencomputer bereitgestellten Merkmalsraums potenziell erhebliche zukünftige Vorteile bei Verbesserung der Hardware verspricht.

Die Autoren stellen ausdrücklich klar, dass sie in diesem Stadium keinen definitiven „Quantenvorteil" beanspruchen, sondern vielmehr die praktische Machbarkeit von Quanten-Machine-Learning-Ansätzen auf aktueller Hardware für komplexe, chaotische dynamische Systeme demonstrieren.