Physics-inspired Generative AI models via real hardware-based noisy quantum diffusion

In der sich rasant entwickelnden Welt der künstlichen Intelligenz ist eine spezielle Art von Computerprogramm entstanden, die sich hervorragend darin eignet, neue, originelle Inhalte zu erstellen. Diese Systeme, bekannt als generative Modelle, lernen die verborgenen Muster innerhalb einer Sammlung bestehender Daten – wie etwa tausender Fotografien – und nutzen dieses Wissen dann, um frische Bilder zu erfinden, die genauso echt aussehen. Eine der leistungsstärksten Methoden dafür ist ein sogenanntes Diffusionsmodell. Stellen Sie sich einen Prozess vor, bei dem ein klares Bild langsam, Schritt für Schritt, in statisches Rauschen verwandelt wird, ähnlich wie das Schneegestöber eines Fernsehers. Ein Diffusionsmodell lernt, diesen Prozess umzukehören. Es wird darauf trainiert, ein Bildschirm voller zufälligen Rauschens zu nehmen und das Chaos Schritt für Schritt abzutragen, bis ein kohärentes Bild entsteht. Diese Technik ist zu einem Eckpfeiler der modernen kreativen Technologie geworden, die in der Lage ist, beeindruckende visuelle Werke und Klänge zu erzeugen.

Gleichzeitig erforschen Wissenschaftler eine andere Art von Rechenleistung, die auf den seltsamen Regeln der Quantenmechanik basiert. Im Gegensatz zu den Computern, die wir jeden Tag benutzen und die Informationen als einfache An oder Aus-Schalter verarbeiten, nutzen Quantencomputer Teilchen, die gleichzeitig in mehreren Zuständen existieren können. Dies ermöglicht es ihnen, bestimmte kompleße Probleme auf eine Weise zu lösen, die für klassische Maschinen nicht machbar ist. Aktuelle Quantencomputer befinden sich jedoch noch in einem frühen Stadium. Sie sind klein, fragil und anfällig für Fehler, die durch ein Phänomen namens Quantenrauschen verursacht werden. Dieses Rauschen stört normalerweise Berechnungen und zwingt Forscher dazu, enorme Ressourcen aufzuwenden, um es zu beheben oder zu verbergen. Die Frage, die eine neue Forschungsrichtung antreibt, ist, ob diese verrauschten Maschinen trotz ihrer Mängel etwas Nützliches leisten können oder ob sie warten müssen, bis sie perfekt sind, um von Wert zu sein.

Ein Team von Forschern der Universität Florenz und anderer Institutionen hat einen mutigen Schritt getan, um diese Frage zu beantworten. Anstatt zu versuchen, das Rauschen in ihrem Quantencomputer zu eliminieren, entschieden sie sich dafür, es als Werkzeug zu nutzen. Sie entwickelten eine neue Art, eine bildgenerierende KI zu bauen, die direkt auf einem echten, unvollkommenen Quantenprozessor läuft. Ihre Arbeit legt nahe, dass eben jenes Rauschen, das normalerweise Quantenberechnungen unterbricht, einem generativen Modell tatsächlich helfen kann, bessere Bilder zu erzeugen als ein rein klassischer Ansatz. Indem sie das Quantenrauschen nicht als Fehler, sondern als Merkmal behandelten, zeigten sie einen Weg für eine künstliche Intelligenz auf, die mit der Hardware arbeitet, die wir heute haben, anstatt auf die Hardware von morgen zu warten.

Die Forscher begannen damit, zu untersuchen, wie sich Informationen durch ein Netzwerk bewegen. In ihrem Modell behandelten sie jedes Pixel eines Bildes als einen Reisenden, der sich über eine Landkarte bewegt. In einem Standardcomputer bewegt sich dieser Reisende zufällig, wie eine Person, die eine Münze wirft, um zu entscheiden, welche Straße sie als Nächstes nimmt. Dies ist ein langsamer, diffuser Prozess. In einem Quantensystem hingegen kann der Reisende an vielen Orten gleichzeitig existieren und sich in einem wellenartigen Muster durch die Landkarte bewegen, das sich viel schneller ausbreitet. Das Team schuf ein Hybridsystem, bei dem die Bewegung des Reisenden eine Mischung aus den langsamen, zufälligen Schritten eines klassischen Computers und der schnellen, wellenartigen Ausbreitung eines Quantencomputers ist. Sie fanden heraus, dass das System die Möglichkeiten des Bildes effizienter erschloss, wenn sie diese beiden Verhaltensweisen genau richtig ausbalancierten.

Um dies zu testen, konzentrierten sie sich auf die Erzeugung von Bildern handgeschriebener Ziffern, ein Standardtest für künstliche Intelligenz. Sie ersetzten den Schritt der zufälligen Rauschinjektion des Standard-KI-Prozesses durch ihre neue, quanteninspirierte Methode. Im ersten Teil ihrer Studie simulierten sie diesen Prozess auf leistungsstarken klassischen Computern, um zu sehen, wie sich unterschiedliche Mischungen aus Quanten- und Klassikverhalten verhalten würden. Sie entdeckten, dass eine spezifische Mischung, bei der die Quanteneffekte präsent, aber nicht überwältigend waren, die besten Ergebnisse lieferte. Die erzeugten Bilder dieser hybriden Methode waren statistisch gesehen näher an den echten Trainingsdaten als die Bilder, die durch eine rein klassische Methode produziert wurden. Das System war auch konsistenter und lieferte über viele verschiedene Versuche hinweg zuverlässiger qualitativ hochwertige Ergebnisse.

Ermutigt durch diese Simulationen, ging das Team zur nächsten Phase über: die Durchführung des Experiments auf tatsächlicher Hardware. Sie verwendeten einen echten Quantenprozessor von IBM, eine Maschine, die derzeit nur wenige hundert Qubits enthält, die Basiseinheiten der Quanteninformation. Diese spezifische Maschine ist bekannt dafür, verrauscht zu sein, was bedeutet, dass ihre Berechnungen oft durch die Umgebung gestört werden. Die Forscher entwarfen einen Schaltkreis, der nur vier Qubits verwendete, um Bilder zu erzeugen. Sie ordneten die verschiedenen Graustufen eines Pixels den Positionen auf einer kleinen Schleife oder einem Zyklus aus acht Punkten zu. Der Quantencomputer führte dann einen Prozess aus, bei dem sich der „Walker“ um diese Schleife bewegte, wobei das natürliche Rauschen der Maschine half, die Daten auf kontrollierte Weise zu zerstreuen.

Die Ergebnisse waren bemerkenswert. Selbst mit den Einschränkungen der aktuellen Hardware konnte der Quantencomputer erfolgreich Bilder handgeschriebener Ziffern erzeugen. Obwohl die Bilder nicht perfekt waren, bewies das Experiment, dass ein Quantengerät dazu verwendet werden kann, den Vorwärtsteil eines generativen Modells anzutreiben. Die Forscher fanden heraus, dass das inhärente Rauschen der Maschine half, die Daten so zu korrumpieren, dass die KI sie später umkehren konnte. Dies ist eine bedeutende Abkehr vom üblichen Ansatz in der Quantenberechnung, bei dem Wissenschaftler Jahre damit verbringen, das Rauschen zu unterdrücken, um ein sauberes Signal zu erhalten. Hier war das Rauschen der Motor des Prozesses.

Die Studie hob auch die praktischen Vorteile dieses Ansatzes hervor. Da der Quantenteil des Modells nur die Intensitätsstufen eines einzelnen Pixels verarbeiten musste, wuchs die Anzahl der benötigten Qubits nicht mit der Größe des Bildes. Sie konnten vollständige 28-mal-28-Pixel-Bilder mit nur vier Qubits erzeugen. Diese Skalierbarkeit deutet darauf hin, dass selbst kleine, verrauschte Quantencomputer schließlich dazu beitragen könnten, viel größere und komplexere Bilder zu erzeugen. Das Team merkte an, dass die von der echten Hardware erzeugten Bilder etwas weniger scharf waren als die aus ihren Simulationen, was angesichts der physischen Beschränkungen der Maschine verständlich war.

Letztendlich bietet diese Arbeit eine neue Perspektive auf die Zukunft der Quanten-KI. Sie stellt die Vorstellung infrage, dass Quantencomputer perfekt sein müssen, bevor sie nützlich sein können. Indem sie zeigten, dass das Rauschen eines echten Quantengeräts genutzt werden kann, um die Qualität der erzeugten Daten zu verbessern, haben die Forscher eine Tür zu einer neuen Art des hybriden Computings geöffnet. Ihre Ergebnisse legen nahe, dass wir in naher Zukunft nicht auf fehlerfreie Quantenmaschinen warten müssen, um die Vorteile von Quanten-KI zu erleben. Stattdessen können wir bereits heute beginnen, Systeme zu bauen, die die unvollkommene, verrauschte Natur der Technologie nutzen, um etwas Neues und Nützliches zu schaffen. Der Weg nach vorn besteht darin, diese Methoden zu verfeinern, vielleicht indem man die spezifischen Arten von Rauschen in verschiedenen Maschinen besser versteht, aber die Kernidee – dass Rauschen eine Ressource und kein Hindernis sein kann – wurde demonstriert.