Parametrized Quantum Circuit Learning for Quantum Chemical Applications

Chemiker verlassen sich seit langem auf leistungsstarke Computer, um vorherzusagen, wie sich Moleküle verhalten – eine Aufgabe, die oft das Lösen unglaublich komplexer Gleichungen erfordert, um die unsichtbare Welt der Elektronen zu verstehen. Jahrzehntelang waren diese Berechnungen das Terrain klassischer Computer, die Informationen auf eine geradlinige, schrittweise Weise verarbeiten. Doch es ist eine neue Grenze entstanden, an der Wissenschaftler versuchen, die seltsamen Regeln der Quantenmechanik – der Physik, die die kleinsten Teilchen regiert – zu nutzen, um diese chemischen Rätsel zu lösen. Die Hoffnung ist, dass Forscher durch den Einsatz von Quantencomputern, die gleichzeitig in mehreren Zuständen existieren können, eines Tages molekulare Eigenschaften schneller und genauer als je zuvor vorhersagen können. Ein spezieller Ansatz namens Quanten-Maschinelles-Lernen versucht, diese beiden Welten zu verschmelzen, indem Quantencomputer genutzt werden, um Muster in chemischen Daten zu erlernen, so wie ein Mensch aus Erfahrung lernt. Doch während die Theorie spannend ist, bleibt unklar, ob diese Maschinen tatsächlich die klassischen Computer übertreffen können, die wir bereits für alltägliche chemische Probleme verwenden.

Ein Forscherteam unternahm den Versuch, diese Idee zu testen, indem es eine Vielzahl verschiedener digitaler Schaltkreise entwarf, die auf Quantencomputern laufen sollen. Sie konzentrierten sich auf zwei sehr unterschiedliche chemische Herausforderungen, um zu sehen, wie gut diese Schaltkreise lernen konnten. Die erste Herausforderung bestand darin, die Energie vorherzusagen, die benötigt wird, um spezifische chemische Bindungen zu brechen – eine Aufgabe, die für Standardcomputer relativ unkompliziert ist. Die zweite Herausforderung war spezialisierter und beinhaltete die Vorhersage des Elektronenverhaltens in Wassermolekülen, ein Problem, das tief in der Quantenmechanik selbst verwurzelt ist. Zu diesem Zweck konstruierten die Wissenschaftler 168 verschiedene Versionen dieser Quantenschaltkreise, wobei sie 14 Wege zur Dateneingabe mit 12 verschiedenen internen Strukturen zur Informationsverarbeitung kombinierten. Sie testeten diese Schaltkreise an Simulationen von Quantencomputern mit fünf und sechzehn Quantenbits, den Basiseinheiten der Information in einem Quantensystem, bevor sie ihre besten Designs schließlich auf echter, physischer Quantenhardware ausführten.

Die Ergebnisse zeichneten ein Bild, das sowohl Verheißung als auch erhebliche Einschränkungen aufzeigte. Als die Forscher die Schaltkreise mit den Daten zum Bindungsbruch der Energie testeten, hatten die Quantenmodelle massiv zu kämpfen. Selbst die leistungsfähigsten Schaltkreise konnten die Energiewerte mit keiner nützlichen Genauigkeit vorhersagen; sie schnitten oft nicht besser ab, als wenn man einfach den Durchschnittswert für jedes Molekül raten würde. Die Studie legt nahe, dass die Art und Weise, wie die chemischen Daten in ein Format übersetzt wurden, das der Quantencomputer verstehen konnte, zu viele Details weggestrichen hat, sodass der Maschine zu wenig Information zum Lernen blieb. Im Gegensatz dazu schnitten die Quantenschaltkreise bei den Wassermolekül-Daten, die sich direkt mit dem Elektronenverhalten befassen, viel besser ab. Hier konnten die Modelle die Muster gut genug lernen, um präzise Vorhersagen zu treffen, was ein Niveau an Erfolg erreichte, das als nützlich betrachtet werden kann. Dieser Unterschied deutet darauf an, dass Quantenmaschinen besser für Probleme geeignet sein könnten, die von Natur aus quantenmechanischer Art sind, anstatt zu versuchen, Probleme zu lösen, die klassische Computer bereits problemlos bewältigen.

Die Forscher untersuchten auch, ob es den Schaltkreisen beim Lernen helfen würde, komplexer zu werden. Sie versuchten, mehr Schichten in die Schaltkreise einzubauen und die Daten mehrmals durch die Maschine zu leiten – eine Technik, die darauf abzielt, dem Modell zu helfen, komplexere Muster zu erfassen. Für die Daten zum Bindungsbruch machte das Hinzufügen von Komplexität keinen Unterschied; die Modelle blieben festgefahren. Für die Wassermolekül-Daten hingegen verbesserte das Erhöhen der Tiefe des Schaltkreises die Genauigkeit und ermöglichte es dem Modell, effektiver zu lernen. Doch selbst mit diesen Verbesserungen konnten die Quantenmodelle immer noch nicht mit den besten klassischen Computermodellen mithalten, die beide Probleme mit nahezu perfekter Genauigkeit lösten. Die Studie spricht sich explizit gegen die Idee aus, dass das bloße Hinzufügen von Parametern oder Trainingsdaten zu einem Quantenschaltkreis automatisch zu überlegenen Ergebnissen führt, und zeigt auf, dass der Quantenansatz für diese spezifischen chemischen Aufgaben derzeit von traditionellen Methoden überholt wird.

Der letzte Test bestand darin, das erfolgreichste Wassermolekül-Modell auf einem öffentlich verfügbaren echten Quantencomputer auszuführen. Während die Simulation auf einem Computer die Ergebnisse mit hoher Genauigkeit vorhersagte, brach die Leistung in dem Moment zusammen, als das Experiment auf das tatsächliche physische Gerät übertragen wurde. Die verrauschte Umgebung des echten Rechners, die von Interferenzen und Fehlern geprägt ist, führte dazu, dass die Vorhersagen unzuverlässig und ungenau wurden. Dieses Ergebnis verdeutlicht eine große Hürde: Während die mathematische Theorie dieser Schaltkreise in einer perfekten, rauschfreien Simulation gut funktioniert, ist die aktuelle Generation der Quantenhardware schlichtweg zu unvollkommen, um die feinen Berechnungen zu bewältigen, die für praktische chemische Anwendungen erforderlich sind. Die Studie kommt zu dem Schluss, dass Quanten-Maschinelles-Lernen zwar theoretisches Potenzial besitzt, insbesondere für natürlich quantenmechanische Probleme, die Technologie jedoch noch nicht bereit ist, die klassischen Computer für die dafür entwickelten chemischen Aufgaben zu ersetzen. Der Weg nach vorn liegt laut den Autoren nicht nur darin, größere Maschinen zu bauen, sondern neue Wege zu finden, chemische Probleme so zu formulieren, dass sie tatsächlich von den einzigartigen Fähigkeiten des Quantencomputings profitieren.