Data Verification is the Future of Quantum Computing Copilots
Dieses Paper argumentiert, dass für Quantencomputing-Copilots die Datenverifizierung von einem Post-Generation-Filter zu einem grundlegenden architektonischen Primitiv erhoben werden muss, welches die Generierung einschränkt und physikalische Korrektheitskriterien einbettet, um die inhärenten Limitationen statistischer LLM-Argumentation zu überwinden und die erforderliche Präzision zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die Kernidee: Warum „Raten“ für Quantencomputer nicht funktioniert
Stellen Sie sich vor, Sie versuchen, ein Haus zu bauen. Wenn Sie einen Standard-KI-Assistenten nutzen, ist dieser vielleicht großartig darin, Möbelanordnungen oder Wandfarben vorzuschlagen. Er rät basierend auf Mustern, die er zuvor gesehen hat. Aber wenn Sie ihn bitten, das Fundament und die tragenden Wände zu entwerfen, ist Raten gefährlich. Wenn die Mathematik falsch ist, stürzt das Haus ein.
Dieses Paper argumentiert, dass Quantencomputing genau wie dieses Fundament ist. Es ist ein Bereich, in dem „statistisches Raten“ (wie es Large Language Models normalerweise tun) versagt, weil die Regeln streng, mathematisch und unnachgiebig sind. Man kann keinen Quantenschaltkreis haben, der zu „99 % korrekt“ ist. Er funktioniert entweder perfekt oder gar nicht.
Die Autoren, ein Team von Forschern vom Imperial College London, der Purdue University und anderen, schlagen vor, dass die Zukunft der KI-Assistenten für das Quantencomputing nicht darin besteht, die KI besser im Raten zu machen. Es geht darum, die KI dazu zu zwingen, ihre eigene Arbeit zu verifizieren, noch bevor sie den Satz überhaupt beendet.
Die drei Hauptprobleme aktueller KI
Das Paper identifiziert drei Gründe, warum aktuelle KIs bei Quantenaufgaben Schwierigkeiten haben:
- Die „Halluzinationsfalle“: KI-Modelle sind darauf trainiert, das nächste Wort in einem Satz vorherzusagen. Sie sind exzellent darin, Muster nachzuahmen, aber schlecht in strikter Logik. Im Quantencomputing führt ein einzener falscher Schritt dazu, dass das gesamte Programm bricht. Das Paper sagt, dass diese Fehler mathematisch unvermeidlich sind, wenn man lediglich die Modellgröße skaliert, ohne die Art und Weise des Lernens zu ändern.
- Das Nadel im Heuhaufen-Problem: Stellen Sie sich eine Bibliothek mit 148 Billionen Büchern vor. Nur 200.000 davon sind die „richtigen“ Bücher, die Sie suchen. Wenn Sie eine KI bitten, einfach nur „ein Buch zu schreiben“, wird sie mit an Sicherheit grenzender Wahrscheinlichkeit eines der 147,9 Milliarden falschen Bücher wählen. Es ist unmöglich, die schlechten Antworten erst zu filtern, nachdem die KI sie geschrieben hat, da es zu viele schlechte Antworten gibt, um sie alle zu prüfen.
- Das Problem der „Leckenden Abstraktion“ (Leaky Abstraction): Quantendesign findet in Schichten statt. Sie entwerfen vielleicht einen Block eines Schaltkreises, der für sich allein betrachtet gut aussieht, aber wenn Sie ihn mit dem nächsten Block verbinden, bricht er die Regeln. Aktuelle KIs haben Schwierigkeiten zu erkennen, wie eine kleine lokale Änderung das massive globale Gesamtbild beeinflusst.
Die Lösung: Drei neue Regeln für die KI
Die Autoren schlagen drei spezifische Regeln vor, um dies zu beheben, die sie „Positionen“ nennen.
1. Verifizierung ist die Mindestanforderung (Die Analogie des „Sicheren Lehrers“)
Die Behauptung: Man kann eine Quanten-KI nicht mit unbestätigten, fehlerhaften Daten trainieren.
Die Analogie: Stellen Sie sich vor, Sie bringen einem Kind das Autofahren bei. Wenn Sie es auf einer Rennstrecke mit gefälschten Stoppschildern und kaputten Ampeln üben lassen, wird es schlechte Gewohnheiten lernen. Egal wie viele Stunden es fährt, es wird abstürzen, sobald es auf die echte Welt trifft.
Die Lösung des Papers: Die KI darf nur mit Daten trainiert werden, die formal bewiesen wurden, dass sie korrekt sind (unter Verwendung mathematischer Werkzeuge wie Lean oder Z3). Die KI muss die „Verkehrsregeln“ verinnerlichen, nicht nur auswendig lernen, wo andere Autos hingefahren sind. Das Paper zeigt, dass Modelle, die auf verifizierten Daten trainiert wurden, eine Genauigkeit von bis zu 79 % erreichten, während andere nahe am zufälligen Raten (25 %) verharrten.
2. Prüfen, bevor man baut (Die „Architekten“-Analogie)
Die Behauptung: Lassen Sie die KI nicht eine Million schlechte Designs erstellen, um dann die guten herauszufiltern. Verhindern Sie stattdessen, dass die KI überhaupt schlechte Designs generiert.
Die Analogie: Stellen Sie sich einen Architekten vor, der 1.000.000 Baupläne zeichnet, von denen 999.999 die Treppe direkt in eine Wand führen lassen. Zu versuchen, den einen guten Bauplan zu finden, ist Zeitverschwendung. Stattdessen sollte der Architekt eine Regel haben: „Wenn die Treppe nicht mit dem Boden verbunden ist, zeichne sie gar nicht erst.“
Die Lösung des Papers: Die Verifizierung muss während des Generierungsprozesses stattfinden (a priori) und nicht danach (a posteriori). Da der Raum der „falschen“ Antworten exponentiell größer ist als der Raum der „richtigen“ Antworten, ist das Filtern im Nachhinein rechnerisch unmöglich. Die KI muss gezwungen werden, nur auf den gültigen Pfaden zu wandeln.
3. Verifizierung ist ein Baustein, kein Nachtrag
Die Behauptung: Für jedes Feld, das strengen Gesetzen unterliegt (wie Physik oder Mathematik), muss die Verifizierung in das „Gehirn“ der KI eingebaut werden und darf nicht erst nachträglich als Plugin hinzugefügt werden.
Die Analogie: Denken Sie an ein Auto. Man fügt die Bremsen nicht erst hinzu, nachdem das Auto gebaut wurde, und hofft dann, dass es anhält. Das Bremssystem ist ein fundamentaler Bestandteil des Autodesigns.
Die Lösung des Papers: Die Autoren argumentieren, dass dies auch über das Quantencomputing hinaus für andere harte Wissenschaften wie die Wirkstoffforschung und die Materialwissenschaft gilt. In diesen Feldern kann man eine Lösung nicht einfach nur „annähern“; die Gesetze der Physik müssen exakt befolgt werden. Die KI muss diese Gesetze als ihr Fundament eingebaut haben.
Was die Experimente zeigten
Die Forscher testeten diese Theorie, indem sie einen massiven Datensatz aus über 200.000 verifizierten Quantenschaltkreis-Designs (speziell für einen „Quanten-Addierer“) erstellten. Dann testeten sie verschiedene KI-Modelle:
- Die „unverifizierten“ Modelle: Diese Modelle, die mit Standarddaten trainiert wurden, schnitten schlecht ab. Sie lieferten oft selbstbewusst falsche Antworten oder weigerten sich zu antworten, weil sie verwirrt waren.
- Die „verifizierten“ Modelle: Modelle, die mit dem verifizierten Datensatz trainiert wurden, waren wesentlich besser. Sie lieferten nicht nur mehr richtige Antworten, sondern sie wussten auch, wann sie richtig lagen. Ihre Konfidenzwerte stimmten mit ihrer tatsächlichen Genauigkeit überein.
- Das Ergebnis: Das Paper kommt zu dem Schluss, dass eine KI ohne verifizierte Daten nur ein „selbstbewusster Ratender“ ist. Mit verifizierten Daten wird sie zu einem „zuverlässigen Ingenieur“.
Die Zukunft: Was kommt als Nächstes?
Das Paper schlägt zwei Hauptschritte für die Zukunft vor:
- Die Architektur ändern: KI-Modelle müssen neu konzipiert werden, sodass sie ihre Mathematik selbst prüfen, während sie den Code schreiben, anstatt erst zu prüfen, nachdem sie fertig sind.
- Daten teilen: Die Fachwelt muss „beschränkungsreiche“ Benchmarks (wie den von ihnen erstellten verifizierten Addierer-Datensatz) entwickeln und teilen, damit alle ihre KI gegen dieselben strengen Standards testen können.
Zusammenfassung
Kurz gesagt: Dieses Paper sagt: Versuchen Sie nicht, die KI besser im Raten zu machen. Für das Quantencomputing und andere harte Wissenschaften müssen wir aufhören, die KI wie eine kreative Autorin zu behandeln, und anfangen, sie wie einen präzisen Ingenieur zu behandeln. Um dies zu erreichen, müssen wir sie ausschließlich mit verifizierten Fakten füttern und die Verifizierung in ihre DNA einbauen, um sicherzustellen, dass sie niemals ein einziges ungültiges Design generiert.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.