Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, eine Katze auf einem Foto zu erkennen. In der Welt der klassischen Computer machen wir das normalerweise, indem wir dem Roboter Millionen von Bildern zeigen und ein mathematisches „Backpropagation“-Tricks anwenden. Denken Sie bei Backpropagation wie an einen Lehrer, der rückwärts durch ein Labyrinth geht, jeden falschen Abzweig aufzeigt, den der Roboter genommen hat, und ihm genau sagt, wie er seine Schritte anpassen muss, um näher zum Ausgang zu kommen. Das funktioniert großartig für glatte, kontinuierliche Straßen. Aber was ist, wenn der Roboter in einer Welt lebt, die aus Schaltern besteht, die nur „an“ oder „aus“ sein können, wie eine riesige, komplexe Lichtschaltanlage? In dieser Welt gibt es keine glatten Straßen, auf denen man rückwärts gehen kann; es gibt nur scharfe, gezackte Klippen. Man kann einen Schalter nicht sanft bewegen; man muss ihn umlegen. Dies macht die traditionelle „Lehrer“-Methode nutzlos.

Dies ist das Rätsel, vor dem das neue Feld des Quantenmaschinellen Lernens steht. Quantencomputer sind erstaunlich, aber sie arbeiten oft mit diesen „an/aus“-Schaltern (bekannt als binäre Zustände) und beinhalten Messungen, die die glatte Mathematik, die wir gewohnt sind, unterbrechen. Wissenschaftler steckten fest beim Versuch, diese Quanten-Gehirne zu trainieren, weil die üblichen Werkzeuge nicht passen. Sie brauchten einen neuen Weg, um den Roboter zu lehren, der nicht auf glatten Gradienten basiert, sondern auf den natürlichen Gesetzen der Physik – speziell der Idee, dass Systeme immer nach ihrem niedrigsten Energiezustand streben, wie ein Ball, der zum tiefsten Punkt eines Hügels rollt. Diese Arbeit tritt in diese Lücke und fragt: Können wir ein Quanten-neuronales Netz trainieren, indem wir es wie ein physikalisches System behandeln, das seinen bequemsten Ruhepunkt sucht, statt wie einen Schüler, der versucht, ein Kalkül-Problem zu lösen?

Der neue Weg, Quantengehirne zu lehren

Die Forscher hinter dieser Studie, die mit einem Team der Sun Yat-sen University und QBoson Quantum Technology zusammenarbeiteten, haben ein neues Trainings-Framework namens EPIC-CIM entwickelt. Betrachten Sie es als eine clevere Umgehung für das „gezackte Klippen“-Problem. Anstatt zu versuchen, einen Gradienten zu berechnen, der gar nicht existiert, lassen sie das System natürlich in einen Zustand des Gleichgewichts, oder „Gleichgewicht“, finden und nutzen den Unterschied zwischen zwei leicht unterschiedlichen Gleichgewichten, um zu lernen.

So funktioniert ihre Methode, EPIC-CIM, unter Verwendung einer spielerischen Analogie:

Stellen Sie sich ein riesiges, chaotisches Zimmer vor, das mit tausenden von Lichtschaltern gefüllt ist (dies sind die „binären Zustände“ der Quantenmaschine). Ihr Ziel ist es, diese Schalter so anzuordnen, dass sie das Wort „CAT“ (Katze) buchstabieren, wenn man sie betrachtet.

1. Das Setup: Sie leuchten mit einer Taschenlampe (das Eingabebild) in das Zimmer. Das Licht trifft auf die Schalter und drängt sie dazu, sich ein- oder auszuschalten.
2. Die „Free“-Phase: Zuerst lassen Sie das Zimmer von selbst zur Ruhe kommen. Die Schalter wackeln und kippen, bis sie ein komfortables Muster basend auf dem Licht finden. Dies ist die „Free“-Phase. Das System entspannt sich einfach und findet sein natürliches Energieniveau.
3. Die „Nudge“-Phase: Nun wollen Sie, dass das Zimmer „CAT“ buchstabiert. Also geben Sie den Schaltern, die für „CAT“ an sein sollten, einen sanften Stoß, damit sie an bleiben, und denen, die es nicht sollten, damit sie aus bleiben. Sie zwingen sie nicht; Sie geben ihnen nur einen winzigen, sanften Stoß (einen „schwach geklemmten“ Zustand) und lassen sie wieder zur Ruhe kommen.
4. Das Lernen: Die Magie geschieht durch den Vergleich der beiden Zimmer. Die Forscher schauen sich den Unterschied zwischen dem „Free“-Zimmer und dem „Nudge“-Zimmer an. Wenn ein Schalter sich aufgrund Ihres Stubs anders verhalten hat, sagt das dem System: „Hey, du musst deine Einstellungen anpassen, damit dieser Schalter an bleibt, wenn ich darum bitte!“ Sie aktualisieren die Regeln (die „Gewichte“ des Netzwerks) basierend auf diesem Unterschied, ohne jemals einen komplexen Gradienten berechnen zu müssen.

Dieser Prozess wird Equilibrium Propagation genannt. Es ist, als würde man einem Hund nicht die Physik eines Balls erklären, sondern ihn belohnen, wenn er sitzt, und ihn sanft korrigieren, wenn er es nicht tut, sodass der Hund das Muster durch Wiederholung und Feedback lernt.

Was sie herausgefunden haben

Das Team testete diese neue Methode der „Equilibrium Propagation“ auf drei berühmten Bilddatensätzen: MNIST (handgeschriebene Zahlen), Fashion-MNIST (Kleidungsstücke) und CIFAR-10 (farbenfrohe Alltagsgegenstände). Sie verglichen ihr EPIC-CIM-Modell mit anderen Quantenmethoden, einschließlich solcher, die „Variational Quantum Circuits“ verwenden (welche wie der Versuch sind, ein Radio mit einem Schraubenzieher abzustimmen) und „Quantum Annealing“ (was wie der Versuch ist, den Fuß eines Hügels zu finden, indem man einen Ball hinunterrollt).

Die Ergebnisse waren sehr vielversprechend:

• Beim MNIST-Datensatz: EPIC-CIM erreichte eine Testgenauigkeit von 92,32 %. Dies war signifikant besser als das Standard-Quantum Convolutional Neural Network (QCNN), das 84,59 % erreichte, und der Quantum-Annealing-Ansatz, der 87,53 % erreichte.
• Beim Fashion-MNIST-Datensatz: Die neue Methode erzielte 79,62 % und schlug damit das QCNN (78,29 %) und die Quantum-Annealing-Methode (78,96 %).
• Beim schwierigen CIFAR-10-Datensatz: Selbst mit den komplexen, farbenfrohen Bildern erreichte EPIC-CIM eine Genauigkeit von 34,56 %. Obwohl dies niedriger ist als bei einem Standard-Klassikcomputer (der 40,22 % erreichte), war es dennoch eine deutliche Verbesserung gegenüber anderen Quantenmodellen, die Schwierigkeiten hatten, über 27,79 % hinauszukommen.

Eine der interessantesten Erkenntnisse war, wie gut das Modell mit „kleinen Daten“ umging. Normalerweise benötigt KI Millionen von Bildern, um zu lernen. Aber EPIC-CIM zeigte, dass es selbst mit nur ein paar tausend Beispielen effektiv lernen konnte. Als sie es mit nur 1.000 Trainingsbildern testeten, lernte es immer noch gut, und als sie mehr Daten hinzufügten (bis zu 60.000), stieg die Genauigkeit stetig auf 92,32 % an. Dies deutet darauf hin, dass die Methode sehr effizient ist und nicht leicht verwirrt wird.

Funktioniert es auf echten Maschinen?

Die Forscher blieben nicht nur bei Computersimulationen stehen. Sie testeten ihre Idee auch auf echter Quantenhardware. Echte Quantencomputer sind verrauscht und können oft keine hochpräzisen Zahlen verarbeiten; sie müssen manchmal mit niedrigerer Präzision arbeiten (wie 14-Bit-Zahlen anstelle der standardmäßigen 32-Bit).

Trotz dieser Hardwarebeschränkungen und des „Rauschens“ der realen Welt hielt sich das EPIC-CIM-Modell bemerkenswert gut. Auf der echten Hardware erreichte es eine Testgenauigkeit von 91 %. Dies liegt sehr nah an den 92,32 %, die es in der perfekten Simulation erreichte. Dies deutet darauf hin, dass die Methode robust ist und nicht zusammenbricht, wenn die Hardware nicht perfekt ist.

Was das bedeutet

Die Arbeit legt nahe, dass wir, indem wir das Training neuronaler Netze als einen physikalischen Prozess der Suche nach dem Energiegleichgewicht behandeln, die mathematischen Kopfschmerzen beim Training von Quantencomputern umgehen können. Die Autoren argumentieren, dass dieser Ansatz den Trainingsprozess stabiler und interpretierbarer macht. Anstatt einer Blackbox aus Mathematik haben wir ein System, das sich wie ein physikalisches Objekt verhält, das sich zur Ruhe setzt.

Obwohl das Modell noch nicht ganz so perfekt ist wie ein klassischer Computer (besonders bei schwierigen Aufgaben wie CIFAR-10), zeigt es, dass quanteninspirierte Optimierung ein mächtiges Werkzeug sein kann. Es beweist, dass wir komplexe Quantennetzwerke trainieren können, ohne die unmögliche Mathematik der Backpropagation zu benötigen, was den Weg für stabilere und skalierbare Quanten-KI in der Zukunft ebnet. Die Forscher kommen zu dem Schluss, dass dieser Rahmenwerk eine einheitliche Möglichkeit bietet, die Lücke zwischen Quantencomputing und der künstlichen Intelligenz, die wir täglich nutzen, zu schließen.