Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, das perfekte LEGO-Schloss zu bauen, aber es gibt einen Haken: Jedes Mal, wenn der Roboter einen einzelnen Stein hinzufügt, müssen Sie dieses halbfertige Schloss in eine extrem teure, Zeitlupen-Zeitmachine schicken, um genau zu erfahren, wie stabil es ist. Diese Zeitmaschine, genannt Variational Quantum Eigensolver (VQE), ist der Goldstandard, um zu prüfen, ob ein molekulares Design funktioniert, aber sie ist so kostspielig und langsam, dass Sie sie nur ein paar tausend Mal fragen können, bevor Ihr Budget aufgebraucht ist. Dies ist der tägliche Kampf der Quantum Architecture Search (QAS), ein Bereich, in dem Wissenschaftler versuchen, die besten Schaltkreise für Quantencomputer zu entwerfen, um Chemieprobleme zu lösen. Die große Frage lautet: Wie bringt man einen Roboter bei, diese Schaltkreise effizient zu bauen, wenn die „Wahrheit“ so teuer zu erfahren ist? Man kann nicht einfach blind raten, aber man kann es sich auch nicht leisten, die Zeitmaschine nach jedem einzelnen Schritt um Hilfe zu bitten.

Hier kommt der clevere Trick von „DreamQAS“ ins Spiel. Anstatt zu versuchen, die exakte Energie jedes möglichen Schlosses vorherzusagen (was so ist, als würde man versuchen, das Wetter für jede einzelne Straße der Welt vorherzusagen), bringen die Autoren dem Roboter bei zu „träumen“. Sie bauen ein Weltmodell, das die Regeln von LEGO perfekt kennt (man kann keinen Stein in die Luft setzen, und bestimmte Formen passen zusammen), aber es lernt nur, das Feedback der teuren Zeitmaschine zu erraten. Der Roboter übt das Bauen in seinen Träumen, stellt sich vor, wie stabil das Schloss halten würde, und wacht erst dann auf, um die echte Zeitmaschine zu fragen, wenn er sich wirklich unsicher ist oder wenn er ein besonders vielversprechendes Design gefunden hat. Das Ergebnis ist ein System, das lernt, bessere Quantenschaltkreise mit weitaus weniger echten, teuren Prüfungen als bisherige Methoden zu bauen – was beweist, dass eine gute Fantasie manchmal das effizienteste Werkzeug im Labor ist.

Das Problem: Die teure „Zeitmachine“

In der Welt des Quantencomputings wollen Wissenschaftler Moleküle simulieren, um neue Medikamente oder Materialien zu entdecken. Dazu verwenden sie einen Quantenschaltkreis – eine spezifische Anordnung von Quantengattern – um das Molekül darzustellen. Das Ziel ist es, die Anordnung zu finden, die die niedrigste Energie liefert, was dem stabilsten Zustand des Moleküls entspricht. Dieser Prozess wird als Variational Quantum Eigensolver (VQE) bezeichnet.

Betrachten Sie VQE als einen sehr strengen, sehr langsamen Richter. Wenn Sie ihm ein Schaltungsdesign zeigen, führt er eine komplexe Optimierung durch, um Ihnen die exakte Energie zu nennen. Aber hier ist der Haken: Das Ausführen dieses Richters kostet eine enorme Menge an Zeit und Rechenleistung. Im traditionellen Ansatz zur Suche nach dem besten Schaltkreis (Quantum Architecture Search) versucht ein Computerprogramm (der „Agent“), einen Schaltkreis Schritt für Schritt durch das Hinzufügen von Gattern aufzubauen. Nach jedem einzelnen Gatter, das er hinzufügt, muss er anhalten und den VQE-Richter nach einer Bewertung fragen. Wenn der Agent aus Tausenden von Versuchen lernen will, muss er den Richter tausende Male fragen. Das ist so, als würde man versuchen, Schach zu lernen, indem man nach jedem einzelnen Zug einen Großmeister bittet, das Brett zu analysieren; man würde lange vor dem Erlernen des Spiels die Geduld (und das Geld) verlieren.

Die Lösung: Träumen statt Prüfen

Die Autoren dieser Arbeit, Jiayang Niu und Kollegen, erkannten, dass die VQE-Rückmeldung zwar teuer ist, die Regeln, wie man den Schaltkreis baut, jedoch eigentlich einfach und bekannt sind. Man weiß genau, was passiert, wenn man ein Gatter hinzufügt; der Schaltkreis wird einfach nur länger. Das Einzige, was man nicht sicher weiß, ist, wie gut dieser neue Schaltkreis sein wird, bis man die teure VQE-Prüfung durchführt.

So entwickelten sie DreamQAS. Anstatt eines Roboters, der blind rät, oder eines Roboters, der nach jedem Zug den Richter fragt, ist DreamQAS ein Roboter, der lernt zu „träumen“.

So funktioniert der Traum:

1. Die reale Welt: Der Roboter beginnt damit, einige Schaltkreise in der realen Welt zu bauen und den VQE-Richter nach der Bewertung zu fragen. Dies liefert ihm einen kleinen Stapel an „verifizierten“ Daten.
2. Die Traumwelt: Mit diesen verifizierten Daten baut der Roboter ein „Weltmodell“. Dieses Modell kennt die Regeln des Spiels perfekt (es weiß genau, wie sich der Schaltkreis verändert, wenn ein Gatter hinzugefügt wird), hat aber gelernt, den VQE-Score basierend auf Mustern, die es in den realen Daten gesehen hat, zu erraten.
3. Trainiertes Träumen: Nun kann der Roboter hunderte neuer Schaltkreise in seinem Kopf (seinen „Träumen“) bauen. Er fügt ein Gatter hinzu, und anstatt den echten Richter zu fragen, fragt er sein Traummodell nach einem Score. Er macht dies über viele Schritte hinweg und erstellt lange „imaginierte Trajektorien“, um zu lernen, welche Züge zu besseren Ergebnissen führen.
4. Das Sicherheitsnetz: Der Roboter weiß, dass seine Träume falsch sein könnten. Deshalb hat er eine Reihe von Sicherheitsregeln. Wenn das Traummodell unsicher ist (hohe „Uneinigkeit“ unter seinen internen Vorhersagen), stoppt der Roboter das Träumen und wacht auf, um den echten Richter zu fragen. Wenn der Robot ein Design findet, das im Traum sehr vielversprechend aussieht, wacht er auf, um es zu verifizieren. Dies verhindert, dass der Roboter sich in einer Fantasie verliert, in der er glaubt, ein perfektes Schloss zu bauen, das in Wirklichkeit zusammenbricht.

Was sie herausfanden: Träume sparen Zeit

Die Forscher testeten DreamQAS bei fünf verschiedenen molekularen Aufgaben, die von einfachem Lithiumhydrid (LiH) bis hin zu komplexeren Berylliumhydrid (BeH2)-Molekülen mit unterschiedlicher Anzahl an Quantenbits (Qubits) reichten. Sie verglichen DreamQAS mit anderen Methoden, die entweder gar nicht träumten oder andere Strategien verwendeten.

Die Ergebnisse waren beeindruckend. In diesen Simulationen gelang es DreamQAS, hochwertige Schaltungsdesigns mit signifikant weniger echten VQE-Aufrufen zu finden als die Konkurrenz.

• Bei vier der fünf Aufgaben benötigte DreamQAS 1,6- bis 2,0-mal weniger echte VQE-Aufrufe, um dieselbe Genauigkeit wie die Standardmethode zu erreichen.
• Bei der komplexesten Aufgabe (BeH2 mit 8 Qubits) waren die Einsparungen massiv: DreamQAS benötigte 10,6-mal weniger echte VQE-Aufrufe.

Das bedeutet, dass das System durch den Einsatz von etwas Zeit zum „Träumen“ (das Ausführen des Modells auf einem Standardcomputer) eine enorme Menge an Zeit einsparte, die sonst für das Fragen des teuren Quantenrichters verschwendet worden wäre.

Warum „Träumen“ besser funktioniert als bloßes Raten

Man könnte denken: „Warum nutzt man das Traummodell nicht einfach direkt, um den besten Schaltkreis auszuwählen?“ Die Autoren haben dies explizit getestet. Sie versuchten, das Traummodell als einfachen Wegweiser zu nutzen, um den jeweils besten nächsten Zug zu wählen (ein „Greedy“-Ansatz), aber dies funktionierte nicht so gut wie der vollständige Traumprozess.

Die entscheidende Erkenntnis ist, dass das Traummodell nicht perfekt darin ist, die exakte Energie eines fertigen Schlosses vorherzusagen. Es ist jedoch sehr gut darin, den relativen Wert von Zügen zu erlernen. Es lernt: „Wenn ich dieses Gatter hinzufüge, steigt der Score normalerweise ein wenig an“, selbst wenn es den exakten Endwert nicht kennt. Durch die Nutzung dieser relativen Hinweise über viele Schritte hinweg (Multi-Step-Imagination) lernt der Roboter eine bessere Strategie für den Aufbau des gesamten Schaltkreises, anstatt nur den jeweils „am besten aussehenden“ Stein pro Schritt zu wählen.

Die Arbeit zeigte auch, dass die Fähigkeit des Roboters, seine eigene Konfidenz zu beurteilen, entscheidend ist. Das Modell kann erkennen, wann es unsicher ist (hohe Uneinigkeit unter seinen internen „Träumern“). Wenn es unsicher ist, stoppt es das Träumen und prüft die reale Welt. Dieses „unsicherheitbewusste“ Verhalten verhindert, dass der Roboter Zeit mit schlechten Ideen verschwendet oder in einer Schleife aus schlechten Vermutungen stecken bleibt.

Das Fazament

DreamQAS versucht nicht, den teuren Quantenrichter zu ersetzen; es versucht, den Roboter klüger darin zu machen, wann er um Hilfe bittet. Indem es die bekannten Regeln der Schaltkreiskonstruktion von der teuren Rückmeldung trennt und eine „Traumphase“ zum Üben nutzt, lernt das System, bessere Quantenschaltkreise viel schneller zu bauen.

In der Welt der Quantenchemie, in der jede Berechnung ein Vermögen an Zeit und Energie kostet, deutet dieser Ansatz auf einen neuen Weg hin: Versuchen Sie nicht, sich mit Gewalt durch das Problem zu kämpfen. Bauen Sie ein Modell, das die Regeln versteht, lassen Sie es Möglichkeiten erträumen und wachen Sie erst dann auf, um die Realität zu prüfen, wenn es wirklich darauf ankommt. Die Autoren fanden heraus, dass diese Methode nicht nur bessere Designs liefert, sondern dies auch mit einem Bruchteil des Aufwands tut, wodurch der Weg zu nützlichen Quantensimulationen ein Stück weniger steil wird.