Comment on "Scalable Quantum Machine Learning: Trainability, Expressivity and Efficiency": Polynomial Evaluation of the Triplet-Block Readout

Auf der Suche nach Maschinen, die aus Daten lernen können, indem sie die seltsamen Gesetze der Quantenphysik nutzen, versuchen Wissenschaftler ständig herauszufinden, wo die wahre Leistungsfähigkeit liegt und wo die Grenzen liegen. Stellen Sie sich einen Computer vor, der nicht nur Zahlen berechnet, sondern gleichzeitig viele Möglichkeiten erforscht, indem er Teilchen wie Elektronen nutzt, die gleichzeitig in mehreren Zuständen existieren können. Dies ist das Versprechen des Quanten-Maschinellen Lernens. Damit diese Systeme jedoch nützlich werden, müssen Forscher in der Lage sein, sie zu trainieren, was die Anpassung von Reglern und Stellschrauben beinhaltet, um ihre Leistung zu verbessern. Ein großes Hindernis in diesem Bereich ist die Frage, ob ein Computer, der auf gewöhnlichen Siliziumchips läuft, vorhersagen kann, was eine Quantenmaschine tun wird, oder ob die Quantenmaschine so komplex ist, dass nur die Quantenmaschine selbst ihre eigene Ausgabe verstehen kann. Wenn ein klassischer Computer das Ergebnis leicht vorhersagen kann, bietet das Quantensystem möglicherweise keinen einzigartigen Vorteil. Diese Frage der „Trainierbarkeit“ und Effizienz ist entscheidend für die Entscheidung, ob diese futuristischen Geräte jemals den Sprung von der Theorie zur Realität schaffen werden.

Ein kürzlicher Hinweis des Forschers Erfan Amidi befasst sich mit einer spezifischen Behauptung darüber, wie schwierig es ist, die Ausgabe eines bestimmten Typs von Quantenlernmodells zu berechnen. In einer früheren Studie hatten Wissenschaftler angedeutet, dass für einen spezifischen Aufbau, der Gruppen von drei Teilchen umfasst, die Berechnung der Beziehungen zwischen Paaren von Teilchen eine massive Menge an Zeit für jeden klassischen Computer erfordern würde. Sie schätzten, dass die benötigte Zeit exponentiell ansteigen würde, wenn das System größer wird, was die Simulation auf einem normalen Computer im Wesentlichen unmöglich macht. Diese Schlussfolgerung basierte auf einer Methode, die den gesamten Quantenzustand als eine komplexe Summe vieler einfacherer Teile behandelte – ein Prozess, der schnell unhandlich wird, wenn die Anzahl der Teile zunimmt. Die vorangegangenen Forscher argumentierten, dass aufgrund des komplexen Eingangszustands der einzige Weg zum Ergebnis darin bestehe, diese teure Berechnung durchzuführen, was eine unpraktikable Menge an Zeit beanspruchen würde.

Amidis Arbeit zeigt, dass diese Schlussfolgerung auf einer unnötigen Komplikation beruhte. Der Forscher demonstriert, dass es für die spezifische Aufgabe, zu messen, wie Paare von Teilchen korreliert sind, einen viel einfacheren Weg gibt. Anstatt zu versuchen, den gesamten komplexen Quantenzustand zu verfolgen, kann man sich nur auf die Informationen konzentrieren, die für die spezifische Messung relevant sind. Der betreffende Eingangszustand ist aus Blöcken von Teilchen aufgebaut, und während die vollständige Beschreibung dieser Blöcke kompliziert ist, ist die spezifische Information, die benötigt wird, um die Paar-Beziehungen vorherzusagen, tatsächlich sehr einfach und kann direkt aufgeschrieben werden. Es stellt sich heraus, dass die komplexen Teile des Quantenzustands sich nicht in einer Weise gegenseitig beeinflussen, die für diese spezifische Messung von Bedeutung ist. Aus diesem Grund erfordert die Berechnung nicht die befürchtete exponentielle Zeitexplosion.

Die neue Analyse bietet eine klare, schrittweise Methode, um diese Beziehungen mit einem Standardcomputer zu berechnen. Die Methode besteht darin, eine einfache Liste von Wahrscheinlichkeiten zu nehmen, die den Ausgangszustand beschreibt, und eine mathematische Transformation anzuwenden, die darstellt, wie sich die Teilchen bewegen und interagieren. Diese Transformation kann sehr schnell berechnet werden, selbst wenn die Anzahl der Teilchen wächst. Das Ergebnis ist eine vollständige Liste aller Paar-Beziehungen in einer Zeit, die nur als die vierte Potenz der Anzahl der Teilchen wächst. Für ein System mit tausend Teilchen ist dies eine Aufgabe, die ein moderner Computer problemlos bewältigen kann, wohingegen die vorherige Schätzung nahelegte, dass es länger als das Alter des Universums dauern würde. Dieser Befund beweist, dass das spezifische Quantenlernmodell, um das es geht, nicht so schwer zu simulieren ist, wie einst angenommen – zumindest für die Aufgabe, diese spezifischen Korrelationen zu messen.

Diese Entdeckung bedeutet nicht, dass Quantencomputer all ihr Mysterium oder ihr Potenzial verloren haben. Der Forscher weist sorgfältig darauf hin, dass, während diese spezifischen Messungen leicht vorherzusagen sind, andere Aufgaben, die die volle Komplexität des Systems beinhalten – wie etwa das Erzeugen von Zufallsergebnissen oder das Messen komplexerer Beziehungen, die viele Teilchen gleichzeitig betreffen – für klassische Computer weiterhin schwierig bleiben. Die Schwierigkeit, das Quantensystem zu trainieren, das Risiko, dass das System in einen Zustand gerät, in dem es nicht lernen kann, und die Herausforderung, Zufallsergebnisse zu sampeln, sind allesamt valide Bedenken, die durch diesen neuen Befund nicht geändert wurden. Die neue Arbeit klärt lediglich, dass für den spezifischen Job, die Zwei-Teilchen-Beziehungen in diesem speziellen Aufbau auszulesen, die klassischen Kosten gering und die Berechnung geradlinig sind.

Die Bedeutung dieser Arbeit liegt in ihrer Fähigkeit, die Landkarte dessen zu korrigieren, was möglich ist und was nicht, in der Landschaft des Quanten-Maschinellen Lernens. Indem er zeigt, dass eine zuvor angenommene Barriere tatsächlich eine Illusion war, die durch die Verwendung eines komplizierteren Werkzeugs als nötig entstanden ist, hat der Forscher dazu beigetragen, unser Verständnis darüber zu verfeinern, wo die wahren Vorteile von Quantensystemen liegen. Es deutet darauf hin, dass klassische Computer für bestimmte Arten von Daten und Messungen mit Quantencomputern Schritt halten können, was eine entscheidende Information für Ingenieure ist, die diese zukünftigen Technologien entwerfen. Die Arbeit bestätigt, dass die Quantenwelt zwar weit und komplex ist, es aber spezifische Fenster in sie hinein gibt, die klar und zugänglich bleiben, was es uns ermöglicht, bessere Modelle darüber zu bauen, wie diese Systeme lernen und sich verhalten, ohne das Unmögliche lösen zu müssen.