Im Wettlauf um den Bau nützlicher Quantencomputer sind Wissenschaftler oft besessen von der Maschine selbst: wie viele Qubits sie besitzt, wie lange sie einen Zustand halten kann und wie gut sie gegen Rauschen resistent ist. Doch für viele praktische Aufgaben liegt der Engpass nicht in der Leistungsfähigkeit der Hardware, sondern in der Schwierigkeit, sie mit Informationen zu füttern. Quantencomputer sprechen eine Sprache diskreter Bits, wie eine Serie von Lichtschaltern, die entweder an oder aus sind. Reale Daten, wie etwa die komplexen chemischen Strukturen von Wirkstoffmolekülen, existieren in einer kontinuierlichen, fließenden Welt unendlicher Nuancen und Variationen. Der Versuch, diese reiche, kontinuierliche Datenmenge in ein winziges, starres Quantenregister zu pressen, gleicht dem Versuch, einen Gallonenkübel Wasser in einen Thimble (einen kleinen Becher) zu gießen; der Großteil der Information läuft über, und das, was übrig bleibt, ist oft eine verzerrte, unerkennbare Version des Originals. Dieses Problem ist besonders akut in der Chemie, wo Forscher hoffen, Quantenmaschinen nutzen zu können, um das Verhalten von Molekülen vorherzusagen, aber die derzeitigen Methoden zur Übersetzung chemischer Daten in Quantencodes lassen oft genau jene Details verloren gehen, die für präzise Vorhersagen notwendig sind.

Ein Team von Forschern hat sich nun direkt diesem Übersetzungsproblem zugewandt – nicht, indem es eine größere Maschine baute, sondern indem es dem Computer beibrachte, die Daten anders zu sehen, noch bevor sie in den Quantenkreis eintreten. In einer Studie, die sich auf die Vorhersage konzentrierte, ob Wirkstoffmoleküle die Blut-Hirn-Schranke überwinden können – ein entscheidender Schritt für die Behandlung neurologischer Erkrankungen –, demonstrierte das Team, dass die Art und Weise der Datenaufbereitung genauso wichtig ist wie der Algorithmus, der sie verarbeitet. Sie fanden heraus, dass der Quantenklassifizierer Schwierigkeiten hatte, wenn sie einfach nur Standard-Chemiemodelle in die Maschine einspeisten, da verschiedene Moleküle in denselben digitalen Code gequetscht wurden, was sie ununterscheidbar machte. Durch die Einführung einer neuen Trainingsmethode, die speziell diese digitale Kompression berücksichtigt, gelang es ihnen, die Daten so umzugestalten, dass distinkte Moleküle selbst nach der Reduktion auf wenige Bits unterscheidbar blieben. Das Ergebnis war ein Quantenmodell, das nicht nur die Leistung klassischer Computer erreichte, sondern unter bestimmten Bedingungen diese sogar übertraf, was bewies, dass ein Quantenvorteil selbst auf der heutigen begrenzten Hardware möglich ist, wenn der Informationsengpass korrekt verwaltet wird.

Der Kern des Problems liegt darin, wie Daten in einen Quantencomputer geladen werden. Um eine Berechnung durchzuführen, muss ein Molekül in eine Kette aus Nullen und Einsen umgewandelt werden, die in den Speicher der Maschine passt. In dieser Studie verwendeten die Forscher ein leistungsfähiges, vortrainiertes Modell der künstlichen Intelligenz, bekannt als Foundation Model, welches bereits die allgemeine Sprache der Chemie aus Millionen von Molekülen gelernt hatte. Dieses Modell erzeugte eine reiche, hochdimensionale Beschreibung jedes Moleküls, die subtile strukturelle Details erfasste. Um diese Beschreibung jedoch in ein kleines Quantenregister einzupassen, mussten die Forscher sie drastisch komprimieren, indem sie einen komplexen Vektor von Zahlen in eine kurze Binärzeichenfolge umwandelten. Dieser Kompressionsschritt war die Stelle, an der es schiefging. Da die Kompression so grob war, endeten viele verschiedene Moleküle mit exakt demselben binären Code. In der Sprache der Forscher waren dies „Kollisionen“. Wenn zwei Moleküle mit unterschiedlichen Eigenschaften – eines, das die Blut-Hirn-Schranke passieren kann, und eines, das es nicht kann – denselben Code teilen, kann kein Computer, weder Quanten- noch Klassikcomputer, sie unterscheiden. Die Maschine erhält denselben Input für zwei verschiedene Fragen und ist gezwungen zu raten, was zu einer schlechten Genauigkeit führt.

Die Forscher erkannten, dass die Standardmethode zum Training dieser Modelle unzureichend war. Normalerweise trainieren Wissenschaftler ein Modell darauf, verschiedene Klassen von Daten in einem glatten, kontinuierlichen Raum zu trennen, in der Hoffnung, dass diese Trennung bei der Kompression natürlich erhalten bleibt. Doch die Studie zeigte, dass dieser Ansatz bei einer so starken Kompression versagt. Ein Modell mag zwei Moleküle in seiner internen Mathematik perfekt trennen, aber wenn sie auf gegenüberliegenden Seiten einer digitalen Grenze landen, die während der Kompression abgerundet wird, kollidieren sie dennoch. Die Forscher benötigten eine Methode, die den Kompressionsprozess selbst verstand. Sie entwickelten eine Technik, die sie „discretization-aware fine-tuning“ (diskretisierungssensible Feinabstimmung) nannten. Dies beinhaltete einen zweistufigen Trainingsprozess. Zuerst „wärmten“ sie das Modell auf, um sicherzustellen, dass es im Allgemeinen zwischen den beiden Arten von Molekülen unterscheiden konnte. Dann fügten sie in einer zweiten, kritischeren Phase eine spezielle Strafe (Penalty) zum Training hinzu. Diese Strafe betrachtete nicht nur, ob das Modell richtig oder falsch lag; sie berechnete die Wahrscheinlichkeit, dass zwei verschiedene Moleküle nach der Kompression im selben digitalen Behälter landen würden. Wenn das Modell lernte, diese Moleküle so auseinanderzutreiben, dass die digitalen Grenzen respektiert wurden, sank die Strafe. Dies zwang das Modell dazu, eine Repräsentation zu lernen, in der die wichtigsten chemischen Merkmale selbst nach der Reduktion auf wenige Bits erhalten bleiben.

Als sie diese neue Methode testeten, war der Unterschied eklatant. Ohne dieses spezielle Training sah sich der Quantencomputer mit einem chaotischen Input konfrontiert, bei dem tausende Paare verschiedener Moleküle kollidierten. Die Genauigkeit der Maschine war niedrig, und sie schnitt schlechter ab als ein einfacher klassischer Computer, der auf denselben komprimierten Daten lief. Der oft angepriesene Quantenvorteil, die Zukunft des Computings, war völlig abwesend, weil die Eingangsdaten zu stark korrumpiert waren. Sobald die Forscher jedoch ihr diskretisierungssensibles Fine-Tuning anwandten, sank die Anzahl der Kollisionen dramatisch von tausenden auf nahezu null. Die Moleküle wurden nun eindeutigen Codes zugewiesen, die ihre Unterschiede bewahrten. Mit diesem sauberen Input stieg die Leistung des Quantencomputers sprunghaft an. Er verbesserte seine Genauigkeit um mehr als zwölf Prozentpunkte – ein massiver Sprung, der ihn von einem kämpfenden Werkzeug in einen hocheffektiven Klassifizierer verwandelte.

Die bedeutendste Erkenntnis war jedoch, wie sich diese Verbesserung auf die Quantenmaschine im Vergleich zu einer klassischen Maschine auswirkte. Als die Forscher den Quantenkreis mit einem Standard-Logistischen-Regressionsmodell – einem einfachen, gut verstandenen klassischen Algorithmus – verglichen, wurden beide mit exakt denselben komprimierten Bit-Strings gespeist. Ohne die neue Trainingsmethode gewann das klassische Modell deutlich und übertraf den Quantenkreis um sechs Prozentpunkte. Die Quantenmaschine war durch die unordentlichen Daten benachteiligt. Doch als die neue Trainingsmethode angewendet wurde, kehrte sich die Situation um. Beide Modelle verbesserten sich, da die Daten sauberer waren, aber die Quantenmaschine verbesserte sich weit mehr als die klassische. Der Quantenkreis gewann über zwölf Prozentpunkte an Genauigkeit, während das klassische Modell nur etwa drei Punkte hinzugewann. Auf der Zehn-Qubit-Ebene erreichte das Quantenmodell eine Genauigkeit von 88,3 Prozent und schlug damit das klassische Modell mit 85,5 Prozent. Dies war kein Zufall; es blieb über mehrere Testläufe und verschiedene statistische Prüfungen hinweg bestehen.

Warum profitierte die Quantenmaschine so viel mehr von den saubereren Daten? Die Forscher erklären, dass die beiden Arten von Computern Informationen grundlegend unterschiedlich verarbeiten. Das klassische Modell fungiert in diesem speziellen Setup wie ein linearer Sortierer; es betrachtet die Bits und zieht eine gerade Linie, um die Kategorien zu trennen. Es kann zwar besser werden, wenn die Daten weniger verrauscht sind, ist aber durch seine lineare Natur begrenzt. Der Quantencomputer hingegen nutzt einen Prozess namens Verschränkung (Entanglement), um seine Qubits miteinander zu verbinden. Dies ermöglicht es ihm, komplexe, hochgradige Muster und Interaktionen zwischen den Bits zu erkennen, die ein einfacher linearer Modell nicht sehen kann. Als die Daten ungeordnet waren, konnte die Quantenmaschine diese Muster nicht finden. Doch sobald die Trainingsmethode die Kollisionen beseitigte und die Daten strukturiert präsentierte, konnte die Quantenmaschine ihre Fähigkeit voll ausschöpfen, diese verborgenen Korrelationen zu finden. Das klassische Modell, dem die Fähigkeit fehlt, solche komplexen Interaktionen zu erfassen, konnte die sauberen Daten nicht so effektiv nutzen.

Die Studie kommt zu dem Schluss, dass für den Erfolg von Quanten-Maschinellem-Lernen in der realen Welt – insbesondere in Feldern wie der Chemie, in denen Daten komplex und Hardware begrenzt sind – nicht nur der Bau besserer Schaltkreise entscheidend ist. Wir müssen auch bessere Wege finden, wie wir Daten in sie einspeisen. Der Informationsengpass, der durch die geringe Größe aktueller Quantenregister entsteht, muss bereits am Anfang der Pipeline adressiert werden, indem die Datenrepräsentation so gestaltet wird, dass sie den Beschränkungen der Maschine entspricht. Die Forscher zeigten, dass wir durch die Abstimmung der kontinuierlichen chemischen Beschreibungen auf die diskrete Natur der Quantenbits einen echten Vorteil erschließen können. Diese Arbeit legt nahe, dass der Weg zu praktischem Quantencomputing in der Chemie nicht zwangsläufig das Warten auf massive, fehlerfreie Maschinen erfordert. Stattdessen bedarf es eines klügeren Ansatzes dazu, wie wir die reale Welt in die Sprache der Quanten übersetzen, um sicherzustellen, dass das Signal trotz der Kompression überlebt, damit die Maschine das tun kann, was sie am besten kann.