Virtual quantum neural networks
Dieses Paper führt „virtuelle Quanten-neuronale Netze“ ein, ein erweitertes Modell, das durch die Nutzung von Zufallsstichproben und klassischer Verarbeitung lineare Kombinationen vollständig positiver Abbildungen integriert und dadurch die Expressivität sowie die Rauschrobustheit für Aufgaben wie Fehlerminderung, Klassifizierung und Energieschätzung auf Hardware der nächsten Generation verbessert.
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
In der heutigen Ära des Quantencomputings sind Maschinen leistungsstark genug, um Berechnungen durchzuführen, die selbst die fortschrittlichsten klassischen Supercomputer überfordern würden, doch sie bleiben fragil. Diese Geräte, bekannt als rauschbehaftete Quantenprozessoren mittlerer Skala (Noisy Intermediate-Scale Quantum Processors), arbeiten mit einigen hundert winzigen Einheiten, den sogenannten Qubits. Obwohl sie neue Bereiche der Physik und Chemie erforschen können, leiden sie unter einem grundlegenden Fehler: Umweltinterferenzen verursachen Fehler, die die Daten fast in dem Moment korrumpieren, in dem sie generiert werden. Um diese Maschinen nutzbar zu machen, verlassen sich Wissenschaftler auf eine Methode namens Quanten-neuronale Netze. Stellen Sie sich dies als eine Lernschleife vor, bei der ein Quantenschaltkreis, der durch eine Reihe von Reglern angepasst wird, Informationen verarbeitet und eine Ausgabe erzeugt. Ein klassischer Computer prüft dann, wie nah diese Ausgabe am gewünschten Ergebnis liegt, und justiert die Regler, um den nächsten Versuch zu verbessern. Dieser Zyklus ermöglicht es Forschern, die Maschine darauf zu trainieren, Probleme wie das Erkennen von Mustern in Daten oder das Finden des stabilsten Energiezustands eines Moleküls zu lösen, trotz der Unvollkommenheiten der Hardware. Dieser traditionelle Ansatz ist jedoch begrenzt, da er nur einen engen Pfad möglicher Berechnungen erkunden kann, der durch das beschränkt ist, was die physische Maschine in einem einzelnen Durchlauf tatsächlich leisten kann.
Ein Team von Forschern hat nun einen Weg vorgeschlagen, um diese Barriere zu durchbrechen, indem sie die Art und Weise ändern, wie der Lernprozess funktioniert. Anstatt sich auf einen einzelnen Quantenschaltkreis zu verlassen, der die Hauptarbeit leistet, führten sie ein neues Modell namens virtuelles Quanten-neuronales Netz ein. Bei diesem Ansatz führt der Computer nicht nur einen Schaltkreis aus; er stichprobenartig sampelt viele verschiedene Schaltkreise, jeder mit seinen eigenen Einstellungen, und führt sie auf der Quantenhardware aus. Die Ergebnisse aus diesen mehreren Durchläufen werden nicht einfach herausgemittelt. Stattdessen nimmt ein klassischer Computer die Daten aus all diesen separaten Experimenten und kombiniert sie mithilfe eines spezifischen mathematischen Rezepts. Dieses Rezept beinhaltet das Addieren und Subtrahieren der Ergebnisse auf eine Weise, die ein einzelner physischer Schaltkreis niemals allein erreichen könnte. Durch das Mischen dieser Ergebnisse erschafft das System eine „virtuelle“ Operation, die weitaus flexibler und leistungsfähiger ist als jeder einzelne Schaltkreis. Es ist, als hätten die Forscher einen Weg gefunden, eine viel komplexere Maschine zu simulieren, indem sie die Ausgaben mehrerer einfacherer, verrauschterer Maschinen geschickt zusammenfügen.
Die Forscher testeten diese Idee an drei unterschiedlichen Herausforderungen, um zu sehen, ob der virtuelle Ansatz echte Vorteile bietet. Zuerst packten sie das Problem der Korrektur von Fehlern, die durch unbekanntes Rauschen verursacht werden. In der Standard-Quantenberechnung erfordert die Behebung von Fehlern normalerweise das Wissen darüber, welche Art von Rauschen die Maschine beeinflusst. Die neue Methode funktionierte jedoch auch dann, wenn das Rauschen ein Mysterium war. Indem sie das virtuelle Netzwerk darauf trainierten, die Auswirkungen des Rauschens rückgängig zu machen, stellten die Forscher fest, dass ihr System die korrekten Informationen mit nahezu perfekter Genauigkeit wiederherstellen konnte, selbst wenn die zugrunde liegende Hardware fehlerhaft war. Die Simulationen zeigten, dass die Methode den bestmöglichen Weg finden konnte, um Fehler zu eliminieren, und dabei fast so gut abschnitt, als wäre das Rauschen von vornherein perfekt verstanden worden.
Als Nächstes wandte das Team das Modell auf eine binäre Klassifikationsaufgabe an, was im Wesentlichen bedeutet, die Maschine zu lehren, Daten in zwei Kategorien zu sortieren, wie etwa das Unterscheiden zwischen zwei Arten von Formen. In diesem Test schnitt das virtuelle Netzwerk konsistent besser ab als traditionelle Quanten-Klassifikatoren. Wenn die Daten in das System eingespeist wurden, lernte das virtuelle Netzwerk, präzisere Vorhersagen zu treffen, selbst wenn die Quantengatter, die zur Verarbeitung der Daten verwendet wurden, verrauscht waren. Die Ergebnisse zeigten, dass das System durch die Erlaubnis, durch zufällige Stichproben einen breiteren Bereich von Möglichkeiten zu erkunden, robuster gegenüber den Fehlern wurde, die typischerweise Quantengeräte plagen.
Schließlich nutzten die Forscher ihre Methode, um die Grundzustandsenergie eines Moleküls zu schätzen – eine Berechnung, die die stabilste Konfiguration von Atomen bestimmt und entscheidend für das Verständnis chemischer Reaktionen ist. Dies ist eine notorisch schwierige Aufgabe für verrauschte Quantencomputer, da kleine Fehler zu völlig falschen Energiewerten führen können. Das Team führte einen neuen Algorithmus basierend auf ihrem virtuellen Netzwerk ein, um dies zu lösen. Ihre Simulationen zeigten, dass das System durch die Kombination der Ausgaben mehrerer verrauschter Schaltkreise die Energie des Moleküls mit signifikant höherer Präzision schätzen konnte als Standardmethoden. Das virtuelle Netzwerk filterte das Rauschen effektiv heraus und ermöglichte es den Forschern, dem wahren physikalischen Wert viel näher zu kommen, als dies mit derselben Hardware zuvor möglich gewesen wäre.
Die Kernerkenntnis dieser Arbeit ist, dass die Einschränkungen der aktuellen Quantenhardware nicht zwangsläufig ein Ende bedeuten. Indem sie mehr Zeit in das Sampling mehrerer Schaltkreise investieren und klassische Computer nutzen, um die Ergebnisse zu verarbeiten, können Wissenschaftler einen viel breiteren Raum an Berechnungen erschließen. Dieser Ansatz erfordert nicht das Warten auf perfekte, fehlerfreie Maschinen; stattdessen nutzt er die existierenden verrauschten Geräte intelligenter. Das virtuelle Quanten-neuronale Netz fungt als Brücke, die die Schwäche des Rauschens in eine handhabbare Variable verwandelt und erweitert, was diese frühen Quantencomputer tatsächlich leisten können. Die Studie legt nahe, dass dieses flexible Lernparadigma zu einem Standardwerkzeug werden könnte, um die kurzfristig verfügbare Quantenhardware für reale Anwendungen in Wissenschaft und Technik nützlicher zu machen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.