Object Detection Using Quantum Transfer Learning

In der Welt der künstlichen Intelligenz werden Computer immer besser darin, zu erkennen, was Dinge sind. Sie können ein Foto betrachten und Ihnen sagen, dass ein Hund auf einem Teppich sitzt. Doch eine schwierigere Herausforderung bleibt bestehen: einer Maschine beizubringen, nicht nur den Hund zu identifizieren, sondern auch genau zu bestimmen, wo er sich im Bild befindet, indem sie ein präzises Rechteck um ihn herum zeichnet. Diese Aufgabe, bekannt als Objekterkennung, erfordert, dass der Computer zwei Dinge gleichzeitig lernt: die Identität des Objekts und seine kontinuierliche Position im Raum. Während herkömmliche Computerprogramme dies durch riesige Mengen an Daten und Millionen von einstellbaren Parametern bewältigt haben, haben sie oft Schwierigkeiten, diese beiden Ziele effizient in Einklang zu bringen. Ein neueres Feld, das Quanten-Maschinelle Lernen, bietet einen anderen Weg. Es nutzt die seltsamen Regeln der Quantenphysik, bei denen Teilchen in mehreren Zuständen gleichzeitig existieren können, um Informationen zu verarbeiten. Die meisten frühen Versuche, Quantencomputer für Lernprozesse zu nutzen, konzentrierten sich jedoch nur auf einfache Ja-Nein-Fragen, wodurch die komplexe Aufgabe des Findens und Einrahmens von Objekten weitgehend unberührt blieb.

Ein Forschungsteam der Shahrood University of Technology im Iran hat nun diese Lücke geschlossen. Sie haben eine neue Art von Hybridsystem entwickelt, das ein Standard-Computerprogramm mit einem kleinen Quantenschaltkreis kombiniert, um Objekte zu detektieren. Ihre Arbeit legt nahe, dass ein Quantencomputer zur Lösung dieses schwierigen Problems nicht vollständig verschränkt oder tief miteinander vernetzt sein muss, wie es viele Wissenschaften zuvor glaubten. Stattdessen fanden sie heraus, dass die sorgfältige Steuerung des Informationsflusses durch das System eine hohe Leistung mit weita-lich weniger einstellbaren Parametern ermöglicht.

Die Forscher begannen mit einem Standard-Computerprogramm, das bereits sehr gut darin ist, visuelle Merkmale in Bildern zu erkennen. Sie nahmen die Ausgabe dieses Programms und speisten sie in ein winziges Quantensystem ein, das aus nur acht Quantenbits, oder Qubits, besteht. Diese Qubits sind die Basiseinheiten der Information in einem Quantencomputer. Das Team teilte diese acht Qubits in zwei Gruppen auf. Die ersten vier waren dafür zuständig, herauszufinden, was das Objekt war, wie etwa eine Katze oder ein Hund. Die anderen vier wurden der Aufgabe zugewent, die exakten Koordinaten des Kastens zu berechnen, der das Objekt umgeben würde. Diese Trennung ermöglichte es dem System, die zwei verschiedenen Arten des Lernens gleichzeitig zu bewältigen, ohne dass sie sich gegenseitig behinderten.

Um diese beiden Gruppen von Qubits miteinander zu verbinden, testeten die Forscher zwei verschiedene Verdrahtungsmuster. Ein Muster war eine gerade Linie, bei der jedes Qubit nur mit seinem unmittelbaren Nachbarn verbunden war. Das andere war ein Kreis, bei dem das letzte Qubit wieder mit dem ersten verbunden war, was eine geschlossene Schleife erzeugte. Sie entdeckten, dass die kreisförmige Anordnung signifikant besser funktionierte. In diesem kreisförmigen Aufbau war die Verbindung zwischen den beiden Gruppen von Qubits überraschend schwach, dennoch führte das System die Detektionsaufgabe mit hoher Genauigkeit aus. Tatsächlich erreichte das kreisförmige Design einen Detektionswert von 0,9448, was fast identisch mit der Leistung viel größerer, traditioneller Computermodelle ist.

Was dieses Ergebnis so bemerkenswert macht, ist die Effizienz. Das neue Quantenmodell benötigte nur etwa zehntausend einstellbare Parameter, um die Aufgabe zu lernen. Im Gegensatz dazu benötigten die großen traditionellen Modelle, mit denen sie es verglichen, über eine Million Parameter, um ähnliche Ergebnisse zu erzielen. Dies stellt eine Reduktion der benötigten Parameter um mehr als 99 Prozent dar. Die Forscher zeigten, dass sie durch die Verwendung der kreisförmigen Verdrahtung die Menge der Verschränkung zwischen den beiden Aufgaben unterdrücken konnten. Verschränkung ist ein Quantenphänomen, bei dem Teilchen so miteinander verknüpft sind, dass der Zustand des einen augenblicklich den anderen beeinflusst. Lange Zeit wurde angenommen, dass mehr Verschränkung auch mehr Leistung bedeutet. Diese Studie legt das Gegenteil für diese spezifische Aufgabe nahe: Die Verschränkung zu begrenzen und den Informationsfluss zu kontrollieren, hilft dem System tatsächlich dabei, besser zu lernen.

Das Team betrachtete den Prozess auch durch die Linse der Thermodynamik, dem Zweig der Physik, der sich mit Wärme und Energie befasst. Sie interpretierten den Lernprozess als ein System, das versucht, einen Zustand niedriger Energie und niedriger Unordnung zu erreichen. Während das Modell lernte, sank die Unsicherheit in seinen Vorhersagen, ähnlich wie ein heißes Objekt abkühlt, um sich an seine Umgebung anzupassen. Der Teil des Systems, der für das Auffinden des Objekts verantwortlich war, wirkte wie eine physikalische Kraft, die die Vorhersage an den richtigen Platz zog, während der Teil, der für die Identifizierung des Objekts verantwortlich war, dazu beitrug, Verwirrung zu reduzieren. Indem sie den Lernprozess auf diese Weise betrachteten, konnten die Forscher erklären, warum das System mit so wenigen Parametern so gut funktionierte.

Die Ergebnisse stellen eine verbreitete Annahme auf dem Gebiet des Quantencomputings infrage. Viele Experten glaubten, dass Quantencomputer, um komplexe Probleme zu lösen, so viel Verschränkung wie möglich erzeugen müssen. Diese Arbeit zeigt, dass es für die Objekterkennung nicht auf die schiere Menge der Verschränkung ankommt, sondern darauf, wie sie organisiert ist. Durch die Verwendung einer kreisförmigen Topologie, um den Informationsfluss zu regulieren, war das System in der Lage, unnötiges Rauschen herauszufiltern und sich auf die Details zu konzentrieren, die entscheidend waren. Das Ergebnis ist ein hocheffizientes Modell, das Objekte mit Präzision identifizieren und lokalisieren kann, und zwar mit einem Bruchteil der Ressourcen, die aktuelle Technologien benötigen.

Diese Arbeit öffnet eine neue Tür für die Art und Weise, wie wir zukünftige künstliche Intelligenz bauen könnten. Sie legt nahe, dass die leistungsfähigsten Quantensysteme nicht jene sein werden, die am chaotischsten oder am stärksten vernetzt sind, sondern jene, die sorgfältig strukturiert sind, um Informationen genau dorthin zu leiten, wo sie benötigt werden. Die Forscher haben gezeigt, dass es möglich ist, einen quantenverstärkten Detektor zu bauen, der sowohl unglaublich genau als auch bemerkenswert schlank ist. Während sich die Quantenhardware weiter verbessert, könnten diese Prinzipien des kontrollierten Informationsflusses und der gezielten Effizienz zum Bauplan für die nächste Generation intelligenter Maschinen werden.