Temporal information processing on a 4,500-qubit quantum annealer

In der Welt der Computer werden Maschinen immer schneller und kleiner, aber es gibt eine beständige Herausforderung: herauszufinden, wie man sie für die komplexen Aufgaben der Zukunft wirklich nützlich machen kann. Ein vielversprechender Weg besteht darin, Computer lehren zu lassen, aus Mustern in Daten zu lernen – ein Feld, das als maschinelles Lernen bekannt ist. Während klassische Computer in vielen Bereichen exzellent sind, stoßen sie manchmal bei Daten an ihre Grenzen, die sich im Laufe der Zeit verändern, wie etwa Wetterlagen oder Aktienmärkte, da es ihnen an einer natürlichen Möglichkeit fehlt, die Vergangenheit zu speichern, während sie die Gegenwart verarbeiten. Wissenschaftler vermuteten schon lange, dass Quantenmaschinen, die nach den seltsamen Regeln der subatomaren Welt funktionieren, diese Art von zeitlichen Informationen besser bewältigen könnten. Der Bau eines Quantencomputers, der groß genug ist, um nützlich zu sein, und gleichzeitig einfach genug, um trainiert zu werden, blieb jedoch eine große Hürde. Die meisten Versuche erfordern teure und schwierige Trainingsprozesse, die oft scheitern, wenn die Maschinen größer werden.

Ein Forschungsteam hat nun einen bedeutenden Schritt nach vorn gemacht, indem es einen neuen Ansatz auf einer massiven Quantenmaschine getestet hat. Sie verwendeten eine Vorrichtung, die als Quanten-Annealer bezeichnet wird – ein Typ von Quantencomputer, der darauf ausgelegt ist, spezifische Probleme zu lösen, indem er den niedrigsten Energiezustand eines Systems findet. Anstatt zu versuchen, die gesamte Maschine zu trainen, um zu lernen, behandelten sie sie wie einen natürlichen, untrainierten Motor, der komplexe interne Bewegungen erzeugt. Indem sie zeitbasierte Daten in diesen Motor einspeisten und die Ergebnisse auslasen, schufen sie ein Modell, das in der Lage ist, vergangene Eingaben zu erinnern und zukünftige vorherzusagen. Dieses Experiment, das bis zu 4.500 physische Quantenbits oder Qubits nutzte, stellt den bisher größten Test eines Quanten-Maschinellen-Lernens dar. Die Forscher fanden heraus, dass die Maschine in der Lage war, chaotische, unvorhersehbare Zeitreihen erfolgreich vorherzusagen, was beweist, dass diese groß angelegten Quantengeräte als leistungsstarke Werkzeuge zur Informationsverarbeitung dienen können, ohne dass kostspielige Trainingsschleifen erforderlich sind.

Der Kern dieses Experiments beruht auf einem Konzept namens Reservoir Computing. Stellen Sie sich vor, ein Stein wird in einen Teich geworfen; die Wellen, die sich ausbreiten, sind komplex und hängen von der Form des Steins und der Wassertiefe ab. Wenn man die Wellen beobachtet, kann man auf etwas schließen, das hineingeworfen wurde, selbst wenn man den Aufprall nicht gesehen hat. In dieser Quantenversion ist der „Teich“ der Quantencomputer selbst und die „Wellen“ sind die natürlichen, untrainierten Bewegungen der Qubits. Die Forscher versuchten nicht, der Maschine beizubringen, was sie tun soll. Stattdessen ließen sie die Maschine einfach nach ihren eigenen internen Gesetzen evolvieren, während sie ihr einen Strom von Daten zuführten. Die natürliche Reaktion der Maschine auf diese Daten erzeugte eine hochdimensionale Abbildung der Information. Der einzige Teil, den sie trainierten, war ein einfacher letzter Schritt, ein linearer Readout, der lernte, wie man den komplexen internen Zustand der Maschine in eine nützliche Vorhersage übersetzt. Dieser Ansatz vermeidet die schwierigen und teuren Optimierungsprobleme, die das maschinelle Lernen normalerweise plagen.

Um diese Idee zu testen, nutzte das Team einen D-Wave Quanten-Annealer, ein programmierbares supraleitendes Gerät. Sie programmierten die Maschine mit einem spezifischen Zeitplan, der einen Prozess beinhaltete, der als Reverse Annealing bekannt ist. Bei dieser Technik startet man die Maschine in einem bekannten Zustand, bewegt sie rückwärts in einen stärkeren Quantenzustand mit mehr Fluktuationen, hält sie dort für einen Moment und bewegt sie dann wieder vorwärts. Diese Pause ermöglicht es dem System, seine lokale Umgebung zu erkunden und sich in einer neuen Konfiguration einzupendeln, die Informationen über den empfangenen Input enthält. Die Forscher fanden heraus, dass diese spezifische Bewegung entscheidend war. Wenn sie die Wechselwirkungen zwischen den Qubits ausschalteten, wodurch die Qubits effektiv alleine agierten, verlor die Maschine jegliches Gedächtnis an den Input. Dies bewies, dass das komplexe Zusammenspiel zwischen den Qubits während des Annealing-Prozesses essenziell ist, damit die Maschine Informationen über die Zeit hinweg speichern kann.

Die Forscher unterzogen ihr Modell anschließend einer Reihe strenger Tests, um zu sehen, wie gut es Daten erinnern und verarbeiten kann. Zuerst prüften sie die Fähigkeit, vergangene Eingaben abzurufen, ein Maß, das als Gedächtniskapazität bekannt ist. Sie entdeckten, dass das System durch den Einsatz eines Feedback-Mechanismus, bei dem der eigene Output der Maschine wieder in sie selbst zurückgeführt wurde, Informationen wesentlich länger speichern konnte, als es Standardmodelle erlauben. Tatsächlich verblasste das Gedächtnis nicht einfach, sondern zeigte Anzeichen einer Wiederbelebung, was darauf hindeutet, dass das System Informationen auf eine komplexe, nicht-lineare Weise festhält. Sie testeten auch die Größe der Maschine und fanden heraus, dass die volle Leistung der 4.500 Qubits notwendig war, um diese Ergebnisse zu erzielen. Kleinere Versionen desselben Aufbaus scheiterten daran, die notwendigen Korrelationen aufrechtzuerhalten, was verdeutlicht, dass die schiere Skalierung des Quantensystems ein Schlüsselfaktor für den Erfolg war.

Über das einfache Gedächtnis hinaus forderten die Forscher die Maschine mit Aufgaben heraus, die ein Verständnis komplexer Beziehungen erfordern. Sie baten sie, ein logisches Rätsel namens XOR-Aufgabe zu lösen, bei dem es darum geht, die Parität zweier Eingaben zu bestimmen. Dies ist ein Problem, das eine einfache lineare Maschine nicht lösen kann, aber das Quanten-Reservoir bewältigte es mit hoher Genauigkeit und sagte das Ergebnis fast zu 9 %% der Zeit korrekt voraus. Dies demonstrierte, dass die Maschine Daten nicht nur auswendig lernte, sondern sie tatsächlich in eine Form transformierte, in der komplexe Muster sichtbar wurden. Die anspruchsvollste Testreihe war jedoch die Vorhersage chaotischer Zeitreihen. Die Forscher speisten der Maschine Daten aus zwei berühmten mathematischen Modellen ein, die unvorhersehbares, chaotisches Verhalten erzeugen: die Mackey-Glass-Serie und ein Double-Scroll-System. Die Maschine sagte die zukünftigen Werte dieser Serien erfolgreich voraus, selbst für Schritte weit in der Zukunft. Im Fall des Double-Scroll-Systems war die Maschine in der Lage, den chaotischen Attraktor zu rekonstruieren – eine komplexe geometrische Form, die das Verhalten des Systems definiert. Dies markiert das erste Mal, dass eine solche Rekonstruktion mittels eines Quantencomputers erreicht wurde.

Die Ergebnisse dieser Studie legen nahe, dass Quanten-Annealer eine praktikable Plattform für groß angelegtes maschinelles Lernen sind, insbesondere für Aufgaben mit zeitabhängigen Daten. Die Forscher zeigten, dass sie durch die Nutzung der nativen Dynamik eines großen Quantensystems zeitliche Informationen verarbeiten konnten, ohne den schweren Trainingsaufwand zu benötigen, der andere Ansätze einschränkt. Sie lieferten zudem den Beweis, dass die quantenmechanische Natur der Wechselwirkungen – insbesondere die durch den Annealing-Prozess erzeugte Vielteilchendynamik – unverzichtbar für die Funktion des Systems ist. Während es eine offene Frage bleibt, ob klassische Computer diese Ergebnisse letztendlich simulieren könnten, zeigt das Experiment, dass aktuelle Quantenhardware bereits Aufgaben bewältigen kann, die für Standardmodelle schwierig sind. Diese Arbeit eröffnet einen neuen Weg, Quantenmaschinen nicht nur für die Optimierung, sondern als leistungsstarke Motoren für Lernen und Vorhersage zu nutzen, und beweist, dass der beste Weg, eine Maschine zu lehren, manchmal darin besteht, sie einfach auf sich selbst loszulassen.