When Quantum Meets AI: Quantum Methods for Machine Learning and Machine Learning Methods for Quantum Systems
Diese Arbeit untersucht die bidirektionale Synergie zwischen Quantencomputing und künstlicher Intelligenz durch die Entwicklung quantenoptimierter maschineller Lernverfahren zur verbesserten Klassifizierung auf verrauschter Hardware sowie durch die Anwendung von Methoden des maschinellen Lernens zur Optimierung der Quantenfehlerkorrektur und der Simulation neuronaler Quantenzustände.
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 modernen Welt werden Computer immer besser darin, Muster zu erkennen, von der Identifizierung von Gesichtern in Fotos bis hin zur Übersetzung von Sprachen. Diese Fähigkeit stammt aus der künstlichen Intelligenz, einem Bereich, in dem Software aus riesigen Mengen an Daten lernt. Gleichzeitig bauen Wissenschaftler einen neuen Typ von Computer auf Basis der seltsamen Regeln der Quantenmechanik. Diese Maschinen nutzen Teilchen, die gleichzeitig in mehreren Zuständen existieren können, was das Potenzial bietet, Probleme zu lösen, die für heutige Supercomputer unmöglich sind. Jahrelang haben Forscher sich gefragt, ob diese beiden leistungsstarken Technologien einander helfen könnten. Könnten Quantencomputer die künstliche Intelligenz schneller und intelligenter machen? Umgekehrt: Könnten die intelligenten Algorithmen der künstlichen Intelligenz helfen, die fragile, fehleranfällige Natur von Quantenmaschinen zu beheben? Diese Frage steht im Zentrum einer neuen Forschungsrichtung, die die Beziehung zwischen diesen Feldern nicht als Einbahnstraße betrachtet, sondern als einen Austausch in beide Richtungen, bei dem jede Seite Werkzeuge bietet, um die schwierigsten Probleme der anderen zu lösen.
Eine aktuelle Doktorarbeit der Yonsei University untersucht diesen Schnittpunkt, indem sie zwei unterschiedliche Herausforderungen angeht. Auf der einen Seite stellt die Forschung die Frage, wie man Quantencomputer besser beim Lernen machen kann. Auf der anderen Seite stellt sie die Frage, wie künstliche Intelligenz Quantencomputern helfen kann, in der verrauschten, chaotischen Umgebung, in der sie operieren, zu überleben. Die Arbeit zeigt, dass der Erfolg eines Quanten-Maschinellen-Lernmodells weniger von der komplexen Mathematik innerhalb des Computers abhängt, sondern vielmehr davon, wie die Rohdaten vorbereitet werden, bevor sie in die Maschine gelangen. Sie zeigt auch, dass Wissenschaftler durch das Entlehnen von Ideen aus der modernen künstlichen Intelligenz schnellere und zuverlässigere Systeme zum Korrigieren von Fehlern in Quantenberechnungen aufbauen können – ein entscheidender Schritt zum Bau eines funktionierenden Quantencomputers.
Der erste Teil der Studie konzentriert sich auf ein Problem, das auftritt, wenn man versucht, einen Quantencomputer darauf zu trainieren, Muster zu erkennen, wie etwa das Unterscheiden zwischen verschiedenen handgeschriebenen Zahlen. In einem Standardcomputer werden Daten als eine Liste von Zahlen eingespeist. In einem Quantencomputer müssen diese Daten zuerst in einen Quantenzustand umgewandelt werden, ein Prozess, der als „Embedding“ bezeichnet wird. Die Forscher entdeckten, dass der Quantencomputer zum Scheitern verurteilt ist, egal wie intelligent der Lernalgorithmus ist, wenn diese Umwandlung schlecht durchgeführt wird. Sie fanden heraus, dass die Schwierigkeit der Aufgabe dadurch bestimmt wird, wie weit die Quantenzustände verschiedener Kategorien voneinander entfernt sind. Wenn die Zustände zu nah beieinander liegen, kann die Maschine sie nicht unterscheiden.
Um dies zu lösen, entwickelte das Team eine Methode namens „Neural Quantum Embedding“. Anstatt eine feste, starre Regel zur Umwandlung von Daten in Quantenzustände zu verwenden, nutzten sie ein klassisches neuronales Netz – eine Art künstlicher Intelligenz –, um den besten Weg für die Umwandlung zu erlernen. Diese KI fungiert als Übersetzer und formt die Daten so um, dass die verschiedenen Kategorien klar voneinander getrennt sind, wenn sie schließlich in den Quantencomputer gelangen. In Tests mit echter Quantenhardware verbesserte dieser Ansatz die Leistung drastisch. Ein System, das zuvor Schwierigkeiten hatte, korrekt zu raten und nur eine Genauigkeit von etwa 53 Prozent erreichte, sprang auf über 96 Prozent Genauigkeit, sobald die Daten durch diese lernende KI vorverarbeitet worden waren. Die Forscher zeigten auch, dass diese Methode selbst auf älteren Arten von Quantenmaschinen funktioniert, die Flüssigmoleküle anstelle von elektronischen Schaltkreisen verwenden, was beweist, dass die Idee über verschiedene Technologien hinweg robust ist.
Über die bloße Intelligenz der Maschine hinaus untersuchte die Studie auch, wie gut diese Quantenmodelle bei neuen Daten, die sie noch nie gesehen haben, abschneiden würden. Im maschinellen Lernen ist ein häufiger Fallstrick das Auswendiglernen der Trainingsdaten anstatt das Erlernen der zugrunde liegenden Regeln, was zum Scheitern bei neuen Aufgaben führt. Die Forscher fanden heraus, dass traditionelle Wege zur Messung der Komplexität eines Modells, wie etwa das Zählen seiner Parameter, nicht gut geeignet waren, um dieses Versagen vorherzusagen. Stattdessen entdeckten sie, dass die Betrachtung der „Konfidenz“ (Zuversicht) der Vorhersagen des Modells ein viel besserer Indikator war. Wenn das Quantenmodell Entscheidungen mit hoher Konfidenz traf, neigte es dazu, gut auf neue Daten zu generalisieren. Dieser Befund verbindet die physikalische Trennung der Datenzustände mit der Lernfähigkeit des Modells und legt nahe, dass die Art und Weise, wie Daten vorbereitet werden, genauso wichtig ist wie der Lernalgorithmus selbst.
Die zweite Hälfte der Forschung kehrt das Szenario um und fragt, wie künstliche Intelligenz Quantencomputern helfen kann. Quantenmaschinen sind berüchtigt für ihre Fragilität; winzige Störungen aus der Umgebung können Fehler verursachen, die Berechnungen ruinieren. Um dies zu beheben, verwenden Wissenschaftler Fehlerkorrekturcodes, die Informationen über viele Teilchen verteilen, sodass wenn eines ausfällt, die anderen die Rettung übernehmen können. Diese Codes erzeugen jedoch einen massiven Datenstrom, der in Echtzeit gelesen und korrigiert werden muss. Wenn der Korrekturprozess zu langsam ist, häufen sich die Fehler schneller an, als sie behoben werden können.
Die Forscher gingen dies an, indem sie einen neuen Typ von Decoder entwarfen – ein System, das die Fehlersignale liest und dem Computer mitteilt, wie er sie beheben soll. Sie ersetzten die standardmäßige Architektur, die in diesen Decodern verwendet wird, durch ein neueres, effizienteres Design namens Mamba. Dieses neue Design ist wesentlich schneller bei der Verarbeitung langer Datensequenzen als der bisherige Standard. In Simulationen erreichte der neue Decoder die Genauigkeit der älteren Systeme, tat dies jedoch mit deutlich weniger Verzögerung. Als die Forscher berücksichtigung, dass der Decoder selbst Zeit benötigt, um zu arbeiten, wurde der Geschwindigkeitsvorteil zu einem lebenswichtigen Unterschied. Der schnellere Decoder ermöglichte es dem Quantensystem, eine höhere Fehlerrate zu tolerieren, bevor es zusammenbrach, was effektiv die Schwelle dessen erhöhte, was möglich ist. Dies deutet darauf hin, dass bei wachsender Größe von Quantencomputern der Einsatz dieser schnelleren, KI-gesteuerten Decoder essenziell sein wird, um sie am Laufen zu halten.
Schließlich untersuchte die Studie, wie man den niedrigsten Energiezustand komplexer Quantensysteme findet, eine Aufgabe, die für das Verständnis von Materialien und Chemie von entscheidender Bedeutung ist. Dies geschieht oft mit einer Methode namens „Stochastic Reconfiguration“, was im Wesentlichen eine Methode zur Anpassung der Parameter eines neuronalen Netzes zur Minimierung des Fehlers ist. Die Forscher erkannten, dass diese Methode in modernen, groß angelegten Systemen instabil sein kann, da sie versucht, zu viele Informationen aus einer begrenzten Anzahl von Stichproben anzupassen. Sie zeigten, dass eine spezifische mathematische Anpassung, bekannt als „Diagonal Shift“, wie ein Filter wirkt, der das Rauschen in den Daten glättet. Durch den Einsatz einer Technik, die mehrere verschiedene Versionen dieses Filters kombiniert, konnten sie das Rauschen reduzieren und genauere Lösungen als zuvor finden. Diese Arbeit liefert ein klareres Verständnis dafür, wie man diese mächtigen Werkzeuge abstimmt, damit sie nicht durch die der Quantenmessungen inhärente Zufälligkeit verwirrt werden.
Zusammen zeichnen diese Ergebnisse das Bild eines Feldes in rasanter Entwicklung. Die Forschung zeigt, dass der Weg zu leistungsstarken Quantencomputern nicht allein im Bau besserer Hardware liegt, sondern in smarterer Software. Indem sie künstliche Intelligenz nutzen, um Daten für Quantenmaschinen vorzubereiten, und indem sie fortschrittliche Lernalgorithmen nutzen, um die Fehler zu managen, die diese Maschinen unweigerlich machen, bauen Wissenschaftler eine Brücke zwischen zwei der komplexesten Gebiete der Wissenschaft. Die Arbeit legt nahe, dass die Zukunft der Quantentechnologie von dieser Partnerschaft abhängen wird, in der jede Disziplin die Werkzeuge liefert, die die andere benötigt, um ihre hartnäckigsten Grenzen zu überwinden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.