Analog neutral-atom for in-memory processing in quantum reservoir computing

Auf der Suche nach Wegen, Maschinen das Denken beizubringen, haben Wissenschaftler lange Zeit den Blick auf das menschliche Gehirn als Inspiration gelenkt, insbesondere auf seine Fähigkeit, sich an die Vergangenheit zu erinnern, während es die Gegenwart verarbeitet. Diese spezifische Herausforderung, bekannt als Zeitreihenanalyse, beinhaltet das Verständnis von Datensequenzen, bei denen die Reihenfolge entscheidend ist, wie etwa bei der Vorhersage des Wetters oder der Analyse von Aktienmärkten. Jahrzehntelang haben Forscher versucht, digitale Systeme zu bauen, die dieses „verblassende Gedächtnis“ imitieren, bei dem alte Informationen langsam verblassen, um Platz für neue Daten zu schaffen – eine Eigenschaft, die essenziell ist, um einen kontinuierlichen Strom von Ereignissen zu erfassen. Kürzlich hat sich eine neue Grenze eröffnet durch den Versuch, diese Aufgaben nicht auf Siliziumchips, sondern auf Quantencomputern auszuführen. Diese Maschinen nutzen die seltsamen Regeln der Quantenphysik, um Informationen in hochdimensionalen Räumen zu verarbeiten, was einen potenziellen Abkürzweg zur Lösung von Problemen bietet, die für klassische Computer zu komplex sind. Eine große Hürde bleibt jedoch: Quantensysteme sind notorisch fragil und verlieren oft schnell die Fähigkeit, Informationen festzuhalten, oder sie benötigen externe klassische Computer, die als temporärer Speicherpuffer fungieren, was den Zweck der Verwendung einer Quantenmaschine eigentlich vereitelt.

Ein Team von Forschern hat nun einen Weg demonstriert, diese Einschränkung mithilfe eines speziellen Typs von Quantenhardware aus Neutralatomen zu überwinden. Durch die sorgfältige Konstruktion der Art und Weise, wie diese Atome mit ihrer Umgebung interagieren, schufen die Wissenschaftler ein System, das seinen Ausgangszustand natürlich vergisst, während es gleichzeitig eine nützliche Aufzeichnung jüngster Eingaben bewahrt, und zwar ohne eine externe klassische Speicherbank zu benötigen. Ihre Arbeit, die auf Simulationen eines Quantensystems statt auf einem physischen Experiment an einer echten Maschine basiert, zeigt, dass der Schlüssel zur Freisetzung dieses Gedächtnisses in einem empfindlichen Gleichgewicht zwischen Chaos und kontrolliertem Zerfall liegt. Die Forscher fanden heraus, dass sie ihr System, indem sie es auf einen spezifischen Punkt am Rande des Quantenchaos abstimmten und eine bestimmte Art von Energieverlust einführten, einen „Reservoir“ aufbauen konnten, der in der Lage ist, komplexe Prognoseprobleme mit nur fünf Atomen zu lösen. Dieser Ansatz deutet einen Weg hin zu vollautonomen Quantenprozessoren, die zeitabhängige Aufgaben nativ bewältigen können, ohne sich auf die langsamen, externen Pufferungsmethoden zu verlassen, auf die aktuelle Systeme oft angewiesen sind.

Der Kern dieser Forschung umfasst eine Plattform, die als Neutralatom-Array bekannt ist, bei der einzelne Atome durch fokussierte Lichtstrahlen an Ort und Stelle gehalten werden, ähnlich wie Murmeln in unsichtbaren Bechern. Diese Atome werden in einen hochenergetischen Zustand versetzt, was es ihnen ermöglicht, stark miteinander zu interagieren. In der Vergangenheit nutzten Wissenschaftler, die diese Plattformen für maschinelles Lernen verwendeten, oft eine Methode, bei der sie ein Datenpaket in das System einspeisten, das Ergebnis maßen und das System dann zurücksetzten, um mit dem nächsten Paket von vorn zu beginnen. Dieser Ansatz gleicht dem Lesen eines Buches Seite für Seite, wobei man sich vor dem Umblättern das Gedächtnis an die vorherige Seite löscht; es funktioniert zwar, ist aber ineffizient und scheitert daran, den kontinuierlichen Informationsfluss zu erfassen. Die neue Studie schlägt eine andere Strategie vor: ein analoges System, in dem die Daten kontinuierlich fließen und das System selbst dazu übergeht, die Erinnerung an die Vergangenheit innerhalb seines Quantenzustands zu bewahren. Um dies zu ermöglichen, mussten die Forscher ein grundlegendes Problem lösen: Quantensysteme neigen dazu, Informationen entweder ewig festzuhalten (was das Vergessen alter Daten verhindert) oder sie zu schnell zu verlieren. Sie brauchten einen Weg, um ein „verblassendes Gedächtnis“ zu induzieren, bei dem das System sich an die jüngste Vergangenheit erinnert, aber die ferne Vergangenheit allmählich loslässt – eine Eigenschaft, die für die Verarbeitung zeitabhängiger Informationen unerlässlich ist.

Die Forscher entdeckten, dass das Geheimnis zur Erzielung dieses verblassenden Gedächtnisses darin bestand, Dissipation, also den kontrollierten Energieverlust, zu akzeptieren, anstatt zu versuchen, ihn zu eliminieren. In ihren Simulationen modellierten sie die Atome als mit einer Umgebung interagierend, die bewirkt, dass sie über die Zeit Energie verlieren. Sie testeten verschiedene Arten, wie dieser Energieverlust auftreten könnte, und verglichen sie, um zu sehen, welche die Fähigkeit zur Informationsverarbeitung am besten bewahrte. Sie fanden heraus, dass eine spezifische Art des Energieverlusts, bekannt als Amplitudendämpfung, am effektivsten war. Dieser Prozess treibt die Atome gegen einen stabilen Grundzustand und „reinigt“ das System somit effektiv von alten Informationen, während er gleichzeitig erlaubt, dass neue Eingaben den Zustand so formen, dass eine Spur der Geschichte erhalten bleibt. Überraschenderweise fanden sie auch, dass ein anderer Typ von Rauschen, das normalerweise als schädlich gilt, immer noch eine kleine Menge an Gedächtnis bewahren konnte, wenn das System durch eine starke externe Kraft angetrieben wurde. Diese kontraintuitive Erkenntnis zeigte, dass selbst wenn ein System theoretisch nicht in der Lage ist, einen stabilen Zustand aufrechtzuerhalten, das ständige Drücken und Ziehen der treibenden Kraft es in einem Zustand des Flusses halten kann, der die Vergangenheit für eine kurze Zeit erinnert.

Um zu testen, wie gut dieses System funktionierte, führte das Team eine Reihe von Benchmarks durch, die darauf ausgelegt waren, das Gedächtnis und die Vorhersagefähigkeiten zu messen. Sie begannen mit einer einfachen Aufgabe namens Kurzzeitgedächtnis, bei der das System eine Zahl aus einer Sequenz von vor einigen Schritten an sich erinnern musste. Sie fanden heraus, dass das System am besten funktionierte, wenn die Atome auf einen spezifischen Betriebspunkt abgestimmt waren, der als „Rand des Chaos“ bekannt ist. Dies ist eine Region, in der das System weder völlig vorhersehbar noch völlig zufällig ist, sondern sich in einem optimalen Bereich befindet, in dem komplexe Muster entstehen können. Wenn die Atome auf diesen Rand abgestimmt waren, konnte das System Informationen wesentlich länger erinnern als in einem stabileren oder chaotischeren Zustand. Die Forscher verglichen auch zwei Wege, das System zu skalieren: das Hinzufügen von mehr physischen Atomen gegenüber einer Technik namens Zeitmultiplexing, die versucht, mehr Informationen aus derselben Anzahl von Atomen herauszupressen, indem sie diese zu verschiedenen Zeiten abtastet. Sie fanden heraus, dass das Hinzufügen von mehr physischen Atomen die zuverlässigere Methode war, da es neue, unabhängige Wege zur Speicherung von Informationen hinzufügte, während das Zeitmultiplexing schnell an eine Grenze stieß, an der die zusätzlichen Proben zu ähnlich wurden, um nützlich zu sein.

Der wahre Test des Systems kam, als die Forscher es baten, komplexe, chaotische Muster vorherzusagen. Sie verwendeten zwei berühmte mathematische Modelle, die unvorhersehbare, aber strukturierte Sequenzen erzeugen, bekannt als Mackey-Glass- und Santa-Fe-Zeitreihen. Dies sind schwierige Aufgaben, da der zukünftige Zustand des Systems von einer langen und komplizierten Geschichte vergangener Zustände abhängt. Die Simulationen zeigten, dass ihr Quanten-Reservoir diese Sequenzen mit bemerkenswerter Genauigkeit vorhersagen konnte, selbst wenn es eine sehr geringe Anzahl von Atomen verwendete. In einem Szenario war ein Array von nur fünf Atomen ausreichend, um das chaotische Verhalten mit hoher Präzision vorherzusagen. Entscheidend war, dass die Forscher ihre Methode mit dem älteren Ansatz verglichen, der auf externem klassischem Speicher beruht. Sie fanden heraus, dass ihr autonomes Quantensystem, das sein eigenes Gedächtnis besitzt, die klassisch gepufferten Systeme signifikant übertraf. Die älteren Systeme benötigten ein großes Fenster an vergangenen Daten, das von außen eingespeist werden musste, um ähnliche Ergebnisse zu erzielen, wohingegen das neue System dies mit einem viel kleineren Fenster leisten konnte, indem es die Informationen effektiv intern verarbeitete.

Die Studie kommt zu dem Schluss, dass für die praktische Realisierbarkeit von Quanten-Reservoir-Computing die Hardware von vornherein so konzipiert sein muss, dass sie diese spezifischen dissipativen Eigenschaften enthält. Die Forscher argumentieren, dass die Ära, in der man versucht, perfekte, isolierte Quantensysteme zu bauen, die niemals Energie verlieren, nicht unbedingt der richtige Weg für diese Art von Computing ist. Stattdessen liegt die Zukunft darin, Systeme zu entwickeln, die offen für ihre Umgebung sind und kontrollierten Energieverlust nutzen, um das notwendige verblassende Gedächtnis zu erzeugen. Durch die Abstimmung des Systems auf den Rand des Chaos und die Verwendung der richtigen Art von Energiedissipation ist es möglich, einen Computer zu bauen, der als echter zeitlicher Prozessor agiert. Diese Arbeit liefert einen klaren Bauplan für das Design dieser Maschinen und legt nahe, dass die nächste Generation von Quantengeräten in der Lage sein könnte, komplexe Echtzeit-Datenströme nativ zu verarbeiten, ohne auf das schwere externe Gerüst angewiesen zu sein, das ihre Anwendung bisher begrenzt hat.