Quantencomputer versprechen, Probleme zu lösen, die für heutige Maschinen unmöglich sind, doch sie sind notorisch zerbrechlich. Die winzigen Teilchen, die Informationen tragen, werden Qubits genannt, werden leicht durch ihre Umgebung gestört, was Fehler verursacht, die eine Berechnung ruinieren können. Um diese Maschinen nützlich zu machen, müssen Wissenschaftler zuerst genau verstehen, wie sie sich verhalten. Dies erfordert einen Prozess, der Charakterisierung genannt wird: das Messen der Ausgabe einer Maschine und das Rückwärtsrechnen, um herauszufinden, was im Inneren geschieht. Es ist ein wenig so, als versuche man, das Innenleben einer komplexen Uhr zu verstehen, indem man nur auf die Zeiger blickt, aber mit einer Wendung. In der Quantenwelt wird die Mathematik, die benötigt wird, um die Zahnräder der Uhr rückwärts zu konstruieren, so überwältigend kompliziert, dass es effektiv unmöglich ist, etwas als auch immer für die kleinsten Geräte zu lösen. Wenn diese Maschinen auf hunderte von Qubits anwachsen, stoßen die traditionellen Methoden zur Bestimmung ihres Verhaltens an eine Wand, was Forscher mit leistungsstarker Hardware zurücklässt, der sie nicht voll vertrauen oder die sie nicht präzise abstimmen können.

Ein Forschungsteam hat einen neuen Weg entwickelt, um diese Wand zu durchbrechen und ein Problem, das einst rechnerisch unmöglich war, in eine handhabbare Aufgabe zu verwandeln. Anstatt zu versuchen, die komplexen mathematischen Gleichungen direkt zu lösen, hat man einem Computer beigebracht, die Beziehung zwischen den Einstellungen einer Quantenmaschine und ihren Ergebnissen zu lernen, indem er Millionen von simulierten Beispielen beobachtet. Dieser Ansatz, den sie Simulation-based Inference (simulationsbasierte Inferenz) nennen, ermöglicht es ihnen, ein digitales Modell zu erstellen, das augenblicklich die verborgenen Ursachen jeder Messung erraten kann, die ein echter Quantencomputer produziert. Die Forscher demonstrierten diese Methode an Systemen mit bis zu 81 Qubits und identifizierten erfolgreich Rauschmuster, korrigierten Fehler und kartierten sogar die physischen Positionen von Atomen in einem simulierten Quantensimulator. Indem sie ein neuronales Netzwerk auf Daten trainierten, die von schnellen, klassischen Supercomputern generiert wurden, schufen sie ein Werkzeug, das ein Quantengerät in einem einzigen Schritt analysieren kann und dabei nicht nur eine beste Schätzung liefert, sondern auch ein klares Bild darüber, wie sicher diese Schätzung ist.

Der Kern dieser neuen Methode beruht auf einer klugen Arbeitsteilung zwischen zwei Arten von Computerprogrammen. Das erste ist ein Simulator, ein Programm, das nachahmt, wie ein Quantensystem unter bestimmten Bedingungen reagieren sollte. Während die Simulation eines echten Quantensystems schwierig ist, fanden die Forscher heraus, dass sie für viele praktische Fälle vereinfachte klassische Algorithmen verwenden konnten, um schnell riesige Mengen an Trainingsdaten zu generieren. Sie speisten diese Daten in das zweite Programm ein, ein neuronales Netzwerk, das darauf ausgelegt ist, Muster zu lernen. Dieses Netzwerk wurde darauf trainiert, die Ausgabe des Simulators zu betrachten und sofort die Einstellungen vorherzusagen, die sie verursacht haben. Einmal trainiert, fungiert dieses Netzwerk als universeller Übersetzer. Wenn ein echter Quantencomputer eine Messung produziert, kann das Netzwerk diese Daten sofort in eine Wahrscheinlichkeitskarte übersetzen, die zeigt, was im Inneren der Maschine wahrscheinlich geschieht. Dies eliminiert die Notwendigkeit, für jedes neue Experiment langsame, komplexe Berechnungen durchzuführen, und verwandelt eine Aufgabe, die früher Stunden oder Tage dauerte, in eine Angelegenheit von Sekunden.

Die Forscher testeten diesen Rahmen auf vier verschiedene Herausforderungen und zeigten damit seine Vielseitigkeit über verschiedene Arten von Quantenproblemen hinweg. Zuerst nutzten sie ihn, um etwas über das Rauschen in einem 50-Qubit-System zu lernen. In der Quantencomputertechnik bezieht sich Rauschen auf die zufälligen Fehler, die sich in Berechnungen einschleichen. Das Team identifizierte erfolgreich die spezifischen Wahrscheinlichkeiten dieser Fehler für hunderte verschiedener Gates, die Bausteine von Quantenschaltkreisen. Sie fanden heraus, dass einige Fehlerquellen leicht zu lokalisieren waren, andere jedoch in einer Weise miteinander verknüpft waren, die eine Trennung unmöglich machte. Entscheidend war, dass ihre Methode diese „nicht identifizierbaren“ Parameter automatisch identifizierte und den Forschern genau zeigte, wo ihre Messungen unzureichend waren und wo sie genauer hinschauen mussten. Diese Fähigkeit, zwischen dem, was bekannt werden kann, und dem, was nicht bekannt werden kann, zu unterscheiden, ist ein lebenswichtiges diagnostisches Werkzeug zur Verbesserung zukünftiger Experimente.

Als Nächstes wandte das Team ihre gelernten Rauschmodelle an, um Fehler in Echtzeit zu korrigieren. Quantenfehlerrechnung (Quantum Error Mitigation) ist eine Technik, die verwendet wird, um verrauschte Daten zu bereinigen, ohne dass eine perfekte Hardware erforderlich ist. Durch die Einspeisung des Verständnisses des neuronalen Netzwerks über das Rauschen in Standard-Korrekturprotokolle konnten sie genaue Ergebnisse aus verrauschten Simulationen gewinnen. In einem Test mit einer Kette interagierender Atome reduzierten sie die Fehler im Vergleich zu bestehenden Techniken um mehr als die Hälfte, und die Methode arbeitete selbst bei der Vorhersage von Ergebnissen für Schaltkreistiefen, die sie zuvor noch nie gesehen hatte, weiterhin genau. Dies deutet darauf hin, dass das Modell die zugrunde liegende Physik der Fehler gelernt hat, anstatt nur spezifische Beispiele auswendig zu lernen, was es ihm ermöglicht, auf neue Situationen zu generalisieren.

Der Rahmen erwies sich auch als effektiv für die Quantenzustandstomografie, einen Prozess, der verwendet wird, um den vollständigen Quantenzustand eines Systems zu rekonstruieren. Normalerweise erfordert dies, das System viele Male zu messen und für jeden neuen Zustand schwere Berechnungen durchzuführen. Die Forscher trainierten ihr neuronales Netzwerk auf einer Vielzahl simulierter Zustände und fanden heraus, dass es neue, ungesehene Zustände mit extrem hoher Genauigkeit rekonstruieren konnte. In Tests mit 12-Qubit-Systemen rekonstruierte das Netzwerk die Zustände mit einer Fidelität, also Genauigkeit, von über 99 Prozent. Dies bedeutet, dass die Methode als wiederverwendbares Werkzeug dienen kann, um die Qualität von Quantenzuständen zu überprüfen, ohne das System für jedes neue Experiment neu trainieren zu müssen, was ein bedeutender Schritt zur Praktikabilität von Quantendiagnosen für große Maschinen ist.

Schließlich befasste sich das Team mit dem Problem des Hamiltonian-Learnings, was die Bestimmung der exakten Kräfte und Wechselwirkungen beinhaltet, die ein Quantensystem steuern. Sie wandten ihre Methode auf ein simuliertes Array von 81 Atomen an, bei dem das Ziel darin bestand, die präzisen physikalischen Positionen jedes Atoms basierend auf dessen Interaktion mit seinen Nachbarn zu bestimmen. Selbst bei geringfügigen Verschiebungen von nur wenigen Nanometern war das neuronale Netzwerk in der Lage, die Positionen der Atome mit bemerkenswerter Präzision abzuleiten. Die Ergebnisse stimmten mit hoher Korrelation mit den wahren Werten überein, und die Unsicherheitsschätzungen des Netzwerks hoben korrekt die wenigen Bereiche hervor, in denen die Daten weniger eindeutig waren. Diese Fähigkeit könnte entscheidend für die Kalibrierung zukünftiger Quantensimulatoren sein, bei denen die physische Platzierung der Atome das gesamte Verhalten der Maschine bestimmt.

Der Erfolg dieser Arbeit beruht darauf, dass die Forscher nicht versucht haben, die unmögliche Mathematik direkt zu lösen. Stattdessen akzeptierten sie, dass sie nicht die Antwort für jede einzelne neue Situation berechnen konnten. Indem sie Zeit investierten, um ein Modell vorab mit einer massiven Menge an simulierten Daten zu trainieren, schufen sie ein System, das sich dadurch auszahlt, dass es unglaublich schnell und wiederverwendbar ist. Die Methode funktioniert, weil sie die Tatsache nutzt, dass viele Quantensysteme, selbst große, Strukturen besitzen, die klassische Computer dennoch effizient simulieren können. Durch die Paarung dieser effizienten Simulatoren mit leistungsstarken neuronalen Netzen haben die Forscher eine Brücke zwischen der klassischen und der Quantenwelt geschlagen. Dieser Ansatz ersetzt nicht die Notwendigkeit physischer Experimente, aber er bietet eine leistungsstarke Linse, durch die man sie betrachten kann, indem er Rohdaten in handlungsrelevante Erkenntnisse über die Quantenwelt verwandelt.

Die Auswirkungen dieser Arbeit erstrecken sich über diese spezifischen Tests hinaus. Die Forscher merken an, dass ihre Methode allgemein genug ist, um auf viele andere Probleme in der Quantenwissenschaft angewendet werden zu können, wie etwa die Kalibrierung von Sensoren oder das Design von Feedback-Steuerungen. Obwohl die aktuellen Ergebnisse auf Simulationen basieren, ist der Rahmen so konzipiert, dass er auch mit realen experimentellen Daten funktionieren kann. Die wesentliche Einschränkung bleibt die Fähigkeit, die Trainingsdaten zu simulieren; wenn ein System zu komplex wird, selbst für die besten klassischen Simulatoren, muss sich die Methode anpassen. Für den weiten Bereich der derzeit zugänglichen Quantensysteme bietet diese Technik jedoch einen praktischen Weg nach vorn. Sie transformiert die Charakterisierung von Quantengeräten von einem langsamen, maßgeschneiderten Prozess in eine gestraffte, automatisierte Fähigkeit und bringt uns dem Tag näher, an dem Quantencomputer zuverlässig für reale Anwendungen abgestimmt und vertrauenswürdig eingesetzt werden können.