Symmetrie ist eine fundamentale Sprache der physikalischen Welt, ein Regelwerk, das diktiert, wie Systeme sich verhalten und was unverändert bleibt, wenn sie verschoben, rotiert oder transformiert werden. Im Bereich der Quantenphysik, in dem Teilchen in fragilen, probabilistischen Zuständen existieren, sind diese Symmetrien nicht bloß ästhetische Merkmale; sie sind die eigentlichen Randbedingungen, die die Realität definieren und alles von der Energieerhaltung bis zur Stabilität der Materie steuern. Jahrzehntelang haben sich Wissenschaftler auf leistungsstarke mathematische Werkzeuge verlassen, um diese verborgenen Regeln in klassischen Objekten aufzudecken, etwa beim Finden wiederkehrender Muster in einer Zahlenfolge. Doch wenn das Untersuchungsobjekt selbst ein Quantenzustand ist – eine Wolke aus Wahrscheinlichkeit statt einer festen Zahl –, ändern sich die Regeln. Quantenzustände sind nur bis auf eine globale Phase definiert, eine subtile mathematische Verschiebung, die die physikalische Realität des Teilchens nicht verändert, aber die Suche nach seiner zugrunde liegenden Symmetrie erschwert. Bis jetzt war die Fähigkeit, diese Symmetrien effizient zu erlernen, auf einfache, gut strukturierte Gruppen und strikte Definitionen von Invarianz beschränkt, was ein weites Feld komplexer Quantenobjekte unerforscht ließ.

Ein Team von Forschern der University of Cambridge und der University of Oxford hat nun die Karte dessen, was in diesem Bereich computergestützt möglich ist, signifikant erweitert. Sie haben eine neue Suite von Quantenalgorithmen entwickelt, die in der Lage sind, die Symmetrien einer viel breiteren Palette von Quantenobjekten zu erlernen, einschließlich komplexer Quantenzustände, der Operatoren, die sie manipulieren, und sogar der als Hamiltonoperatoren bekannten Energielandschaften. Ihre Arbeit geht über die bisherigen Einschränkungen hinaus, die diese Entdeckungen auf einfache, kommutative Gruppen und starre Definitionen von Symmetrie beschränkten. Stattdessen haben sie Methoden geschaffen, die für nicht-kommutative Gruppen funktionieren, bei denen die Reihenfolge der Operationen entscheidend ist, sowie für eine physikalisch natürlichere Definition von Symmetrie, die die globale Phase berücksichtigt. Dies bedeutet, dass ein Quantencomputer zum ersten Mal effizient die verborgenen Symmetriegruppen gemischter Quantenzustände und projektiver Repräsentationen identifizieren kann, welche die allgemeinsten algebraischen Beschreibungen von Quantensymmetrien darstellen.

Der Kern ihres Erfolgs liegt in der Lösung eines Problems, das als das State Hidden Subgroup Problem bekannt ist. Dabei wird ein Quantencomputer aufgefordert, die verborgene Untergruppe von Symmetrien zu finden, die einen gegebenen Quantenzustand unverändert lässt. Frühere Algorithmen konnten diese Aufgabe nur bewältigen, wenn die Gruppe der Symmetrien abelsch war, was bedeutet, dass die Operationen in beliebiger Reihenfolge durchgeführt werden konnten, ohne das Ergebnis zu verändern. Die Forscher haben diese Barriere durch die Entwicklung eines effizienten Algorithmus für eine breite Klasse von nicht-abelschen Gruppen durchbrochen, speziell für solche, die „polynomisch nahe an Hamiltonian-Gruppen“ sind. In diesen Gruppen ist zwar nicht jede Untergruppe perfekt normal, aber die Struktur ist nah genug, um eine effiziente Berechnung zu ermöglichen. Sie erreichten dies durch die Anpassung einer Technik namens schwache Fourier-Sampling, die es dem Algorithmus ermöglicht, den „Normalkern“ der verborgenen Symmetriegruppe zu extrahieren. Dieser Kern ist der größte Teil der Symmetriegruppe, der sich vorhersagbar verhält, und durch das Finden dieses Kerns kann der Algorithmus die vollständige Symmetriestruktur mit hoher Wahrscheinlichkeit rekonstruieren. Diese Weiterentwicklung allein verbessert die Effizienz beim Finden von Symmetrien in vielen bekannten Fällen und erweitert die Reichweite des Quantenlernens auf Gruppen, die zuvor als zu komplex galten.

Der vielleicht tiefgreifendere Wandel in ihrer Arbeit ist die Einführung des „anyonischen“ Symmetrielernens. In der Standardquantenmechanik sind zwei Zustände, die sich nur durch einen globalen Phasenfaktor unterscheiden, physikalisch ununterscheidbar; sie repräsentieren exakt dieselbe Realität. Herkömmliche Algorithmen zum Lernen von Symmetrien erforderten jedoch, dass der Zustand exakt invariant war, wobei sie diese physikalische Nuance ignorierten. Die Forscher führten einen neuen Rahmen ein, in dem ein Zustand als symmetrisch gilt, wenn er sich bis auf diese globale Phase unverändert bleibt. Diese Unterscheidung ist entscheidend für das Verständnis realer Quantensysteme, insbesondere jener, die „Stabilisatorgruppen“ beinhalten – Mengen von Operatoren, die einen Quantenzustand invariant lassen. Durch die Zulassung dieser Phasenflexibilität entwickelten die Forscher einen Algorithmus, der das Problem des Lernens anyonischer Symmetrien auf das einfachere Problem des Lernens von Standard-Symmetrien reduziert. Sie erreichten dies durch einen cleveren mathematischen Trick unter Verwendung des Tensorprodukts des Zustands mit sich selbst, wodurch die Phasenambiguität effektiv in ein Standard-Symmetrieproblem umgewandelt wurde, das der Computer lösen kann.

Um den noch komplexeren Fall der projektiven Repräsentationen anzugehen, bei denen die Symmetrieoperationen eine „Verdrehung“ oder eine Skalarmultiplikation beinhalten, die nicht entfernt werden kann, stellten die Forscher eine überraschende Verbindung zur Fehlerkorrektur (Error-Correcting Codes) her. Sie erkannten, dass das Problem der Linearisierung dieser verdrehten Repräsentationen direkt auf die Konstruktion linearer Codes abgebildet werden kann – mathematische Strukturen, die zur Erkennung und Korrektur von Fehlern bei der Datenübertragung verwendet werden. Indem sie das Problem des Symmetrielernens als ein Kodierungstheorie-Problem behandelten, konnten sie Algorithmen entwerfen, die spezifische Codes nutzen, um die projektiven Repräsentationen zu „entdrehen“ und sie in Standard-Linear-Repräsentationen zu verwandeln, die ein Quantencomputer verarbeiten kann. Dieser Ansatz ermöglichte es ihnen, das Problem des Lernens der Stabilisatorgruppen beliebiger gemischter Quantenzustände zu lösen, eine Aufgabe, die für allgemeine Fälle bisher ungelöst geblieben war. Ihre Methode ist hocheffizient und erfordert eine Anzahl von Kopien des Quantenzustands, die logarithmisch mit der Größe des Systems skaliert, was sie für praktische Anwendungen praktikabel macht.

Die Tragweite ihrer Entdeckung erstreckt sich über bloße Quantenzustände hinaus. Die Forscher demonstrierten, dass die Symmetrien anderer Quantenobjekte, wie etwa unitärer Operatoren (die beschreiben, wie sich Quantenzustände über die Zeit entwickeln) und Hamiltonoperatoren (die die Energie eines Systems beschreiben), gelernt werden können, indem man diese Probleme auf das bereits gelöste Problem des Zustands-Symmetrielernens reduziert. Um beispielsweise die Symmetrien eines Hamiltonoperators zu finden, zeigten sie, dass man die Symmetrien des unitären Operators analysieren kann, der dessen zeitliche Entwicklung beschreibt. Ähnlich adressierten sie das Problem des Lernens von Symmetrien für eine Sammlung von Zuständen oder einen Zustandsunterraum, indem sie zeigten, dass auch diese auf das zentrale Zustandslernproblem reduziert werden können. Diese Vereinheitlichung legt nahe, dass das Lernen von Zustands-Symmetrien ein fundamentaler Baustein ist – ein universelles Primitiv, das auf eine Vielzahl von Quantenlernaufgaben angewendet werden kann.

Die Implikationen dieser Arbeit sind unmittelbar und praktisch. Eine der bedeutendsten Anwendungen ist das Lernen von Stabilisatorgruppen für gemischte Zustände beliebiger lokaler Dimension. In der Quantencomputerkalkulation sind Stabilisatorgruppen essenziell für die Fehlerkorrektur und die Charakterisierung von Quantenzuständen. Der neue Algorithmus bietet die erste explizite, nachweislich korrekte Methode zum Lernen dieser Gruppen für jeden gemischten Zustand, unabhängig von der Dimension der einzelnen Quantenteilchen (Qudits). Dies stellt eine erhebliche Verbesserung gegenüber bisherigen Methoden dar, die auf reine Zustände oder spezifische Dimensionen beschränkt waren. Die Forscher optimierten zudem die Parameter ihrer Algorithmen und zeigten auf, wie man die Anzahl der benötigten Kopien eines Quantenzustands gegen die Geschwindigkeit der Berechnung abwägt – ein Leitfaden für Quantengeräte der nächsten Generation, die möglicherweise Schwierigkeiten haben könnten, die Kohärenz über viele Kopien eines Zustands hinweg aufrechtzuerhalten.

Obwohl das Paper diese leistungsfähigen neuen Fähigkeiten etabliert, zeichnet es auch klar die Grenzen dessen auf, was derzeit möglich ist. Die Algorithmen sind effizient für endliche Gruppen und spezifische Klassen nicht-abelscher Gruppen, doch die Autoren räumen ein, dass der allgemeine Fall für alle nicht-abelschen Gruppen ein schwieriges Problem bleibt, das wahrscheinlich ebenso schwierig ist wie das allgemeine Hidden Subgroup Problem. Sie merken zudem an, dass ihre aktuellen Ergebnisse auf exakten Symmetrien beruhen, während reale Quantensystemen Rauschen und Imperfektionen unterliegen. Das Paper lässt explizit die Frage des Lernens approximativer Symmetrien als offenes Problem für die zukünftige Forschung offen, da die mathematische Struktur approximativer Symmetriesätze möglicherweise keinen sauberen Untergruppencharakter besitzt. Darüber hinaus haben sie das Framework für projektive Repräsentationen für abelsche Gruppen erweitert, doch die Erweiterung auf nicht-elsche Gruppen mit projektiven Repräsentationen bleibt eine Herausforderung, da die Standardtechniken zur Linearisierung dieser Repräsentationen sich nicht ohne Weiteres verallgemeinern lassen.

Letztlich stellt diese Arbeit einen bedeutenden Fortschritt in unserer Fähigkeit dar, die Quantenwelt zu verstehen und zu manipulieren. Indem sie den Umfang des Symmetrielernens auf nicht-elsche Gruppen, anyonische Symmetrien und projektive Repräsentationen ausgeweitet haben, haben die Forscher ein umfassenderes Toolkit für das Design von Quantenalgorithmen bereitgestellt. Sie haben gezeigt, dass die Prinzipien der Symmetrie, die seit langem ein Eckpfeiler der Physik sind, auf eine Weise computergestützt genutzt werden können, die zuvor als unerreichbar galt. Die Verbindung, die sie zwischen Quantensymmetrielernen und Kodierungstheorie geschlagen haben, eröffnet neue Wege der Forschung und legt nahe, dass die Werkzeuge, die entwickelt wurden, um Daten vor Fehlern zu schützen, auch der Schlüssel zum Verständnis der tiefsten Symmetries der Natur sein könnten. Während Quantencomputer immer leistungsfähiger werden, werden diese Algorithmen wahrscheinlich unverzichtbar werden, um komplexe Quantensysteme zu charakterisieren, Fehlerkorrektur-Codes zu entwerfen und die fundamentalen Gesetze zu erforschen, die die Quantenwelt regieren.