⚛️ quantum physics

Quantum data loading from the learned shared structure of real signals

Dieses Paper stellt einen quantennativen DataLoader vor, der eine gemeinsame niedrigdimensionale Struktur aus realen Datensätzen lernt, um Signale mit einem einzigen festen Schaltkreis vorzubereiten, wodurch im Vergleich zu traditionellen Methoden eine überlegene Skalierbarkeit und Effizienz erreicht wird, da weniger Parameter benötigt werden, die auch bei zunehmender Datengröße konstant bleiben.

Ursprüngliche Autoren: Pablo Herrero Gómez, Antonio Jimeno Morenilla, David Muñoz-Hernández, Higinio Mora Mora

Veröffentlicht 2026-10-06

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Pablo Herrero Gómez, Antonio Jimeno Morenilla, David Muñoz-Hernández, Higinio Mora Mora

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

Quantencomputer versprechen, bestimmte Probleme weitaus schneller zu lösen als heutige Maschinen, doch sie stehen vor einem hartnäckigen Engpass, noch bevor sie überhaupt beginnen können. Um einen Quantencomputer zu nutzen, müssen klassische Informationen – wie eine Schallwelle, ein medizinisches Bild oder ein Finanzdatensatz – zuerst in die Sprache der Quantenbits übersetzt werden. Diese Übersetzung, bekannt als Zustandspräparation (State Preparation), ist notorisch schwierig. Wenn die Daten beliebig und unstrukturiert sind, erfordert der Prozess einen massiven Rechenaufwand, der oft so groß ist, dass er den späteren Geschwindigkeitsvorteil des Quantencomputers zunichtemacht. Der Standardansatz behandelt jedes neue Datensegment als ein einzigartiges Rätsel, das einen maßgeschneiderten Satz von Anweisungen erfordert. Dies macht den Prozess langsam und teuer, insbesondere wenn die Daten größer werden.

Ein Team von Forschern der Universidad de Alicante hat einen anderen Weg vorgeschlagen, der auf der Tatsache basiert, dass reale Signale selten zufällig sind. Anstatt jedes neue Signal als ein frisches Mysterium zu behandeln, stellten sie die Frage, ob eine Gruppe ähnlicher Signale, wie Herzschläge oder elektrische Ströme, eine verborgene, gemeinsame Struktur teilt, die einmal gelernt und dann wiederverwendet werden kann. Ihre Arbeit zeigt, dass es durch das Identifizieren dieser gemeinsamen Struktur möglich ist, eine riesige Menge an Daten mit einem einzigen, festen Satz von Anweisungen in einen Quantencomputer zu laden. Das Einzige, was sich für jedes neue Datum ändert, ist eine kleine Handvoll Zahlen, die die Anweisungen feinabstimmen. Dieser Ansatz reduziert die Menge der benötigten Informationen zur Beschreibung jedes neuen Signals drastisch, ohne die Genauigkeit des Endergebnisses zu opfern.

Die Forscher testeten diese Idee anhand von fünf öffentlichen Datensätzen, die reale Signale enthielten, darunter Aufzeichnungen von Herzaktivität und elektrischen Strömen aus Industriemotoren. Sie unterteilten die Daten in Fenster und versuchten, diese in eine Quantensimulation zu laden. Ihre Methode, die sie einen „quantum-native loader“ nennen, arbeitet in zwei unterschiedlichen Phasen. Zuerst, in einer Offline-Phase, analysiert das System eine große Sammlung vollständiger Signale, um ein gemeinsames Muster zu finden. Es identifiziert einen spezifischen Satz von Bausteinen, die alle Signale der Gruppe beschreiben können, und lernt eine mathematische Regel, die einige einfache Koordinaten auf die komplexen Details eines beliebigen Signals in dieser Gruppe abbildet. Sobald dieser Lernprozess abgeschlossen ist, friert das System seine Konfiguration ein. Der „Schaltkreis“ (Circuit), oder der Satz von Anweisungen für den Quantencomputer, wird fixiert.

In der zweiten, Online-Phase begegnet das System einem neuen Signal. Anstatt das gesamte Signal von Grund auf neu zu analysieren oder einen neuen Satz von Anweisungen zu erstellen, projiziert es die neuen Daten einfach auf die gefrorene, gelernte Struktur. Es berechnet einen kleinen Satz von Koordinaten – nur wenige Zahlen – und nutzt die zuvor gelernte Regel, um diese Zahlen in die spezifischen Einstellungen für den fixierten Quantenschaltkreis zu übersetzen. Die Forscher fanden heraus, dass diese Methode für jedes neue Signal nur etwa dreizehn Zahlen benötigte, um die Daten zu beschreiben, während die besten bestehenden Methoden über achtzig Zahlen erforderten, um dieselbe Genauigkeit zu erreichen. Diese Reduktion ist signifikant, da sie bedeutet, dass der klassische Computer weit weniger Informationen an den Quantencomputer senden muss, um die Aufgabe zu bewältigen.

Entscheidend ist, dass die Forscher zeigten, dass diese Effizienz nicht zu Lasten der Arbeitslast des Quantencomputers geht. Obwohl die neue Methode weniger Zahlen an die Maschine sendet, verwendet der Quantenschaltkreis selbst eine ähnliche Anzahl an komplexen Zwei-Qubit-Gattern wie die stärksten bestehenden Methoden. Tatsächlich waren die beiden Ansätze in ihrer Nutzung von Gattern so nah beieinander, dass die Forscher sie als gleichwertig betrachteten. Der Vorteil liegt ausschließlich in der Schnittstelle: Die neue Methode verlangt vom Nutzer, weit weniger Daten bereitzustellen, um das gleiche Ergebnis zu erzielen. Dies ist eine wesentliche Unterscheidung, da es darauf hindeutet, dass der Engpass nicht die Quantenhardware selbst ist, sondern die Menge der klassischen Information, die zur Vorbereitung benötigt wird.

Die Studie untersuchte auch ein anspruchsvolleres Szenario: Was passiert, wenn das System nicht Zugriff auf das gesamte Signal hat, sondern nur auf eine zufällige Auswahl seiner Teile? In vielen realen Situationen könnten Sensoren Datenpunkte verpassen oder die Übertragung könnte unvollständig sein. Die Forscher testeten, ob ihre Methode immer noch funktionieren könnte, wenn sie nur einen Bruchteil des Signals sieht. Sie fanden heraus, dass mit wachsenden Signalen die Anzahl der Datenpunkte, die die neue Methode sehen musste, um die Genauigkeit beizubehalten, bemerkenswert konstant blieb. Ob das Signal 128 oder 2.048 Punkte hatte, die Methode benötigte etwa die gleiche Anzahl an Zufallspunkten, um ein gutes Ergebnis zu erzielen. Im Gegensatz dazu mussten die älteren Methoden deutlich mehr Daten sehen, wenn die Signale größer wurden. Dies deutet darauf hin, dass der neue Ansatz robust gegenüber fehlenden Informationen ist, sofern die fehlenden Daten zufällig verteilt sind und keine großen, kontinuierlichen Lücken bilden.

Die Forscher waren jedoch sorgfältig darin, die Grenzen ihres Erfolgs zu definieren. Die Methode funktioniert nur für Signale, die der spezifischen Struktur entsprechen, die sie gelernt hat. Als sie das System mit Herzsignalen testeten, die nicht den gelernten Mustern entsprachen, verweigerte das System korrekt die Ladung, anstatt eine schlechte Annäherung zu produzieren. Dieses „Absehen“ (Abstention) ist ein Feature, kein Bug; es stellt sicher, dass das System nur dann arbeitet, wenn es zuversichtlich ist, einen hohen Standard an Genauigkeit erfüllen zu können. Die Studie merkte auch an, dass die Methode während der initialen Lernphase vollständige Beispiele der Signale benötigt. Sie kann nicht aus unvollständigen Daten lernen und kann sich nicht augenblicklich an einen völlig neuen Typ von Signal anpassen, der nicht Teil des ursprünglichen Trainingssatzes war.

Die Ergebnisse bieten einen klaren Weg, um das Laden von Quantendaten praktikabler zu machen. Indem sie die Last von der Quantenberechnung auf eine vorab berechnete, klassische Lernphase verlagern, haben die Forscher gezeigt, dass es möglich ist, komplexe, reale Daten mit einem fixen Schaltkreis und einem minimalen Satz von Parametern zu laden. Obwohl die Studie die Schaltkreise nicht auf tatsächlicher Quantenhardware ausführte, deutet die Analyse der Gatterzahlen und Fehlerraten darauf hin, dass die Methode in einer verrauschten Umgebung Bestand haben würde und ihren Vorteil gegenüber dem exakten, unstrukturierten Laden beibehalten würde. Die Arbeit beansprucht nicht, jedes Problem des Quantencomputings gelöst zu haben, aber sie liefert eine konkrete Demonstration dafür, dass das Erlernen der gemeinsamen Struktur realer Daten einen effizienteren Weg eröffnen kann, um die Brücke zwischen der klassischen Welt und der Quantenwelt zu schlagen.

Technisches Resümee: Quanten-Datenladung aus der gelernten gemeinsamen Struktur realer Signale

Problemstellung
Die Vorbereitung von Quantenzuständen aus klassischen Daten ist ein grundlegender Flaschenhals für Quantenalgorithmen, die auf realen Datensätzen operieren. Während dies oft in Oracle-Annahmen verborgen bleibt, können die explizite Zustandspräparation erhebliche Kosten verursachen (Schaltungstiefe, Anzahl der Zwei-Qubit-Gatter und akkumulierter Fehler), die den nachgeschalteten Quanten-Beschleunigungsgewinn zunichtemachen können. Die Präparation beliebiger Zustände erfordert Ressourcen, die exponentiell mit der Anzahl der Qubits wachsen. Strukturierte Daten (z. B. glatte Funktionen, gering verschränkte Bilder) ermöglichen zwar eine effizientere Ladung über spezialisierte Konstruktionen (Walsh, Fourier, Tensor-Netzwerke), doch bestehende Methoden passen typischerweise eine Schaltung oder wählen Koeffizienten für jedes einzelne Eingabeinstanz an. Dies führt zu einer dimensionsgleichen Schnittstelle pro Instanz, die der Datengröße ( $D$ ) entspricht, was bedeutet, dass der vollständige klassische Vektor verarbeitet werden muss, um den Quantenzustand zu instanziieren. Die vorliegende Arbeit untersucht, ob reale Signale eine statistische und physikalische Struktur teilen, die offline gelernt werden kann, um eine niederdimensionale Schnittstelle zu ermöglichen, die eine Zustandspräparation aus partiellen Beobachtungen ohne Optimierung der Schaltung pro Eingabe erlaubt.

Methodik: Quantum Native Loader (QNL)
Die Autoren schlagen QNL vor, ein Framework, das eine niederdimensionale Beschreibung eines Datensatzes lernt und jedes Signal unter Verwendung einer einzigen, festen Schaltungstopologie präpariert. Die Methode arbeitet in zwei Phasen:

Offline-Lernen (FIT & VALIDATION):
- Physikalische Repräsentation: Signale werden als Phasenzustände $|\psi_x\rangle$ via einer diagonalen unitären Transformation auf einer Gleichverteilung der Superposition kodiert. Das Ziel ist eine gemeinsame Walsh-Unterstützung $S$ (eine Menge von Walsh-Funktionen).
- Latenter Raum: Anstatt das gesamte Fenster $x \in \mathbb{R}^D$ direkt auf Schaltungsparameter abzubilden, lernt QNL einen affinen Decoder $c(z) = b + Az$ . Hierbei repräsentiert $z \in \mathbb{R}^r$ einen niederdimensionalen latenten Koordinatenvektor ( $r \ll D$ ) und $c \in \mathbb{R}^K$ stellt die Koeffizienten für die $K$ Walsh-Terme in der Unterstützung dar.
- Training: Eine nicht-lineare generative Familie wird nur verwendet, um Koordinaten zu initialisieren und Unterstützungen vorzuschlagen. Das final eingesetzte Modell ist strikt affin. Die Unterstützung $S$ wird basierend auf der transpilierten Zwei-Qubit-Gatteranzahl (CX) und einem statistischen Deployment-Kontrakt gesucht und geprimt.
- Selektion: Modelle werden auf einem VALIDATION-Datensatz ausgewählt, wenn sie eine Ziel-Fidelität $F$ (Fehler $\epsilon = \sqrt{1-F}$ ) erfüllen und weniger Gatter verwenden als eine exakte Präparation. Falls der Kontrakt nicht erfüllt ist, sieht die Methode von der Anwendung ab.
Online-Inferenz (TEST):
- Feste Topologie: Einmal ausgewählt, sind die Unterstützung $S$ , die Parameter der affinen Abbildung ( $b, A$ ) und die Schaltungstopologie eingefroren.
- Partielle Beobachtung: Für ein neues Fenster benötigt das System nicht den vollständigen Vektor. Es schätzt die latenten Koordinaten $\hat{z}$ durch Projektion der beobachteten Positionen $\Omega$ auf den gelernten Unterraum mittels der linearen kleinsten Quadrate: $\hat{z} = \arg\min_z \|x_\Omega - m_\Omega - B_\Omega z\|^2$ .
- Parametergenerierung: Die Schaltungskoeffizienten werden als $c = b + A\hat{z}$ berechnet. Diese Koeffizienten setzen die Winkel des festen Walsh-Gadget-Schaltkreises. Eine vollständige klassische Rekonstruktion ist nicht erforderlich, um die Schaltungsparameter zu erhalten.

Zentrale Beiträge

Niederdimensionaler Interface: Die Arbeit zeigt, dass reale Signale eine niederdimensionale Familie besetzen, bei der die dimensionsgleiche Schnittstelle pro Instanz ( $r$ ) signifikant kleiner ist als die Anzahl der Koeffizienten ( $K$ ), die die Schaltung erhält.
Feste Schaltungstopologie: Im Gegensatz zu zielspezifischen Loadern verwendet QNL eine einzige feste Schaltungstopologie für den gesamten Datensatz; lediglich die Gatterwinkel ändern sich basierend auf den inferierten latenten Koordinaten.
Skalierung der partiellen Beobachtung: Die Methode ermöglicht die Zustandspräparation aus einer zufälligen Teilmenge klassischer Datenpunkte, ohne die Schaltung neu zu optimieren oder das Signal vollständig zu rekonstruieren.

Ergebnisse
Die Autoren evaluierten QNL anhand von sieben Ansichten von fünf öffentlichen Datensätzen (PLAID, WHITED, Paderborn, HIFDA, PTB-XL) über Fensterlängen $D \in \{128, \dots, 2048\}$ .

Effizienz der Schnittstelle: Bei gleicher Ziel-Fidelität (z. B. 99,50 %) benötigt QNL signifikant weniger probandspezifische Zahlen pro Fenster ( $r \approx 13,4$ ) im Vergleich zu einer geteilten statischen Walsh-Baseline ( $k \approx 77,2$ ). Das geometrische Mittelverhältnis der Baseline-Koeffizienten zu den QNL-Koordinaten beträgt 5,25.
Gatterkosten-Parität: Trotz der niederdimensionalen Schnittstelle erreicht QNL eine Parität in der Zwei-Qubit-Gatteranzahl (CX) mit der stärksten geteilten Walsh-Baseline. Das Paar-CX-Verhältnis liegt bei etwa 0,97–1,01 über alle Fidelitäten hinweg und fällt innerhalb des deklarierten Äquivalenzbandes $[0,95, 1,05]$ . Dies bestätigt, dass die Ersparnis in der Eingabeschnittstelle liegt und nicht in der Komplexität der Schaltung selbst.
Skalierung der beobachteten Positionen: In einer vorregistrierten Blindreplikation blieb die Anzahl der zufälligen Positionen ( $Q$ ), die benötigt wird, damit QNL sich der Genauigkeit des vollen Fensters nähert (innerhalb eines Fehlers von 10 %), konstant, während die Fenstergröße von 128 auf 2048 anstieg (Steigung $\approx 0,08$ ). Im Gegensatz dazu erforderte die Walsh-Baseline eine wachsende Anzahl an Positionen (Steigung $\approx 0,51$ ).
Abdeckung und Limitationen: QNL sieht häufiger von einem Einsatz ab als die Baseline, insbesondere beim Elektrokardiogramm-Datensatz PTB-XL, bei dem es in keinem Fall zum Einsatz kam. Dies definiert den empirischen Umfang der gelernten affinen Familie. Negativkontrollen (permutierte Zeitreihen) zeigten, dass die Methode nicht auf Daten ohne temporale Struktur reagiert und sich konservativ verhält.
Rauschresistenz: Analytische Schätzungen legen nahe, dass QNL und die Walsh-Baseline unter Gatterrauschen eine ähnliche Fidelität beibehalten, wobei beide aufgrund ihrer geringeren Gatteranzahl die exakte diagonale Ladung deutlich übertreffen.

Bedeutung und Ansprüche
Das Paper behauptet, dass QNL eine niederdimensionalere Schnittstelle zu einer Quantenschaltung vergleichbarer Kosten demonstriert, anstatt eine günstigere Schaltung selbst bereitzustellen. Der primäre Vorteil besteht darin, dass die Anzahl der klassischen Positionen, die zur Instanziierung des Quantenzustands benötigt werden, nicht mit der Fenstergröße skaliert, sofern das Signal zur gelernten Familie gehört.

Die Autoren formulieren ihre Ansprüche bescheiden:

Sie behaupten keine sublineare Zeitkomplexität für den Zugriff auf beliebige Vektoren; die Methode ist distributiv und erfordert vollständige Beispiele während der Lernphase.
Sie beanspruchen keine Reduktion der End-to-End-Wandlaufzeit, da Akquisitions-, Inferenz- und Ausführungskosten nicht gemeinsam benchmarkt wurden.
Sie geben explizit an, dass die Methode bei bestimmten Datensätzen (PTB-XL) scheitert und die affine Familie für hochkomplexe Signale unzureichend sein kann, was auf nicht-lineare Decoder als zukünftige Forschungsrichtung hindeutet.
Die Ergebnisse beziehen sich spezifisch auf die Phasenkodierung und Walsh-Unterstützungen; sie lassen sich nicht auf alle Methoden der Quantenzustandspräparation verallgemeinern.

Zusammenfassend lässt sich sagen, dass die Arbeit etabliert, dass man bei realen Signalen mit gemeinsamer Struktur eine feste physikalische Schaltung und einen niederdimensionalen latenten Raum lernen kann, was es ermöglicht, den Quantenzustand aus einer konstanten Anzahl zufälliger klassischer Beobachtungen unabhängig von der Auflösung des Signals zu präparieren.

Mehr davon