Same Spectrum, Harder First-Order Training: Phase-Locking in Single- versus Multi-Qubit Re-Uploading Circuits
Obwohl Ein-Qubit-Re-Uploading-Schaltkreise dieselbe Fourier-Reihe wie Multi-Qubit-Schaltkreise mit einem äquivalenten Encoding-Budget darstellen können, leiden sie unter einem „Phase-Locking“-Phänomen, das ihre Tangentenraumdimension drastisch einschränkt, was zu einem signifikant schwierigeren ersten Ordnungstraining und niedrigeren Konvergenzraten im Vergleich zu breiteren Multi-Qubit-Steuerungen führt.
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 dem aufstrebenden Feld des Quantencomputings lernen Forscher, die seltsamen Gesetze der Physik, die die subatomare Welt regeln, zu nutzen, um Probleme zu lösen, die zu komplex für heutige Supercomputer sind. Ein zentrales Werkzeug bei diesem Bestreben ist der variationale Quantenschaltkreis, eine Art von Algorithmus, der darauf ausgelegt ist, Muster aus Daten zu lernen – ganz ähnlich wie ein neuronales Netz, jedoch unter Verwendung von Quantenbits oder Qubits anstelle von klassischen Bits. Diese Schaltkreise arbeiten, indem sie Informationen in die Rotationswinkel kodieren, die auf die Qubits angewendet werden, wodurch die Maschine effektiv in eine hochentwickelte mathematische Engine verwandelt wird, die komplexe Kurven annähern kann. Für einfache, eindimensionale Daten wissen Wissenschaftler schon lange, dass sie die Anzahl der verwendeten Qubits gegen die Anzahl der durchgeführten Schritte eintauschen können. Mit anderen Worten: Eine Maschine mit einem einzigen Qubit, die über einen langen Zeitraum läuft, kann theoretisch dieselben Ergebnisse liefern wie eine Maschine mit vielen Qubits, die nur kurz läuft. Diese Flexibilität legt nahe, dass der Bau kleinerer, einfacherer Quantengeräte genauso leistungsfähig sein könnte wie der Bau größerer, komplexerer Geräte, vorausgesetzt, die kleineren sind tief genug.
Eine neue Studie von Forschern der Universität München und Aqarios GmbH zeigt jedoch, dass diese theoretische Äquivalenz zusammenbricht, wenn es um den tatsächlichen Trainingsprozess dieser Maschinen geht. Während ein Ein-Qubit-Schaltkreis dieselben mathematischen Funktionen wie ein Zwei-Qubit-Schaltkreis repräsentieren kann, ist es signifikant schwieriger, die Ein-Qubit-Version dazu zu bringen, die korrekte Lösung zu finden. Die Forscher entdeckten, dass die Ein-Qubit-Maschine unter einer strukturellen Einschränkung leidet, die sie „Phasenverriegelung“ (Phase-Locking) nennen. Da der Zustand eines einzelnen Qubits auf die Oberfläche einer Kugel beschränkt ist, bewegt jede Anpassung seiner Parameter das System entlang einer einzigen, gemeinsamen Richtung. Diese Beschränkung bedeutet, dass die Maschine keinen zusätzlichen Spielraum zur Manövrierung hat; sie ist gezwungen, auf einem Drahtseil zu gehen, bei dem jeder Schritt perfekt ausgerichtet sein muss, um die Ausgabe zu verändern. Im Gegensatz dazu verfügt eine Zwei-Qubit-Maschine über einen viel größeren Zustandsraum, der es ihren Parametern ermöglicht, gleichzeitig in mehreren unabhängigen Richtungen zu agieren. Diese zusätzliche Freiheit bietet ein Sicherheitsnetz und macht es dem Trainingsalgorithmus weitaus leichter, sich in der komplexen Fehlerlandschaft zurechtzufinden und die optimale Lösung zu finden.
Um dies zu testen, stellte das Team ein kontrolliertes Experiment auf, das drei verschiedene Schaltkreisdesigns verglich. Sie verwendeten einen „seriellen“ Schaltkreis mit einem Qubit und einer langen Kette von Operationen und verglichen diesen mit Zwei-Qubit-Schaltkreisen, die dieselbe Gesamtkapazität zur Informationskodierung besaßen. Sie trainierten diese Maschinen auf einer Vielzahl mathematischer Ziele, die von glatten, vorhersehbaren Kurven bis hin zu komplexen, realen Datensätzen wie monatlichen Temperaturaufzeichnungen und täglichen Aktienkursen reichten. Die Ergebnisse waren drastisch. Bei der Verwendung von Standard-Trainingsmethoden, die auf der Berechnung von Gradienten beruhen, scheiterte der Ein-Qubit-Schaltkreis in der überwiegenden Mehrheit der Versuche, insbesondere wenn die Komplexität des Problems zunahm. In einem Test mit einem hohen Kodierungskapazitäts-Budget gelang dem Ein-Qubit-Schaltkreis nur in drei von einhundert Versuchen, während die Zwei-Qubit-Kontrollgruppe in neunundneunzig Fällen erfolgreich war. Selbst wenn die Forscher die Anzahl der anpassbaren Parameter anglichen, um einen fairen Vergleich zu gewährleisten, blieb die Ein-Qubit-Maschine konsequent hinterher und lieferte oft Vorhersagen, die deutlich ungenauer waren als die ihrer Zwei-Qubit-Gegenstücks.
Die Forscher untersuchten, ob diese Schwierigkeit lediglich darauf zurückzuführen war, dass der Trainingsalgorithmus in einer schlechten Startposition feststeckte oder mit einer schlecht konditionierten mathematischen Landschaft kämpfte. Sie fanden heraus, dass der Ein-Qubit-Schaltkreis zwar oft mit schwierigen mathematischen Bedingungen während des Trainings konfrontiert war, das Problem aber tiefer ging als nur schlechtes Glück oder ein schlechter Start. Als sie zu einer leistungsfähigeren, zweitordnungigen Trainingsmethode wechselten, die weniger empfindlich auf diese mathematischen Hürden reagiert, verringerte sich die Lücke zwischen den beiden Designs zwar, verschwand aber nicht. Die Ein-Qubit-Maschine konnte auch in vielen Fällen, in denen die Zwei-Qubit-Maschine erfolgreich war, nicht konvergieren. Dies deutet darauf hin, dass die Einschränkung nicht nur ein vorübergehendes Hindernis ist, das ein besserer Algorithmus überwinden kann, sondern ein grundlegender struktureller Nachteil ist. Der Ein-Qubit-Maschine fehlen schlichtweg die zusätzlichen Freiheitsgrade, die erforderlich sind, um den Lösungsraum effektiv zu explorieren, wodurch ihr kein Spielraum für Korrekturen bleibt, wenn sie vom Kurs abkommt.
Dieser Befund hat wichtige Auswirkungen auf die Zukunft des Quanten-Maschinellen Lernens. Er legt nahe, dass der Bau kleinerer Ein-Qubit-Geräte zwar als attraktive Abkürzung erscheinen mag, um die technischen Herausforderungen beim Management mehrerer Qubits zu umgehen, dies jedoch mit hohen Leistungseinbußen verbunden sein kann. Die Studie deutet darauf hin, dass für eindimensionale Daten die zusätzliche Komplexität eines zweiten Qubits nicht nur ein Luxus, sondern eine Notwendigkeit für ein zuverlässiges Training ist. Das Zwei-Qubit-System bietet mit seiner Fähigkeit, sich gleichzeitig in mehreren Richtungen zu bewegen, die notwendige Robustheit, um konsistent die beste Lösung zu finden. Obwohl die Forscher nicht jedes Szenario getestet haben, bestätigten ihre Simulationen auf realen Datensätzen, dass der Ein-Qubit-Ansatz oft zu höheren Vorhersagefehlern führt. Letztlich zeigt die Arbeit, dass es in der Quantenwelt nicht nur darum geht, mehr Platz zu haben, sondern darum, den Freiraum zu besitzen, den richtigen Pfad in einer Landschaft zu finden, die man ansonsten unmöglich zu navigieren wäre.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.