ConQUESTA: Topology-Aware Post-Training Structural Pruning of Quantum Neural Networks

In der nahen Zukunft könnten Computer, die auf den seltsamen Gesetzen der Quantenmechanik basieren, dabei helfen, Probleme zu lösen, die für unsere herkömmlichen Maschinen derzeit unmöglich sind. Diese Quantencomputer nutzen winzige Informationseinheiten, sogenannte Qubits, die gleichzeitig in mehreren Zuständen existieren können, was es ihnen ermöglicht, viele Möglichkeiten gleichzeitig zu erforschen. Um diese Maschinen für Aufgaben wie das Erkennen von Mustern oder das Klassifizieren von Daten nutzbar zu machen, programmieren Wissenschaftler sie mithilfe von Schaltkreisen, die aus Logikgattern bestehen. Der Bau dieser Schaltkreise ist jedoch schwierig, da die physische Hardware oft spärlich besetzt ist; die Qubits sind nicht alle miteinander verbunden. Um einen Schaltkreis auf einer solchen Maschine funktionsfähig zu machen, müssen Ingenieure zusätzliche Schritte einfügen, um Informationen zwischen weit entfernten Qubits zu bewegen, ganz ähnlich wie das Hinzufügen von Umleitungen zu einem Straßenplan. Diese Umleitungen, bekannt als Routing-Operationen, erhöhen die Komplexität und die Fehleranfälligkeit, was das endgültige Programm langsamer und weniger zuverlässig macht. Die Herausforderung besteht darin, ein Quantenprogramm zu entwerfen, das genau genug ist, um seine Aufgabe zu erfüllen, aber gleichzeitig einfach genug, um effizient auf dieser unvollkommenen Hardware zu laufen.

Ein Forschungsteam der New York University Abu Dhabi hat eine neue Methode entwickelt, um genau dieses Problem zu lösen, wobei der Fokus darauf liegt, was nach dem bereits erfolgten Training eines Quanten-Neuronalen-Netzwerks geschieht. Stellen Sie sich einen Studenten vor, der hart gelernt und ein Fachgebiet gemeistert hat, aber die Abschlussprüfung erfordert, dass er seine Antworten mit einem sehr spezifischen, begrenzten Satz an Werkzeugen schreibt. Die Forscher fragten: Welcher Teil des Wissens des Studenten kann entfernt werden, damit die Antwort in diese Werkzeuge passt, ohne die Fähigkeit zu verlieren, eine gute Note zu erhalten? Sie entwickelten ein Framework namens ConQUESTA, das als intelligenter Editor für diese Quantenschaltkreise fungiert. Anstatt einfach die Teile des Schaltkreises zu löschen, die auf den ersten Blick am unwichtigsten erscheinen, betrachtet dieses System den gesamten Schaltkreis als Ganzes. Es simuliert, wie der Schaltkreis tatsächlich auf verschiedenen Arten von Quantenhardware laufen würde, und prüft dabei, wie viele zusätzliche Schritte erforderlich wären, um ihn funktionsfähig zu machen.

Der Prozess beginnt mit der Identifizierung jener Verbindungen im Schaltkreis, die physisch teuer in der Erhaltung sind, aber nur sehr wenig zur endgültigen Antwort beitragen. Das System testet dann viele verschiedene Kombinationen des Entfernens dieser Verbindungen, aber es rät nicht einfach. Es kompiliert jede potenzielle Version des Schaltkreises und übersetzt sie in die Sprache der spezifischen Hardware, um exakt zu sehen, wie viele zusätzliche Schritte oder „Umleitungen“ dafür erforderlich wären. Dies ist ein entscheidender Unterschied zu früheren Methoden, die oft versuchten, Ressourcen zu sparen, indem sie eine Verbindung nach der anderen betrachteten. Die Forscher fanden heraus, dass das gleichzeitige Entfernen einer Gruppe von Verbindungen das gesamte Layout des Schaltkreises auf eine Weise verändern kann, die durch die bloße Addition der Einsparungen einzelner Teile nicht vorhersehbar ist. Durch die Suche nach diesen vollständigen Kombinationen findet das System eine Version des Schaltkreises, die signifikant effizienter ist, während die Genauigkeit des ursprünglichen Modells beibehalten wird.

In ihren Experimenten testete das Team diese Methode an Quantenschaltkreisen, die darauf ausgelegt sind, Bilder von Ziffern zu erkennen, Arten von Krebs zu klassifizieren und Blumen zu identifizieren. Sie wandten die Methode auf Schaltkreise mit vier, sechs und acht Qubits an und entfernten dabei mehr als die Hälfte der Verbindungen in jedem Fall. Die Ergebnisse waren beeindruckend. Bei der Aufgabe der Blumenidentifizierung reduzierte die neue Methode die benötigten Ressourcen um mehr als achtzig Prozent, was eine signifikante Verbesserung gegenüber den besten bestehenden Techniken darstellt. Bei den anderen Aufgaben waren die Verbesserungen ebenfalls beträchtlich und reichten von fünfunddreißig bis zweiundsiebzig Prozent. Entscheidend war, dass die Genauigkeit der Modelle hoch blieb, was bewies, dass das System das überschüssige Gewicht ablegen konnte, ohne das Gehirn der Maschine zu beschädigen. In Fällen, in denen das anfängliche Pruning (das Beschneiden) das Modell etwas weniger genau machte, ermöglichte eine kurze Phase der Feinabstimmung dem System, sich zu erholen, wodurch sichergestellt wurde, dass das endgültige Modell strenge Leistungsstandards erfüllt.

Die Forscher untersuchten auch, wie diese Methode skaliert, wenn die Probleme größer werden. Sie simulierten ein Szenario, in dem die Anzahl der Verbindungen von einer kleinen Handvoll auf über hundert anwuchs. Ohne ihren Screening-Prozess hätte die Anzahl der möglichen Wege, den Schaltkreis zu beschneiden, in die Millionen explodiert, was es unmöglich gemacht hätte, die beste Lösung zu finden. Doch indem sie ihr intelligentes Screening nutzten, um zuerst die Kandidaten einzugrenzen, musste das System nur einen winzigen Bruchteil dieser Möglichkeiten evaluieren. Selbst als die Rohzahl der Optionen um Tausende anstieg, erhöhte sich die Anzahl der Versionen, die das System tatsächlich testen musste, nur geringfügig. Dies deutet darauf hin, dass die Methode auch in Zukunft viel größere und komplexere Quantencomputer handhaben kann, ohne durch die schiere Anzahl der Auswahlmöglichkeiten ausgebremst zu werden.

Letztendlich bietet diese Arbeit einen praktischen Weg, um Quanten-Neuronale-Netzwerke bereit für reale Hardware zu machen. Sie ersetzt nicht die Notwendigkeit, diese Netzwerke von Grund auf neu zu entwerfen, aber sie stellt ein leistungsstarkes Werkzeug bereit, um sie, einmal gebaut, zu verfeinern. Indem sie den Schaltkreis als ein einziges, miteinander vernetztes System behandeln und ihn gegen die Realitäten der Hardware testen, haben die Forscher gezeigt, dass es möglich ist, Quantenprogramme zu erstellen, die sowohl leistungsstark als auch effizient sind. Die Ergebnisse legen nahe, dass mit den richtigen Optimierungswerkzeugen die Lücke zwischen theoretischen Quantenalgorithmen und den physischen Maschinen, auf denen sie laufen, geschlossen werden kann, was uns der Zeit näher bringt, in der diese Computer die schwierigsten Herausforderungen unserer Zeit bewältigen können.