Quantum Computing through Computational Imaging: Representations, Measurement, and Inference

In der Welt der modernen Wissenschaft verlassen sich Forscher oft auf komplexe mathematische Modelle, um Bilder aus unvollständigen Daten zu rekonstruieren, wie etwa das Zusammensetzen eines klaren Bildes des Inneren des menschlichen Körpers aus Röntgen-Schatten. Diese Modelle behandeln Informationen als Arrays von Zahlen, bei denen jeder Eintrag einen spezifischen Wert und einen spezifischen Ort besitzt. Ein neueres Feld, das Quantencomputing, verspricht, diese massiven Arrays auf eine grundlegend andere Weise zu handhaben. Anstatt Zahlen in einem Gitter zu speichern, verwendet ein Quantencomputer winzige Informationseinheiten, die Qubits genannt werden. Diese Qubits können sich in einem Zustand der Superposition befinden, was bedeutet, dass sie eine Kombination von Möglichkeiten gleichzeitig halten können, die durch mathematische Werte namens Amplituden beschrieben wird. Es gibt jedoch einen entscheidenden Haken: Während diese Amplituden manipuliert werden können, um Berechnungen durchzuführen, können sie nicht direkt wie Einträge in einer Tabellenkalkulation ausgelesen werden. Wenn ein Wissenschaftler das Ergebnis betrachtet, kollabiert der Quantenzustand in ein einziges, zufälliges Ergebnis, das auf den durch diese Amplituden definierten Wahrscheinlichkeiten basiert. Dies erzeugt eine Lücke zwischen den leistungsfähigen Berechnungen, die eine Quantenmaschine ausführen kann, und den tatsächlichen Informationen, die ein Mensch daraus extrahieren muss.

Ein Forschungsteam aus Institutionen in Italien und Griechenland hat sich zum Ziel gesetzt, diese Lücke zu schließen, speziell für das Feld des computergestützten Imaging. Sie argumentieren, dass es nicht ausreicht, ein Imaging-Problem einfach in ein Quantenformat zu übersetzen; man muss sorgfältig definieren, was der Quantenzustand repräsentiert, wie er gemessen wird und was die endgültige Entscheidung tatsächlich ist. In ihrer Arbeit zeigen sie, dass die Art und Weise, wie Daten in ein Quantensystem kodiert werden, die Natur der Antwort verändert, die man erhält. Sie zeigen, dass das Speichern von Rohbilddaten als Amplituden anders ist als die Verwendung von Amplituden, um eine Liste möglicher Lösungen für ein Problem darzustellen. Durch eine Reihe sorgfältig konstruierter Beispiele zeigen sie auf, dass ein Quantencomputer die durchschnittlichen Kosten einer Lösung senken kann, ohne dass die bestmögliche Lösung tatsächlich die wahrscheinlichste ist, die erscheint. Diese Unterscheidung ist entscheidend für jeden, der hofft, Quantenmaschinen zur Lösung realer Imaging-Probleme einzusetzen, da sie klärt, was diese Geräte liefern können und was nicht.

Die Forscher begannen damit, zwei sehr unterschiedliche Arten zu untersuchen, einen Quantencomputer für eine Imaging-Aufgabe zu nutzen. Im ersten Ansatz, bekannt als Amplitudenkodierung, werden die tatsächlichen Helligkeitswerte der Pixel eines Bildes direkt in die Amplituden eines Quantenzustands gespeichert. Wenn man vier Pixel hat, könnte man zwei Qubits verwenden, um deren Werte zu halten. Wenn man dieses System jedoch misst, erhält man nicht die Pixelwerte zurück. Stattdessen erhält man einen einzelnen Ort, der zufällig gewählt wird, wobei die Wahrscheinlichkeit, diesen Ort zu wählen, von der Helligkeit des Pixels abhängt. Die ursprüngliche Skalierung des Bildes geht im Prozess verloren, und die komplexen Phaseninformationen, die für die Rekonstruktion entscheidend sein könnten, bleiben verborgen. Im zweiten Ansatz, den das Team für Optimierungsprobleme bevorzugt, speichern die Qubits nicht die Bilddaten selbst. Stattdessen repräsentieren sie eine vollständige Kandidatenlösung, wie etwa eine spezifische Art, jeden Pixel entweder als Hintergrund oder als Vordergrund zu kennzeichnen. Hier repräsentieren die Amplituden die Wahrscheinlichkeit, dass diese gesamte Kennzeichnung die richtige Antwort ist. Diese subtile Verschiebung dessen, was der Quantenzustand bedeutet, ändert alles über die Interpretation der Ergebnisse.

Um diese Ideen zu testen, konstruierte das Team ein kleines, konkretes Szenario mit einem Vier-Pixel-Bild, das segmentiert, oder in zwei Regionen unterteilt, werden musste. Sie definierten ein mathematisches Ziel, das eine Übereinstimmung der Pixelhelligkeit mit einem Schwellenwert belohnte und unterschiedliche Kennzeichnungen benachbarter Pixel bestrafte. Dies erzeugte eine Landschaft möglicher Lösungen, von denen jede eine spezifische „Energie“ oder Kosten hatte. Dann verwendeten sie einen Quantenalgorithmus, bekannt als Quantum Approximate Optimization Algorithm, um nach der besten Kennzeichnung zu suchen. Dieser Algorithmus arbeitet, indem er einen Quantenzustand vorbereitet, eine Serie von Operationen anwendet, welche die Amplituden basierend auf den Kosten jeder Lösung verdrehen, und diese dann mischt, um Interferenz zu erzeugen. Das Ziel ist es, die beste Lösung wahrscheinlicher zu machen als die anderen.

Die Ergebnisse ihrer Simulation offenbarten eine kontraintuitive Wahrheit. Nachdem der Algorithmus ausgeführt wurde, sank die durchschnittliche Kosten der produzierten Lösungen durch den Quantencomputer signifikant, von einem Startwert von 1,675 auf 0,686. Dies deutet darauf hin, dass die Maschine erfolgreich bessere Lösungen findet als ein zufälliges Raten. Als die Forscher jedoch die spezifischen Lösungen betrachteten, die am häufigsten auftraten, stellten sie fest, dass die einzelne beste mögliche Kennzeichnung, die den niedrigstmöglichen Wert von 0,375 hatte, nicht das häufigste Ergebnis war. Stattdessen trat eine etwas schlechtere Lösung mit einem Wert von 0,675 häufiger auf. Die Quanteninterferenz, die half, die durchschnittliche Energie zu senken, steigerte tatsächlich die Wahrscheinlichkeit einer suboptimalen Antwort gegenüber der perfekten. Dieser Befund stellt die Annahme infrage, dass die Senkung der durchschnittlichen Energie eines Systems automatisch die optimale Lösung zur wahrscheinlichsten macht, die man beobachten kann.

Das Team untersuchte dies weiter, indem es sich reale Messungen von bestehender Quantenhardware ansah, speziell von Geräten, die von IBM und IQM bereitgestellt werden. Sie analysierten eine etwas größere Aufgabe mit sechs Pixeln, bei der das Ziel darin bestand, die Kennzeichnung einer spezifischen Grenze zwischen Regionen zu entscheiden. Selbst mit dem Rauschen und den Unvollkommenheiten realer Hardware zeigten die Daten eine klare Unterscheidung zwischen der Wahrscheinlichkeit, die einzelne perfekte Lösung zu finden, und der Wahrscheinlichkeit, eine korrekte Antwort für nur die lokale Grenze zu erhalten. In einigen Fällen war die Hardware viel wahrscheinlicher in der Lage, die lokale Grenze korrekt zu bestimmen, als die perfekte globale Lösung zu finden. Dies verstärkt die Idee, dass die „beste“ Antwort völlig davon abhängt, welche Frage man stellt. Wenn man die absolut beste globale Konfiguration benötigt, könnte der Quantencomputer Schwierigkeiten haben, diese effizient bereitzustellen. Wenn man nur eine zuverlässige lokale Entscheidung benötigt, könnte dieselbe Maschine sehr effektiv sein.

Die Forscher nutzten diese Beispiele auch, um zu klären, wie Quantencomputer mit Unsicherheit und Information umgehen. Sie zeigten, dass man, um eine verborgene Eigenschaft, wie etwa die Phase einer Welle, zu lernen, sich nicht auf eine einzige Art der Messung verlassen kann. Genau wie ein Fotograf verschiedene Aufnahmen mit unterschiedlichen Beleuchtungswinkeln machen muss, um die volle Form eines Objekts zu sehen, muss ein Quantenwissenschaftler verschiedene Messeinstellungen verwenden, um Mehrdeutigkeiten aufzulösen, die eine einzelne Ansicht nicht erkennen kann. Sie demonstrierten, dass lokale Messungen zwar präzise Informationen über einen kleinen Teil eines Systems liefern können, aber das globale Bild möglicherweise mehrdeutig lassen. Nur durch die Kombination von Ergebnissen aus komplementären Messungen kann das vollständige Bild rekonstruiert werden.

Schließlich befasst sich das Paper mit der Frage, ob diese Quantenmethoden tatsächlich schneller oder effizienter als klassische Computer sind. Die Autoren merken vorsichtig an, dass klassische Computer die Probleme für die von ihnen untersuchten kleinen Beispiele exakt und augenblicklich lösen können. Der Wert ihrer Arbeit liegt nicht darin, einen Geschwindigkeitsvorteil zu beanspruchen, der noch gar nicht existiert, sondern darin, einen klaren Rahmen dafür zu schaffen, wie man die beiden vergleicht. Sie argumentieren, dass jeder Anspruch auf einen Quantenvorteil (Quantum Advantage) den gesamten Prozess berücksichtigen muss: wie die Daten geladen werden, wie der Schaltkreis aufgebaut wird, wie oft die Maschine laufen muss, um eine zuverlässige Antwort zu erhalten, und wie das Endergebnis dekodiert wird. Sie zeigen, dass die Kosten für die Vorbereitung des Quantenzustands und die Anzahl der benötigten „Shots“, um eine gute Antwort zu erhalten, genauso wichtig sind wie der Algorithmus selbst.

In ihrem Fazit betonen die Forscher, dass der Weg für das zukünftige Quanten-Imaging nicht darin besteht, jedes Problem in eine Quantenform zu pressen, sondern die Berechnung um die spezifische Größe herum zu entwerfen, die tatsächlich benötigt wird. Ob das Ziel eine vollständige Bildrekonstruktion, eine spezifische Korrelation zwischen Pixeln oder eine einfache Entscheidung über eine Grenze ist, die erforderliche Ausgabe bestimmt die Methode. Indem sie die Repräsentation der Daten von der Messung und der endgültigen Entscheidung trennen, bieten die Forscher eine Roadmap für Ingenieure und Wissenschaftler, um zu verstehen, was ein Quantencomputer realistisch zurückgeben kann. Sie zeigen, dass die Technologie zwar vielversprechend ist, aber der Weg vom Quantenzustand zu einer nützlichen wissenschaftlichen Antwort eine sorgfältige Bilanzierung der Ressourcen, eine klare Definition des Ziels und eine realistische Erwartung dessen erfordert, was die Maschine tatsächlich produzieren wird. Die Arbeit dient als praktischer Leitfaden, um sicherzustellen, dass die Begeisterung für das Quantencomputing auf einem präzisen Verständnis seiner Fähigkeiten und Grenzen fußt.