Engineered Learning Problems on Noisy Quantum Processors

Im Wettlauf um den Bau von Maschinen, die Probleme lösen können, die jenseits der Reichweite heutiger Computer liegen, erforschen Wissenschaftler ein Feld, in dem die Regeln der Physik selbst zum Prozessor werden. Dies ist das Reich des Quanten-Maschinellen-Lernens, einer Disziplin, die versucht, die seltsamen, kontraintuitiven Verhaltensweisen von subatomaren Teilchen zu nutzen, um Muster zu erkennen und Vorhersagen zu treffen. Die Kernidee beruht auf einem Konzept namens „Kernel“, was im Wesentlichen ein mathematisches Werkzeug ist, um zu messen, wie ähnlich sich zwei Datenpunkte sind. In einem klassischen Computer arbeitet dieses Werkzeug, indem es Datenpunkte auf eine vertraute Weise vergleicht. In einem Quantencomputer wird der Datensatz zuerst in die Sprache der Quantenmechanik übersetzt, in der er in einem komplexen, hochdimensionalen Raum existiert, der für klassische Maschinen schwer zu navigieren ist. Die Hoffnung ist, dass der Quantencomputer durch diese Übersetzung verborgene Verbindungen in den Daten finden kann, die klassische Methoden schlichtweg nicht sehen können. Es stellt sich jedoch eine hartnäckige Frage, die über dem Feld schwebt: Können diese verrauschten, unvollkommenen Quantengeräte tatsächlich leistungsfähigere klassische Supercomputer übertreffen, oder kämpfen sie lediglich unter der Last ihrer eigenen Zerbrechlichkeit?

Ein Forscherteam begab sich auf die Suche nach der Antwort auf diese Frage, indem es eine spezifische, künstliche Herausforderung entwarf, bei der ein Quantencomputer theoretisch einen Vorteil haben könnte. Sie versuchten nicht, ein reales Problem wie die Wettervorhersage oder die Diagnose einer Krankheit zu lösen, da die klassischen Methoden für diese Aufgaben zu stark und zu gut verstanden sind. Stattdessen erschufen sie ein maßgeschneidertes Rätsel. Sie nahmen einen Standarddatensatz von Bildern – Fotos von Kleidung wie T-Shirts und Kleidern – und nutzten einen Quantenschaltkreis, um die Daten in eine neue Form zu transformieren. Dann verwendeten sie die Ergebnisse dieser Transformation, um die Bilder zu etikettieren, wodurch sie effektiv einen Test erstellten, bei dem die „korrekten“ Antworten durch die einzigartige Perspektive der Quantenmaschine selbst definiert waren. Das Ziel war es zu sehen, ob ein Quantencomputer diese Etiketten besser vorhersagen konnte als ein klassischer Computer, der versucht, dasselbe Rätsel zu lösen. Um sicherzustellen, dass die Ergebnisse echt und nicht nur ein Zufall der Eigenheiten einer bestimmten Maschine waren, führten sie das Experiment auf zwei verschiedenen Quantenprozessoren durch, einem mit 54 Qubits und einem mit 20, und testeten dasselbe Problem auch auf verschiedenen Abschnitten desselben Chips, um zu sehen, ob die Ergebnisse über verschiedene Rauschprofile hinweg Bestand hatten.

Die Forscher fanden heraus, dass der Quantenrechner tatsächlich die klassischen Rivalen übertraf, wenn die Quantenschaltkreise relativ einfach gehalten wurden. Er sagte die Etiketten mit einem hohen Grad an Genauigkeit voraus, während die besten klassischen Modelle Schwierigkeiten hatten, Schritt zu halten. Diese Leistungslücke war deutlich und über die verschiedenen Hardware-Setups hinweg reproduzierbar. Als die Forscher jedoch die Quantenschaltkreise tiefer und komplexer gestalteten, um mehr Daten zu verarbeiten, begann der Vorteil zu schwinden. Das der aktuellen Quantenhardware inhärente Rauschen – die unvermeidlichen Fehler, die auftreten, während die Maschine arbeitet – begann die Ergebnisse zu verzerren. An einem gewissen Punkt, bei einer Schaltungstiefe, die zehn Schritten einer spezifischen Berechnung entspricht, sank die Leistung des Quantenrechners so stark ab, dass er die klassischen Modelle nicht mehr schlagen konnte. Der Quantencomputer gewann nicht mehr; er war genauso verwirrt wie der klassische.

Das Team wandte sich daraufhin einer Reihe von Techniken zu, die als Fehlerminderung (Error Mitigation) bekannt sind. Diese sind darauf ausgelegt, die verrauschten Daten nach dem Experiment zu bereinigen, indem man die bekannten Fehler effektiv subtrahiert, um das wahre Signal offenzulegen. Sie testeten mehrere Methoden, darunter eine, die versucht zu erraten, wie das Ergebnis ausgesehen hätte, wenn die Maschine überhaupt kein Rauschen gehabt hätte, und eine andere, die eine Serie schneller Impulse verwendet, um die Qubits zu stabilisieren. Sie entdeckten, dass nicht alle Fehlerkorrekturmethoden gleich effektiv sind. Eine Technik, die einfach die Endzahlen basierend darauf anpasste, wie die Maschine sie ausliest, half nicht. Eine andere Methode, die versuchte, das rauschfreie Ergebnis zu extrapolieren, konnte die Leistungslücke zwar wiederherstellen, aber nur, indem sie das Rätsel selbst für den klassischen Computer schwieriger machte, statt den Quantencomputer signifikant besser zu machen. Die effektivste Technik war jedoch eine Methode, die das Rauschen während des Prozesses aktiv unterdrückte. Dieser Ansatz stellte nicht nur den Vorteil der Quantenmaschine wieder her, sondern verbesserte auch ihre Fähigkeit, das Rätsel zu lösen, wodurch ihre Leistung viel näher an das erreichte, was eine perfekte, rauschfreie Maschine erzielen würde.

Trotz dieser Erfolge waren die Forscher sorgfältig darin, klarzustellen, was ihre Arbeit nicht bewiesen hat. Sie zeigten, dass Quantenhardware auf einer spezifischen, konstruierten Aufgabe klassische maschinelle Lernmodelle übertreffen kann, zeigten aber auch, dass dieser Vorteil nicht absolut ist. Als sie den Quantenprozess mit einem leistungsstarken klassischen Algorithmus simulierten, der als Matrix Product State bekannt ist und darauf ausgelegt ist, Quantensysteme nachzuahmen, schnitt die klassische Simulation genauso gut ab wie die verrauschte Quantenhardware. Dies deutet darauf hin, dass der aktuelle Quantenvorteil fragil ist und stark vom spezifischen Typ des Problems sowie dem Grad des Rauschens abhängt. Die klassische Simulation war in der Lage Schritt zu halten, weil die in dem Experiment verwendeten Quantenschaltkreise nicht komplex genug waren, um die Grenzen des klassischen Computings zu durchbrechen. Die Forscher kamen zu dem Schluss, dass sie zwar einen Weg aufgezeigt haben, auf dem Quantenmaschinen gewinnen können, das ultimative Ziel jedoch darin besteht, die besten klassischen Simulationsmethoden zu schlagen, was weiterhin eine erhebliche Hürde darstellt. Der Weg nach vorn erfordert die Gestaltung von Problemen, die nicht nur schwer für klassische Computer zu simulieren, sondern für sie unmöglich nachzuahmen sind, selbst mit den fortschrittlichsten Algorithmen von heute.

Die Studie dient als realistische Landkarte der aktuellen Landschaft des Quantencomputings. Sie bestätigt, dass Quantenmaschinen Dinge tun können, die klassische nicht können, aber nur unter streng kontrollierten Bedingungen und mit Hilfe der Fehlerkorrektur. Sie hebt auch hervor, dass sich das Feld noch in einer Phase befindet, in der das „Rauschen“ der Maschine oft der entscheidende Faktor zwischen Sieg und Niederlage ist. Indem sie zeigten, dass verschiedene Techniken zur Fehlerminderung sehr unterschiedliche Auswirkungen haben, liefert die Arbeit eine Roadmap für zukünftige Experimente und legt nahe, dass es nicht ausreicht, lediglich einen Quantenalgorithmus auszuführen; man muss auch die richtigen Werkzeuge wählen, um das Chaos zu beseitigen, das die Maschine verursacht. Die Forscher behaupteten nicht, das Problem des Quantenvorteils gelöst zu haben, aber sie lieferten starke Beweise dafür, dass dies ein erreichbares Ziel ist, sofern die Probleme mit genügend Sorgfalt gewählt werden, um die klassischen Simulationen zu überlisten, die derzeit das größte Hindernis darstellen.