Classical training of conditional instantaneous quantum polynomial-time Born machines

In den stillen Nischen der Physik und Informatik erforschen Wissenschaftler eine neue Art der künstlichen Intelligenz, die in Quantencomputern lebt. Im Gegensatz zu den klassischen Computern in unseren Taschen, die Informationen als einfache Sequenz von Nullen und Einsen verarbeiten, nutzen Quantenmaschinen Teilchen, die in vielen Zuständen gleichzeitig existieren können. Diese einzigartige Fähigkeit ermöglicht es ihnen, Probleme anzugehen, für deren Lösung gewöhnliche Computer tausende von Jahren benötigen würden. Eine vielversprechende Anwendung ist das generative Modellieren, bei dem eine Maschine die verborgenen Muster eines komplexen Systems lernt – wie etwa die Art und Weise, wie sich Atome in einem Material anordnen oder wie Pixel ein Gesicht bilden – und dann neue, realistische Beispiele dieses Systems erstellt. Die Herausforderung bestand schon immer darin, diese Maschinen zu trainieren. Da Quantencomputer noch fragil sind und einen hohen Aufwand bei der Ausführung erfordern, suchen Wissenschaftler nach Wegen, sie zuerst mit klassischen Computern zu lehren, um die Quantenhardware erst für den letzten Akt der Datengenerierung aufzusparen.

Ein Forscherteam hat nun eine Methode entwickelt, um genau dies für einen speziellen Typ eines Quantenmodells, eine sogenannte Bornsche Maschine, zu erreichen. Diese Modelle sind darauf ausgelegt, das statistische Verhalten von Quantensystemen nachzuahmen. Die Forscher entdeckten einen Weg, einen einzelnen Quantenschaltkreis so zu lehren, dass er eine ganze Familie verschiedener Szenarien handhaben kann, anstatt nur eine feste Situation. Stellen Sie sich einen einzelnen Künstler vor, der eine Landschaft im Sommer, Winter, Frühling und Herbst malen kann, indem er einfach nur gesagt bekommt, welche Jahreszeit er darstellen soll, ohne dafür eine völlig neue Maltechnik lernen zu müssen. Das Team fand heraus, dass sie, indem sie die „Jahreszeit“ direkt in den Anfangszustand des Quantencomputers kodierten, die Maschine vollständig auf einem klassischen Computer trainieren konnten. Einmal trainiert, konnte die Maschine auf einem echten Quantengerät eingesetzt werden, um Stichproben für jede beliebige Bedingung zu generieren, selbst für solche, die sie zuvor noch nie gesehen hatte.

Der Kern ihrer Entdeckung liegt darin, wie sie den Quantencomputer darauf vorbereiteten, Anweisungen entgegenzunehmen. Frühere Methoden versuchten, die internen Regler des Quantenschaltkreises basierend auf der Bedingung anzupassen, was ein wenig so ist, als würde man versuchen, den Motor eines Autos zu verändern, während es fährt. Der neue Ansatz ändert statwendessen den Treibstoff, bevor der Motor startet. Sie speisen den Quantenschaltkreis mit einem spezifischen Anfangszustand, der bereits die Information über die Bedingung enthält, wie etwa eine bestimmte Temperatur oder eine bestimmte Einstellung. Der Schaltkreis wendet dann einen einzigen, gemeinsamen Satz von Operationen auf diesen Anfangszustand an. Da der Anfangszustand die Bedingung in sich trägt, muss der Schaltkreis nicht für jedes neue Szenario neu trainiert oder rekonfiguriert werden. Dies ermöglicht es den Forschern, das Modell mithilfe klassischer Simulationen zu trainieren, die schnell und zuverlässig sind, und erst dann die finale Version auf einem Quantenprozessor auszuführen.

Um diese Idee zu testen, konzentrierte sich das Team auf zwei unterschiedliche Herausforderungen. Zuerst untersuchten sie eine mathematische Verteilungsgruppe, bei der Mittelwert und Streuung unabhängig voneinander angepasst werden können. Sie trainierten ein Modell, um diese Variationen zu handhaben, und fanden heraus, dass es erfolgreich Vorhersagen für Kombinationen von Einstellungen treffen konnte, mit denen es während des Trainings noch nie konfrontiert war. In diesem Test war ihre Methode signifikant genauer als ältere Techniken, die versuchten, die internen Parameter des Schaltkreises für jede Bedingung anzupassen. Der neue Ansatz erfasste die zugrunde liegende Struktur des Problems so gut, dass er auf neue Situationen mit viel weniger Fehlern generalisierte.

Der zweite, anspruchsvollere Test betraf das Curie-Weiss-Modell, ein berühmtes System, das beschreibt, wie Magnete sich beim Erhitzen oder Abkühlen verhalten. Wenn sich die Temperatur ändert, durchläuft die magnetische Ordnung in dem Material einen dramatischen Wandel, von einem ungeordneten Zustand zu einem geordneten. Dieser Übergang ist notorisch schwierig zu modellieren, da sich die Form der Wahrscheinlichkeitsverteilung grundlegend ändert. Die Forscher trainierten ein einzelnes Sechzehn-Qubit-Quantenmodell, um den gesamten Temperaturbereich abzudecken. Die Ergebnisse waren beeindruckend: Das Modell erfasste präzise den Übergang von einem einzelnen Wahrscheinlichkeitspeak zu einem Doppelpeak – ein Verhalten, das den physikalischen Wandel des Materials repräsentiert. Als sie ihre Ergebnisse mit klassischen generativen Modellen verglichen, schnitt der Quantenansatz genauso gut ab wie klassische Modelle, die siebenmal mehr anpassbare Parameter besaßen. Noch beeindruckender war, dass das Modell die Physik so gut erlernte, dass es das Verhalten des Systems bei Temperaturen vorhersagen konnte, die ihm während des Trainings nie gezeigt worden waren.

Das Team blieb nicht bei kleinen Simulationen stehen. Sie trieben die Methode bis an ihre Grenzen und trainierten Modelle mit bis zu zweitausendundachtundvierzig Qubits. In dieser Größenordnung ist es unmöglich, das System auf einem klassischen Computer direkt zu simulieren, um die Antworten zu überprüfen. Da die physikalischen Gesetze, die dieses spezifische System regeln, jedoch gut verstanden sind, konnten die Forscher das erwartete Verhalten des Magnetismus berechnen und es mit der Ausgabe ihres Modells vergleichen. Sie fanden heraus, dass das Modell die Fernordnung der kalten Phase erfolgreich erlernte und dieses Verhalten auf Größen extrapolieren konnte, die weit über das während des Trainings verwendete Maß hinausgingen. Dies zeigte, dass die Methode effektiv skaliert und ihre Fähigkeit beibehält, komplexe Muster zu erlernen, selbst wenn das System eine Größe erreicht, bei der eine klassische Verifizierung unmöglich wird.

Die Studie hob auch die Bedeutung der Art und Weise hervor, wie die Bedingung kodiert wird. Sie testeten verschiedene Wege, den Anfangszustand vorzubereiten, und fanden heraus, dass eine anspruchsvollere Vorbereitungsmethode, die den Quantenzustand auf eine spezifische Weise „verdrehte“, wesentlich bessere Ergebnisse lieferte als ein einfacherer Ansatz. Dies deutet darauf hin, dass die Art und Weise, wie Informationen in den Quantencomputer eingespeist werden, ebenso entscheidend ist wie der Lernalgorithmus selbst. Durch die sorgfältige Gestaltung des Inputs konnten sie physikalische Symmetrien in das Modell einbauen, wodurch sichergestellt wurde, dass es die grundlegenden Gesetze des Systems, das es nachahmen sollte, respektierte.

Letztendlich erweitert diese Arbeit die Reichweite des Quanten-Maschinellen Lernens. Sie zeigt, dass wir nicht warten müssen, bis perfekte, fehlerfreie Quantencomputer existieren, um komplexe Modelle zu trainieren. Indem wir klassische Computer nutzen, um die Muster zu lernen, und Quantencomputer erst zur Generierung der finalen Daten verwenden, können Forscher nun Probleme angehen, die die bedingte Generierung betreffen – also Fälle, in denen die Ausgabe von einer spezifischen Eingabevariablen abhängt. Dies öffnet die Tür zur Simulation physikalischer Systeme unter verschiedenen Bedingungen, von unterschiedlichen Temperaturen bis hin zu verschiedenen externen Feldern, unter Verwendung eines einzigen, gemeinsamen Quantenschaltkreises. Die Fähigkeit, diese Modelle klassisch zu trainieren und dann auf Quantenhardware bereitzustellen, stellt einen bedeutenden Fortschritt dar, um quantengenerative Modelle für die reale wissenschaftliche Entdeckung praktikabel zu machen.