On the estimation of linear-optical amplitudes and probabilities with entangled input state

In der stillen, kontrollierten Welt der Quantenoptik sind Wissenschaftler schon lange von einem speziellen Rätsel fasziniert: wie sich Licht verhält, wenn viele einzelne Teilchen, genannt Photonen, durch ein komplexes Labyrinth aus Spiegeln und Strahlteilern geschickt werden. Dieser Aufbau, bekannt als linear-optischer Interferometer, ist das Herzstück eines Vorschlags namens Boson-Sampling, der darauf ausgelegt war, zu zeigen, dass Quantenmaschinen Dinge tun können, die klassische Computer nicht leisten können. Der Kern der Idee ist, dass die Berechnung der exakten Wahrscheinlichkeit, wo diese Photonen am Ende des Labyrinths landen werden, mathematisch so schwierig ist, dass selbst die leistungsfähigsten Supercomputer Schwierigkeiten hätten, Schritt zu halten. Die realen Anwendungen dieser Maschinen, wie etwa das Training künstlicher Intelligenzmodelle oder die Simulation chemischer Reaktionen, benötigen jedoch selten die exakte, rohe Liste jedes möglichen Ergebnisses. Stattdessen benötigen sie eine gute Schätzung des durchschnittlichen Verhaltens oder der Wahrscheinlichkeit bestimmter Gruppen von Ergebnissen, berechnet mit einem angemessenen Maß an Genauigkeit. Für einfache Eingänge, bei denen die Photonen unabhängig voneinander sind, wussten Wissenschaftler bereits, wie man diese Mittelwerte mithilfe von Standard-Klassikern schätzt. Die große Frage blieb: Was passiert, wenn die Photonen nicht unabhängig sind, sondern vor dem Eintritt in die Maschine tief miteinander verbunden oder verschränkt sind?

Einem Team von Forschern bei Quandela in Frankreich ist es nun gelungen, diese Frage zu beantworten, indem sie aufzeigten, dass die tiefe Verbindung zwischen den Photonen die Schätzaufgabe nicht zwangsläufig für klassische Computer unmöglich macht. Sie konzentrierten sich auf eine spezifische Art von verschränktem Licht, das sequenziell, Photon für Photon, durch Quantenemitter wie Atome oder winzige Halbleiterpunkte erzeugt wird. In diesen Quellen behält der Emitter ein kleines Stück Quantengedächtnis bei, wodurch Informationen über die bereits ausgesendeten Photonen gespeichert werden, was das nächste Photon beeinflusst. Die Forscher zeigten, dass die klassische Berechnung dieser Durchschnittswerte weiterhin effizient möglich ist, solange das Gedächtnis klein ist – insbesondere, wenn das gespeicherte Informationsmaß nur logarithmisch mit der Anzahl der Photonen wächst. Sie entwickelten ein neues mathematisches Werkzeug, das wie ein hochqualifizierter Wegweiser wirkt und es einem Computer ermöglicht, das Verhalten dieser verschränkten Photonen zu simulieren, ohne alle Möglichkeiten gleichzeitig verfolgen zu müssen. Dieses Werkzeug funktioniert, indem es den komplexen, verschränkten Zustand in eine Reihe handhabbarer Schritte zerlegt, die Wahrscheinlichkeit des Pfades jedes einzelnen Photons berechnet und diese Schritte anschließend kombiniert, um eine zuverlässige Antwort zu erhalten.

Die Bedeutung dieser Erkenntnis liegt darin, was sie uns über die Grenzen des Quantenvorteils verrät. Jahrelang wurde gehofft, dass allein die Verwendung von verschränktem Licht ausreichen würde, um klassische Computer bei diesen Schätzaufgaben zu überholen. Diese Arbeit zeigt, dass nicht die Verschränkung selbst die Schwierigkeit erzeugt, sondern vielmehr die Größe des Gedächtnisses, das zur Erzeugung dieser Verschränkung erforderlich ist. Wenn eine Quantenquelle ein Gedächtnis verwendet, das im Verhältnis zur Anzahl der Photonen klein bleibt, kann ein klassischer Computer mithalten. Die Forscher bewiesen, dass ihre Methode unverzerrt ist, was bedeutet, dass sie die Ergebnisse nicht systematisch über- oder unterschätzt, und dass der Fehler in ihren Schätzungen vorhersehbar schrumpft, wenn sie mehr Berechnungen durchführen. Sie testeten ihren Ansatz an verschiedenen komplexen Zuständen, einschließlich linearer Ketten verschränkter Photonen, und bestätigten, dass die Rechenkosten handhabbar bleiben, solange das Gedächtnis der Quelle nicht zu groß wird.

Diese Arbeit zeichnet die Grenze zwischen dem, was für klassische Computer einfach und was schwer ist, effektiv neu. Sie legt nahe, dass für viele vorgeschlagene Anwendungen photonischer Quantenmaschinen, insbesondere im Bereich des maschinellen Lernens, das bloße Vorhandensein von verschränktem Licht nicht ausreicht, um einen Quantenvorteil zu garantieren. Um klassische Methoden in diesen spezifischen Schätzaufgaben wirklich zu übertreffen, müsste ein Quantengerät ein Gedächtnis nutzen, das linear mit der Anzahl der Photonen wächst, oder es müsste komplexere Strategien wie adaptive Messungen anwenden, die das Experiment in Echtzeit verändern. Die Forscher lieferten auch einen klaren Weg zur Implementierung ihrer Methode und stellten ein Softwarepaket bereit, mit dem diese Ideen an realen Daten getestet werden können. Ihre Ergebnisse deuten darauf hin, dass verschränktes Licht zwar eine mächtige Ressource ist, der klassische Computer im Wettlauf um die Schätzung des Verhaltens dieser Systeme jedoch noch nicht besiegt ist, sofern die Quantenquelle nicht zu komplex in ihrem internen Gedächtnis wird.

Der Ansatz der Forscher beruht auf einer klugen Beobachtung darüber, wie diese sequenziellen Quellen funktionieren. Wenn ein Quantenemitter einen Strom von Photonen erzeugt, kann der Zustand des gesamten Stroms als Matrix-Produkt-Zustand beschrieben werden – eine mathematische Struktur, die die Korrelationen zwischen den Photonen kompakt erfasst. Die Forscher erkannten, dass diese Struktur es ihnen ermöglicht, die möglichen Ergebnisse des Experiments Standort für Standort zu sampeln, anstatt zu versuchen, das gesamte Problem auf einmal zu lösen. Sie konstruierten eine Sampling-Methode, die Zufallszahlen nutzt, um den Pfad der Photonen durch das Interferometer zu simulieren, aber im Gegensatz zu bisherigen Methoden, die nur für unabhängige Photonen funktionierten, berücksichtigt ihre Technik die Verschränkung, indem sie das Gedächtnis der Quelle nutzt, um jeden Schritt zu leiten. Dies ermöglicht es ihnen, das durchschnittliche Verhalten des Systems mit einer Präzision zu berechnen, die sich verbessert, je mehr Daten sie sammeln, wobei der Arbeitsaufwand für jeden Schritt der Berechnung nur polynomiell mit der Größe des Systems wächst, statt exponentiell zu explodieren.

Einer der wichtigsten Aspekte ihrer Entdeckung ist die Unterscheidung zwischen der Verschränkung des Lichts und dem Gedächtnis der Quelle. Ein einzelner Quantenspin kann eine lange Kette verschränkter Photonen erzeugen und damit einen Zustand schaffen, der hochkomplex und auf andere Weise schwer zu beschreiben ist; dennoch zeigten die Forscher, dass der Zustand für einen klassischen Computer leicht zu schätzen bleibt, da das Gedächtnis dieses einzelnen Spins klein ist. Dies bedeutet, dass die große, multipartite Verschränkung, die in der Quantenphysik oft gefeiert wird, nicht automatisch in rechnerische Komplexität für diese spezifischen Aufgaben übersetzt. Die Schwierigkeit tritt erst auf, wenn das Gedächtnis der Quelle groß genug wird, um eine signifikante Menge an Informationen über die gesamte Emissionssequenz zu speichern. Die Forscher berechneten, dass die klassische Simulation effizient bleibt, wenn das Gedächtnis auf eine Anzahl von Qubits begrenzt ist, die nur logarithmisch mit der Anzahl der Photonen wächst. Diese Schwelle ist bedeutsam, da sie impliziert, dass viele aktuelle und nahe Zukunft kommende Quantenlichtquellen, die typischerweise eine geringe Anzahl von Emittern oder eine kurze Verzögerungsleitung verwenden, diese Schätzaufgaben nicht in der Lage sein werden, klassische Computer zu übertreffen.

Die Arbeit befasst sich auch mit der praktischen Seite dieser Berechnungen und zeigt auf, wie die Methode auf die Schätzung anderer nützlicher Größen ausgeweitet werden kann, wie etwa die Überlappung zwischen zwei verschiedenen Quantenzuständen oder die Wahrscheinlichkeit, Photonen in einer bestimmten Teilmenge von Ausgangsmoden zu finden. Dies sind die Arten von Berechnungen, die für das Training von Modellen des maschinellen Lernens oder den Vergleich verschiedener Quantenzustände benötigt werden. Die Forscher demonstrierten, dass ihr Sampler diese Aufgaben mit der gleichen Effizienz bewältigen kann, was ihn zu einem vielseitigen Werkzeug für das Fachgebiet macht. Sie verifizierten ihre theoretischen Ergebnisse durch numerische Simulationen, führten ihren Algorithmus auf verschiedenen Testfällen aus und verglichen die Ergebnisse mit exakten Berechnungen für kleinere Systeme. Die Ergebnisse stimmten perfekt überein, was bestätigte, dass ihre Methode sowohl genau als auch zuverlässig ist. Zudem lieferten sie einen formalen Beweis für ihre Methode mittels eines computergestützten Beweissystems, um sicherzustellen, dass die mathematische Logik hinter ihren Behauptungen fundiert ist.

Im breiteren Kontext des Quantencomputings dient diese Arbeit als Realitätscheck für das Fachgebiet. Sie verdeutlicht, dass der Weg zum Quantenvorteil nicht so einfach ist wie die bloße Erzeugung von verschränktem Licht. Stattdessen erfordert er eine sorgfältige Berücksichtigung der Ressourcen, die dem Quantensystem zur Verfügung stehen, insbesondere der Größe seines Gedächtnisses. Für Forscher, die photonische Quantenmaschinen bauen, ist die Botschaft klar: Um einen Rechenvorteil bei Schätzaufgaben zu erzielen, müssen sie entweder das Gedächtnis ihrer Quellen über die logarithmische Schwelle hinaus vergrößern oder Wege finden, das Gerät über einfache additive Schätzungen hinaus zu nutzen. Die Forscher behaupteten nicht, dass ihre Methode alle Probleme der Quantensimulation löst, noch deuteten sie an, dass Quantencomputer für diese Aufgaben niemals nützlich sein werden. Vielmehr lieferten sie eine präzise Grenze für den Bereich, in dem klassische Computer noch konkurrenzfähig bleiben können, und boten damit ein klares Ziel für zukünftige Quantenexperimente.

Die Studie schließt mit dem Hinweis auf mehrere offene Fragen, die für das Fachgebiet bestehen bleiben. Während ihre Methode gut für Zustände mit einer geringen Anzahl von Photonen pro Standort funktioniert, ist noch nicht klar, wie man Situationen handhabt, in denen viele Photonen denselben Modus besetzen, oder wie man Imperfektionen wie partielle Unterscheidbarkeit oder Verluste im System berücksichtigt. Dies sind reale Herausforderungen, denen sich jedes praktische Quantengerät stellen muss. Die Forscher merkten zudem an, dass während ihre Arbeit die Schätzung von Wahrscheinlichkeiten behandelt, die Frage, ob das Sampling aus der vollen Ausgangsverteilung dieser verschränkten Zustände für klassische Computer schwierig bleibt, ein offenes Problem darstellt. Diese Unterscheidung ist wichtig, da viele vorgeschlagene Anwendungen auf Sampling basieren, nicht nur auf Schätzung. Die Forscher haben ihren Code und ihre Beweise öffentlich zugänglich gemacht, um anderen zu ermöglichen, ihre Methode zu testen und auf ihren Erkenntnissen aufzubauen. Ihre Arbeit stellt einen soliden Beitrag zu unserem Verständnis der Fähigkeiten und Grenzen sowohl klassischer als auch Quantencomputer im Bereich der linearen Optik dar.