← Neueste Arbeiten
⚛️ Quantenphysik

Agentic AI for Discovering Fault-Tolerant Quantum Circuits

Dieses Paper schlägt ein agentenbasiertes evolutionäres Programmsynthese-Framework vor, das ein großes Sprachmodell nutzt, welches durch einen Schaltkreis-Verifier geleitet wird, um automatisch fehlertolerante Clifford-Schaltkreise für diverse Quantencomputing-Aufgaben zu entdecken und zu verifizieren, wodurch die Einschränkungen des manuellen Designs überwunden werden.

Ursprünglicher Autor: Aritra Lahiri, Florian Marquardt

Veröffentlicht 2026-11-16
📖 8 Min. Lesezeit🧠 Tiefgang

Ursprünglicher Autor: Aritra Lahiri, Florian Marquardt

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht vom Autor verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Quantencomputer versprechen, Probleme zu lösen, für deren Bewältigung heutige leistungsstärkste Maschinen tausende von Jahren benötigen würden – vom Design neuer Medikamente bis hin zur Modellierung komplexer Klimasysteme. Diese Maschinen sind jedoch unglaublich fragil. Die winzigen Teilchen, die sie zur Speicherung von Informationen nutzen, werden als Qubits bezeichnet, und sie werden leicht durch Wärme, Vibrationen oder sogar streuende elektromagnetische Wellen gestört. Eine einzige Störung kann die Berechnung korrumpieren und den gesamten Prozess zum Scheitern bringen. Um dies zu beheben, nutzen Wissenschaftler eine Methode namens Quantenfehlerkorrektur. Anstatt sich auf ein einzelnes, fragiles Qubit zu verlassen, gruppieren sie viele physikalische Qubits zu einem einzigen, stabileren „logischen“ Qubit. Dieses logische Qubit fungiert wie ein Team von Kundschaftern; wenn ein Kundschafter verloren geht oder verwirrt wird, können die anderen den richtigen Weg finden und die Mission fortsetzen.

Der Bau dieser logischen Qubits erfordert einen komplexen Satz von Anweisungen oder Schaltkreisen, die den physikalischen Qubits sagen, wie sie miteinander interagieren, einander messen und Fehler in Echtzeit korrigieren sollen. Das Entwerfen dieser Schaltkreise ist eine monumentale Aufgabe. Jahrelang mussten Wissenschaftler sie von Hand zeichnen, ein langsamer und fehleranfälliger Prozess, der für einfache Fälle funktioniert, aber unmöglich wird, wenn die Systeme größer und komplexer werden. Die Herausforderung besteht nicht nur darin, den Schaltkreis zum Funktionieren zu bringen, sondern auch sicherzustellen, dass er die unvermeidlichen Fehler übersteht, die während des Betriebs auftreten. Wenn ein Fehler an der falschen Stelle auftritt, kann er sich wie ein Virus durch das System ausbreiten, die Fehlerkorrektur überwältigen und die Informationen zerstören. Die Suche nach einem Design, das sowohl effizient als auch robust genug ist, um diesen Fehlern standzuhalten, war ein bedeutender Engpass im Wettlauf um den Bau eines praktischen Quantencomputers.

In einer neuen Studie haben Forscher sich an Künstliche Intelligenz gewandt, um dieses Designproblem zu lösen, und bewegen sich weg von der menschlichen Intuition hin zu einem System, das seine eigenen Lösungen entwickeln kann. Das Team aus Deutschland entwickelte eine Methode, bei der ein Large Language Model – eine fortgeschrittene KI, die auf riesigen Mengen menschlichen Wissens trainiert wurde – als Architekt für diese Quantenschaltkreise fungiert. Aber diese KI rät nicht einfach und hofft auf das Beste. Stattdessen arbeitet sie innerhalb einer strengen, automatisierten Schleife, in der sie einen Entwurf vorschlägt, diesen gegen einen strengen Satz von Regeln testet und ihren Vorschlag basierend auf den Ergebnissen verfeinert. Dieser Prozess ähnelt der natürlichen Evolution: Die KI generiert viele Variationen eines Schaltkreises, behält diejenigen, die am besten funktionieren, und nutzt sie als Grundlage für die nächste Runde von Ideen.

Die Forscher konzentrierten sich auf einen spezifischen Typ von Quantenschaltkreis, bekannt als Clifford-Schaltkreis, der für viele Quantenoperationen essenziell ist. Sie gaben der KI drei verschiedene Herausforderungen vor: die Vorbereitung eines logischen Qubits in einem spezifischen Startzustand, das Ausführen eines logischen Gates (eine Basisoperation wie das Umkehren eines Bits) und die Ausführung komplexerer Routinen, wie etwa das Wechseln zwischen verschiedenen Arten von Fehlerkorrektur-Codes oder das Vergrößern eines kleinen Codes zu einem größeren. Um sicherzustellen, dass die KI die Regeln versteht, stellte das Team einen „Verifier“ bereit, ein Werkzeug, das jeden möglichen Weg simuliert, auf dem ein Fehler im Schaltkreis auftreten könnte. Wenn ein einziger Fehler die Berechnung ruinieren könnte, weist der Verifier das Design ab. Die KI lernt dann aus dieser Ablehnung und passt ihren nächsten Versuch an, um die gleichen Fallstricke zu vermeiden.

Die Ergebnisse waren beeindruckend. Die KI entdeckte erfolgreich fehlertolerante Schaltkreise für alle ihr übertragenen Aufgaben, einschließlich solcher, die für nicht-standardisierte Quantencodes als besonders schwierig gelten. In vielen Fällen waren die von ihr gefundenen Schaltkreise nicht nur gültig, sondern auch effizienter als bisher von menschlichen Experten entworfene. Wenn sie beispielsweise mit der Vorbereitung eines logischen Zustands auf einem spezifischen Fünf-Qubit-Code beauftragt wurde, fand die KI ein Design, das signifikant „flacher“ war – was bedeutet, dass es weniger Schritte erforderte und weniger Zeit zur Ausführung benötigte – als bisherige Versuche. In anderen Tests mit größeren Codes gelang es der KI, Designs zu finden, die „stille“ Fehler eliminierten, also gefährliche Fehler, die von den Sicherheitskontrollen des Systems unentdeckt bleiben. Die KI erreichte dies, indem sie lernte, zusätzliche Qubits, sogenannte Flag-Qubits, zu verwenden, die als Frühwarnsysteme dienen und Fehler abfangen, bevor sie sich ausbreiten können.

Einer der bedeutendsten Aspekte dieser Arbeit ist, wie die KI mit dem Kompromiss zwischen Effizienz und Sicherheit umging. In früheren Ansätzen mussten Forscher oft zwischen einem schnellen Schaltkreis, der riskant war, oder einem sicheren Schaltkreis, der zu langsam war, um nützlich zu sein, wählen. Die KI hingegen lernte, diesen Ausgleich automatisch zu navigieren. Sie entdeckte, dass sie durch die sorgfältige Anordnung der Reihenfolge der Operationen und die Verwendung spezifischer Messergebnisse zur Auslösung von Korrekturen Schaltkreise bauen konnte, die sowohl schnell als auch robust waren. Das System war in der Lage, eine Vielzahl von physischen Layouts zu handhaben, von idealisierten Setups, bei denen jedes Qubit mit jedem anderen kommunizieren kann, bis hin zu realistischen Hardware-Beschränkungen, bei denen Qubits nur mit ihren unmittelbaren Nachbarn interagieren können. Diese Flexibilität deutet darauf hin, dass die Methode auf die tatsächlichen Quantencomputer angewendet werden kann, die heute gebaut werden.

Die Forscher untersuchten auch, wie die KI im Laufe der Zeit lernte. Sie fanden heraus, dass das System nicht einfach nur auf eine Lösung stieß, sondern ein Gedächtnis darüber aufbaute, was funktionierte und was nicht. Während die KI tausende von Vorschlägen generierte, machte sie sich Notizen über ihre Argumentation und erklärte, warum bestimmte Designs scheiterten und wie sie diese verbessern wollte. Die fortschrittlichsten Versionen der KI, die mehr Zeit erhielten, um über jeden Schritt nachzudenken, produzierten Designs, die konsistent besser und kreativer waren. Diese Modelle schrieben längere, detailliertere Notizen und untersuchten ein breiteres Spektrum an Möglichkeiten, bevor sie sich auf eine endgültige Lösung festlegten. Diese Fähigkeit, über ihren eigenen Prozess zu reflektieren, ermöglichte es der KI, Sackgassen zu entkommen, die einen einfacheren Algorithmus oder einen menschlichen Designer gefangen halten würden.

Die Studie befasste sich auch mit dem schwierigen Problem des „Code-Switching“, bei dem ein logisches Qubit von einem Typ des Fehlerkorrektur-Codes zu einem anderen wechselt. Dies ist eine entscheidende Technik für die Durchführung bestimmter Arten von Berechnungen, die innerhalb eines einzelnen Codes unmöglich sind. Die KI entwarf erfolgreich Schaltkreise, um zwischen verschiedenen Codes zu wechseln, ohne die Informationen zu verlieren oder unkorrigierbare Fehler einzuführen. Sie bewältigte es auch, einen Code zu „wachsen“ zu lassen, indem sie ein kleines logisches Qubit nahm und es zu einer größeren, leistungsfähigeren Version ausweitete, während sie dessen Integrität beibehielt. Dies sind komplexe, mehrstufige Prozesse, die zuvor ein kompliziertes manuelles Design erfordert hatten, doch die KI bewältigte sie mit derselben automatisierten Effizienz wie die einfacheren Aufgaben.

Obwohl der Erfolg der KI beeindruckend ist, weisen die Forscher vorsichtig darauf hin, dass ihre Ergebnisse auf Simulationen basieren. Sie haben diese spezifischen Schaltkreise noch nicht auf einem physischen Quantencomputer ausgeführt, daher bleibt die Leistung in der realen Welt abzuwarten. Die Tatsache, dass die KI jedoch Lösungen fand, die solch strenge mathematische Kriterien für die Fehlertoleranz erfüllen, ist ein starker Indikator dafür, dass diese Designs in der Praxis funktionieren werden. Die Studie zeigt, dass der Engpass beim Entwurf von Quantenschaltkreisen nicht länger eine Beschränkung der menschlichen Kreativität ist, sondern ein Problem, das durch die Bereitstellung der richtigen Werkzeuge und der Freiheit zur Iteration von Maschinen gelöst werden kann.

Dieser Ansatz markiert eine Verschiebung in der Art und Weise, wie Quantencomputing-Forschung betrieben wird. Anstatt sich auf eine kleine Gruppe von Experten zu verlassen, die jeden neuen Schaltkreis von Hand fertigen, kann das Feld nun automatisierte Systeme nutzen, die in der Lage sind, eine riesige Landschaft an Möglichkeiten viel schneller zu erkunden als jedes menschliche Team. Die KI ersetzt nicht den Wissenschaftler; vielmehr fungiert sie als ein leistungsstarker Partner, der die mühsame und komplexe Arbeit des Designs übernimmt, damit sich die Forscher auf die übergeordneten Ziele des Feldes konzentrieren können. Indem sie bewies, dass eine KI fehlertolerante Schaltkreise für eine Vielzahl von Aufgaben entdecken kann, öffnet die Studie die Tür zu einer Zukunft, in der Quantencomputer auf die Größen skaliert werden können, die für einen praktischen Vorteil erforderlich sind, wobei ihre interne Logik von eben jener Intelligenz entworfen wird, die sie zu nutzen bezwecken.

Die Arbeit hebt auch die Bedeutung der „agentischen“ Natur der KI hervor. Im Gegensatz zu früheren Versuchen, bei denen eine KI vielleicht einen einzelnen Entwurf generierte und dann stoppte, ist dieses System mit Werkzeugen ausgestattet, um seine eigenen Ideen zu testen und zu verifizieren. Es kann Simulationen durchführen, nach Fehlern suchen und dann dieses Feedback nutzen, um seinen nächsten Versuch zu verbessern. Diese Schleife aus Handeln, Verifizieren und Verfeinern ist es, was das System ermöglicht, schnell qualitativ hochwertige Lösungen zu finden. Die Forscher fanden heraus, dass die Fähigkeit der KI, diese Werkzeuge zu nutzen, ebenso wichtig war wie ihre Fähigkeit, Code zu generieren. Ohativ der Verifier, der sofortiges Feedback gab, hätte die KI Schwierigkeiten gehabt, zwischen einem guten und einem schlechten Design zu unterscheiden.

Am Ende zeigt die Studie einen klaren Weg für die Entwicklung der Quantenfehlerkorrektur auf. Sie zeigt, dass das komplexe, vielschichtige Problem des Entwurfs fehlertoleranter Schaltkreise in ein Suchproblem zerlegt werden kann, das eine KI lösen kann. Die entdeckten Schaltkreise sind nicht nur theoretische Kuriositäten; es sind praktische Designs, die auf der heute existierenden Hardware implementiert werden könnten. Während Quantencomputer in Größe und Komplexität weiter wachsen, wird die Fähigkeit, die Schaltkreise, die sie korrekt am Laufen halten, automatisch zu entwerfen, immer wichtiger werden. Diese Forschung legt nahe, dass die Zukunft des Quantencomputings vielleicht nicht von Hand geschrieben, sondern von Maschinen entwickelt wird, die lernen, genau die Informationen zu schützen, die sie zu verarbeiten bestimmt sind.

Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?

Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.

Digest testen →