Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, eine riesige Bibliothek von Büchern in zwei Stapel zu sortieren: „Gesunder Knochen" und „Schwacher Knochen". Doch statt den Text zu lesen, betrachten Sie die Bücher durch ein spezielles, hochtechnisches Mikroskop, das jede Seite in ein komplexes, wirbelndes Muster aus Grau und Weiß verwandelt. Das ist im Wesentlichen das, was Wissenschaftler mit trabekulärem Knochen (der schwammartigen, wabenähnlichen Struktur im Inneren von Knochen) mittels Mikro-CT-Scans tun.
Die Forscher wollten herausfinden, ob eine neue Art von Computerhirn – ein Quantencomputer – diesen Sortierauftrag besser bewältigen könnte als ein herkömmlicher, klassischer Computer. Allerdings ist die „Bibliothek" zu groß und die Muster zu unübersichtlich, als dass der Quantencomputer sie direkt verarbeiten könnte. Es ist, als würde man versuchen, einen ganzen Ozean in eine Teetasse zu füllen. Um dies zu beheben, mussten sie die Daten zunächst auf eine handhabbare Größe schrumpfen. Dieser Vorgang wird als Dimensionsreduktion bezeichnet.
Die fünf „Schrumpfer"
Das Team testete fünf verschiedene Methoden, um diese massiven Daten in ein winziges, achtdimensionales „Paket" zu komprimieren, das ein Quantencomputer verstehen kann. Betrachten Sie diese Methoden als fünf verschiedene Möglichkeiten, einen Koffer zu packen:
- PCA (Hauptkomponentenanalyse): Wie das ordentliche Falten Ihrer Kleidung, damit sie hineinpasst.
- RP Gaussian & RP Sparse: Wie das Werfen Ihrer Kleidung in eine Tasche und das Schütteln, um zu sehen, was hineinpasst.
- PLS (Partielle Kleinste-Quadrate): Wie das Packen nur der Gegenstände, von denen Sie wissen, dass Sie sie für eine bestimmte Reise benötigen.
- UMAP (Uniform Manifold Approximation and Projection): Wie die Verwendung einer magischen Karte, die Ihre Kleidung so neu anordnet, dass die wichtigsten direkt oben liegen.
Das Rennen: Klassisch gegen Quanten
Sobald die Daten gepackt waren, schickten sie sie zu zwei Läufern:
- Der klassische Läufer: Ein Standardcomputer, der einen bewährten „Radial-Basis-Funktion"-Algorithmus verwendet.
- Der Quanten-Läufer: Ein Quantencomputer, der eine spezifische „ZZ-Feature-Karte" verwendet (eine Methode, um die Daten in Quantensprache zu übersetzen).
Sie ließen dieses Rennen 25 Mal in verschiedenen Szenarien (Kreuzvalidierung) laufen, um zu sehen, wer schneller und genauer war.
Die Ergebnisse: Eine Geschichte von zwei Tests
Der erste Test (Das „gefaltete" Rennen):
Als sie die Tests mit denselben Datensätzen immer wieder durchführten (was den Computer manchmal dazu verleiten kann, die Antworten auswendig zu lernen), war UMAP die einzige Methode, bei der der Quanten-Läufer mit dem klassischen Läufer Schritt hielt. Tatsächlich schien der Quanten-Läufer mit einem winzigen Vorsprung zu gewinnen.
Der zweite Test (Das „unabhängige" Rennen):
Um sicherzugehen, führten sie einen strengeren Test mit 10 völlig neuen, unabhängigen Datensätzen durch. Diesmal verschwand die Magie. Der Quanten-Läufer blieb tatsächlich leicht hinter dem klassischen Läufer zurück. Der winzige „Sieg" aus dem ersten Test erwies sich als Zufall, verursacht durch die Art und Weise, wie die Daten gruppiert wurden.
Die Verlierer:
Bei den anderen vier Methoden (PCA, Zufallsprojektionen und PLS) fiel der Quanten-Läufer nicht nur durch; er strauchelte erheblich. Er war beim Unterscheiden zwischen gesundem und schwachem Knochen deutlich schlechter als der klassische Computer.
Das Regressions-Experiment
Die Forscher versuchten auch, den Quantencomputer zu verwenden, um genaue Zahlen vorherzusagen (wie „wie dick ist der Knochen?"), anstatt sie nur in Stapel zu sortieren. Das ist, als würde man versuchen, das genaue Gewicht eines Buches zu erraten, anstatt nur zu sagen „schwer" oder „leicht".
- Das Ergebnis: Der Quantencomputer versagte dabei völlig. Er konnte die Zahlen überhaupt nicht vorhersagen und erzielte oft negative Werte. Es scheint, dass das Quantenwerkzeug, das sie verwendeten, gut darin ist, Linien zwischen Kategorien zu ziehen (Sortieren), aber schrecklich darin, glatte, kontinuierliche Messungen zu verstehen (Zahlen vorhersagen).
Das Fazit
Die Hauptaussage ist einfach: Wie Sie die Daten vorbereiten, ist wichtiger als der Computer, den Sie verwenden.
Wenn Sie die falsche Methode verwenden, um die Daten zu schrumpfen (wie PCA oder zufälliges Packen), performt der Quantencomputer schlecht. Wenn Sie jedoch die richtige Methode verwenden (UMAP), kann der Quantencomputer zumindest mit dem klassischen mithalten, auch wenn er nicht unbedingt gewinnt. Die Studie kommt zu dem Schluss, dass Quantencomputer in diesem Bereich nützlich sein können, wenn wir sehr sorgfältig darauf achten, wie wir die Daten „packen", bevor wir sie an die Quantenmaschine senden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.