In der Welt der Informatik sind einige Probleme einfach zu formulieren, aber unglaublich schwierig zu lösen, wenn die Menge der Daten wächst. Eine solche Herausforderung besteht darin, die nächste Übereinstimmung in einer riesigen Bibliothek von Informationen zu finden. Stellen Sie sich einen Bibliothekar vor, der das Buch finden muss, das einer neuen Anfrage am ähnlichsten ist, indem er es mit jedem einzelnen Band im Regal vergleicht. In einem klassischen Computer erfordert dieser Prozess, jedes Element einzeln zu prüfen, eine Aufgabe, die mit der Erweiterung der Bibliothek quälend langsam wird. Dies ist der Kern des „k-Nearest-Neighbor“-Problems (k-Nächste-Nachbarn-Problem), eines grundlegenden Werkzeugs, das in allem von der medizinischen Diagnose bis hin zur Empfehlung von Filmen eingesetzt wird. Jahrzehntelang hofften Wissenschaftler, dass Quantencomputer, die Informationen auf eine grundlegend andere Weise verarbeiten können, dieses Suchproblem sofort lösen könnten. Bisherige Versuche, eine Quantenversion dieses Suchwerkzeugs zu bauen, stützten sich jedoch auf theoretische Abkürzungen, die in der realen Welt noch nicht existieren, oder sie waren darauf beschränkt, nur sehr einfache Zwei-Optionen-Probleme zu lösen.

Ein Forscherteam der Concordia University hat nun einen neuen Weg zur Durchführung dieser Suche aufgezeigt, der ohne diese unmöglichen Abkürzungen funktioniert. Sie haben einen Quantenschaltkreis entworfen, der eine einzelne neue Abfrage mit einer riesigen Sammlung von Trainingsdaten vergleichen kann, einschließlich vieler verschiedener Kategorien, und zwar innerhalb einer einzigen Ausführung der Maschine. Ihre Arbeit beweist, dass es möglich ist, einen Quantenklassifizierer zu bauen, der mehrere Datenklassen gleichzeitig verarbeitet, ohne auf hypothetische Speichergeräte angewiesen zu sein, die instantan auf jedes beliebige Datenteil zugreifen können. Anstatt sich auf Magie oder unbewiesene Technologie zu verlassen, bauten sie ein System mit Standard-Physikalien, das auf tatsächlicher Quantenhardware ausgeführt werden kann. Das Ergebnis ist eine Maschine, die in der Simulation die Genauigkeit der besten klassischen Methoden erreicht und gleichzeitig einen neuen architektonischen Pfad aufzeigt, der nicht erfordert, dass der gesamte Trainingsdatensatz in einen separaten, massiven Speicherbank geladen wird.

Die Forscher begannen damit, das Problem anzugehen, wie man gewöhnliche Daten in eine Sprache übersetzt, die ein Quantencomputer verstehen kann. Quantenmaschinen operieren auf Zuständen, die eine spezifische mathematische Größe haben müssen, ganz ähnlich wie ein Ballon, der auf ein präzises Volumen aufgeblasen werden muss, um seine Form zu halten. Wenn man ein großes Objekt einfach schrumpft, um es passend zu machen, verliert man Informationen über seine ursprüngliche Größe. Das Team verwendete eine mathematische Technik namens inverser stereografischer Projektion, um ihre Daten auf eine Kugel abzubilden. Dieser Prozess ist klug, weil er die ursprüngliche Größe und Form der Datenpunkte bewahrt, während er sie in das erforderliche Quantenformat einpasst. Durch dies stellten sie sicher, dass der Abstand zwischen zwei Punkten in den Originaldaten getreu im Abstand zwischen ihren Quantendarstellungen widergespiegelt wird. Dieser Schritt war entscheidend; ohne ihn würde der Quantencomputer verzerrte Schatten statt der eigentlichen Objekte vergleichen, was zu falschen Antworten führen würde.

Nachdem die Daten ordnungsgemäß kodiert worden waren, konstruierte das Team einen Schaltkreis, der als gigantischer Vergleichsmotor fungiert. Bei einem traditionellen Ansatz würde ein Computer die neue Abfrage mit dem ersten Trainingspunkt vergleichen, dann mit dem zweiten, dann mit dem dritten und so weiter, nacheinander. Der in diesem Papier beschriebene Quantenschaltkreis tut etwas Radikaleres: Er versetzt alle Trainingsdaten in einen Zustand der Superposition, in dem sie in einer Kombination aller möglichen Zustände gleichzeitig existieren. Der Schaltkreis verwendet dann ein Netzwerk aus gesteuerten Swaps (Controlled Swaps), die man sich als einen ausgeklügelten Sortierungsmechanismus vorstellen kann, um die Daten zu routen. Dieses Netzwerk ermöglicht es dem Quantencomputer, die Abfrage gegen jeden einzelnen Trainingspunkt aus jeder einzelnen Klasse gleichzeitig zu vergleichen. Die Maschine muss sie nicht sequenziell prüfen; sie evaluiert die gesamte Bibliothek in einem einzigen Durchgang.

Das Herzstück des Messprozesses beruht auf einer Technik, die als SWAP-Test bekannt ist. Dies ist ein Verfahren, das prüft, wie ähnlich sich zwei Quantenzustände sind. Wenn zwei Zustände identisch sind, liefert der Test ein Ergebnis; wenn sie unterschiedlich sind, liefert er ein anderes. Die Forscher gestalteten ihren Schaltkreis so, dass die Wahrscheinlichkeit, ein spezifisches Messergebnis zu erhalten, direkt mit der Nähe eines Trainingspunkts zur Abfrage verknüpft ist. Durch das mehrfache Durchlaufen des Schaltkreises und das Zählen der Ergebnisse erstellt die Maschine ein statistisches Bild davon, welche Trainingspunkte die am nächsten liegenden Treffer sind. Entscheidend ist, dass der Schaltkreis auch speichert, zu welcher Klasse der jeweilige nächste Nachbar gehört. Dies ermöglicht es dem System, eine Mehrheitsentscheidung durchzuführen und das endgültige Label basierend auf den nächsten Nachbarn festzulegen, genau wie ein Mensch es tun würde, wenn er eine Gruppe von Experten nach ihrer Meinung fragen würde.

Das Team testete sein Design mit einem Benchmark, der vier verschiedene Datenkategorien und tausende simulierte Vergleiche umfasste. Sie fanden heraus, dass der Quantenschaltkreis exakt dieselben Entscheidungsregeln der klassischen Methode reproduziert. Im Grenzfall unendlicher Messungen stimmten das Quantensystem und das klassische System bei jedem einzelnen Testfall überein. Selbst mit einer realistischen Anzahl von Messungen entsprach die Genauigkeit des Quantenklassifizierers der des klassischen Systems innerhalb einer sehr geringen Marge und wich in den schwierigsten Szenarien um weniger als einen Prozentpunkt ab. Dieses Leistungsniveau ist signifikant, da es zeigt, dass der Quantenansatz nicht an Genauigkeit einbüßt, um Geschwindigkeit oder Komplexität zu gewinnen. Das System identifizierte die korrekten Nachbarn erfolgreich und wies die korrekten Labels zu, was beweist, dass die zugrunde liegende Logik unter genauer Prüfung standhält.

Eine große Stärke dieser Arbeit ist, dass sie die Notwendigkeit von Quantenem Random Access Memory, oder kurz QRAM, vermeidet. Viele frühere Vorschläge für Quanten-Maschinelles-Lernen nahmen die Existenz dieser Technologie an, die es einem Quantencomputer ermöglichen würde, instantan jedes beliebige Datenteil aus einem massiven Speicherbank abzurufen. QRAM ist jedoch ein theoretisches Konzept, das noch nicht gebaut wurde und möglicherweise im großen Maßstab physisch unmöglich zu konstruieren ist. Das neue Design verwendet kein QRAM. Stattdessen lädt es die Daten direkt in die Register des Schaltkreises. Während dieser Ladevorgang eine Zeit beansprucht, die proportional zur Größe der Daten ist, ist es ein praktischer, implementierbarer Schritt, der nicht auf hypothetischer Hardware basiert. Die Forscher waren transparent bezüglich dieser Kosten und merkten an, dass die Zeit, die für das Laden der Daten benötigt wird, derzeit der Hauptengpass ist, zeigten aber auf, dass der Vergleichsteil des Prozesses hocheffizient ist und nicht erfordert, dass die Daten in einem separaten, unzugänglichen Speicher gespeichert werden.

Die Forscher verglichen ihre Methode auch mit anderen Quantenansätzen, die in den letzten Jahren vorgeschlagen wurden. Sie fanden heraus, dass Methoden, die auf unterschiedlichen Arten der Datenkodierung beruhen, oft wichtige Informationen über die Größe der Datenpunkte verloren, was zu einer geringeren Genauigkeit führte. Ihr Ansatz, der die volle Geometrie der Daten bewahrt, schnitt so gut ab wie die besten klassischen Methoden und besser als andere Quantenvorschläge, die auf unvollständigeren Kodierungen basierten. Darüber hinaus, als sie die Gesamtzahl der benötigten physischen Komponenten zählten, einschließlich des Speichers zum Halten der Daten, war ihr Design effizienter als die QRAM-basierten Methoden für Datensätze ab einer bestimmten Größe. Dies deutet darauf hin, dass ihre Architektur nicht nur eine theoretische Kuriosität ist, sondern ein gangbarer Weg für zukünftige Hardware.

Die Studie kommt zu dem Schluss, dass es möglich ist, einen Multi-Class-Quantenklassifizierer zu bauen, der in einem einzigen Schaltkreis arbeitet, ohne auf unbewiesene Technologie zurückzugreifen. Das System übersetzt erfolgreich klassische Daten in Quantenzustände, vergleicht eine Abfrage mit einem gesamten Datensatz gleichzeitig und liest die Ergebnisse mit hoher Genauigkeit aus. Während die aktuelle Geschwindigkeit des Systems durch die Zeit begrenzt wird, die für das Laden der Daten benötigt wird, ist die Architektur selbst solide und modular aufgebaut. Das bedeutet, dass dieser spezifische Schaltkreisentwurf unmittelbar von Verbesserungen profitieren kann, sobald Wissenschaftler bessere Wege entwickeln, Daten in Quantencomputer zu laden, ohne dass er neu entworfen werden muss. Die Arbeit liefert eine klare, konkrete Demonstration, wie Quanteninterferenz genutzt werden kann, um ein klassisches Suchproblem zu lösen, und bringt das Feld einen Schritt näher zu praktischen Anwendungen, bei denen Quantenmaschinen tatsächlich bei der Analyse komplexer Daten unterstützen können.