Coherence-Rate Graphs and the Trainability of Quantum Neural Networks Under Noise

Im Wettlauf um den Bau nützlicher Quantencomputer arbeiten Wissenschaftler derzeit mit Maschinen, die zwar leistungsstark, aber unvollkommen sind. Diese Geräte, bekannt als verrauschte Quantencomputer mittlerer Skala (noisy intermediate-scale quantum computers), sind groß genug, um komplexe Berechnungen zu versuchen, aber klein genug, um leicht durch ihre Umgebung gestört zu werden. Um diese Maschinen dazu zu bringen, aus Daten zu lernen, verwenden Forscher eine Methode namens variationales Lernen. Stellen Sie sich eine Maschine vor, die ihre eigenen internen Einstellungen anpasst, so wie man an den Reglern eines Radios dreht, um die beste Antwort auf ein Problem zu finden. Die Maschine führt eine Berechnung aus, prüft das Ergebnis, und ein klassischer Computer sagt ihr, wie sie die Regler drehen muss, um sich zu verbessern. Dieser Zyklus wiederholt sich, bis die Maschine lernt. Doch dieser Prozess schlägt oft fehl. Wenn die Berechnungen tiefer und komplexer werden, kann das Signal, das der Maschine sagt, wie sie ihre Regler anpassen soll, vollständig verschwinden und die Maschine in einer flachen Landschaft zurücklassen, in der kein Fortschritt mehr möglich ist. Dies wird als Barren Plateau bezeichnet.

Um dies zu vermeiden, haben Wissenschaftler begonnen, Schaltkreise zu bauen, die spezifische Symmetrien respektieren, was bedeutet, dass die Maschine gezwungen ist, bestimmte Teile des Problems auf die gleiche Weise zu behandeln. Diese Einschränkung hilft, das Lernsignal in einer perfekten, rauschfreien Welt am Leben zu erhalten. Doch die reale Welt ist nicht perfekt. Die Frage, die Forscher lange Zeit rätseln ließ, war, wie sich diese sorgfältig entworfenen, symmetrie-respektierenden Schaltkreise verhalten, wenn sie tatsächlich auf verrauschter Hardware laufen. Zerstört das Rauschen den Schutz, den die Symmetrie bietet? Bis jetzt war der einzige Weg, dies herauszufinden, das Durchführen von tausenden Simulationen – ein Prozess, der langsam, teuer ist und Forscher oft über die zugrunde liegenden Gründe für das Scheitern im Unklaren lässt.

Eine neue Studie von Hassan Ugail und Newton Howard bietet einen anderen Ansatz. Anstatt die gesamte Maschine zu simulieren, um zu sehen, wie sie scheitert, entwickelten die Forscher einen Weg, das Scheitern zu kartieren, noch bevor die Maschine überhaupt läuft. Sie schufen ein Werkzeug, das sie Kohärenzraten-Graph nennen. Dies ist im Wesentlichen eine Karte, die zeigt, wie verschiedene Teile des Quantenschaltkreises degradieren oder Informationen verlieren, wenn sie dem Rauschen ausgesetzt sind. Durch das Betrachten der Struktur dieser Karte können die Forscher genau vorhersagen, welche Teile des Schaltkreises lernfähig bleiben werden und welche versagen werden, ohne eine einzige Simulation durchführen zu müssen. Sie fanden heraus, dass bei vielen gängigen Arten von Rauschen der Zerfall einem einfachen, vorhersehbaren Muster folgt, das als geschlossene Formel aufgeschrieben werden kann. Dies ermöglicht es ihnen, die „Signatur“ des Rauschens sofort zu erkennen.

Das Team testete diese Methode an einem spezifischen Typ von Quantenschaltkreis, der darauf ausgelegt ist, die Anzahl der Energieeinheiten, oder Anregungen, innerhalb des Systems zu erhalten. Sie untersuchten neun verschiedene Arten von Rauschkanälen, die in echten Geräten üblich sind. Für jeden davon leiteten sie eine mathematische Regel ab, die exakt beschreibt, wie schnell die Information zerfällt. Sie entdeckten, dass bei einigen Arten von Rauschen die Zerfallsrate von der Distanz zwischen zwei Zuständen abhängt, während sie bei anderen von dem spezifischen Energieniveau des Zustands selbst abhängt. Entscheidend ist, dass sie bewiesen haben, dass, wenn die Struktur des Schaltkreises die Information innerhalb einer spezifischen „sicheren Zone“ auf ihrer Karte hält, das Lernsignal perfekt intakt bleibt, egal wie stark das Rauschen ist. Dieser Schutz ist keine Annäherung; er ist exakt.

Die Forscher deckten jedoch eine überraschende und kontraintuitive Tatsache auf, die die bisherige Denkweise der Fachwelt über Rauschen infrage stellt. Lange Zeit wurde angenommen, dass, wenn das Rauschen auf der Ebene einzelner Quantenoperationen gering ist, die Gesamtauswirkung auf den Lernprozess ebenfalls gering und vorhersehbar wäre. Die neue Studie zeigt, dass dies nicht wahr ist. Die Forscher fanden Fälle, in denen das Rauschen auf der individuellen Ebene winzig war, die Gesamtauswirkung auf den Lernprozess jedoch massiv war – manchmal mehr als zehnmal schlimmer, als die individuellen Rauschpegel vermuten ließen. Sie demonstrierten, dass man nicht einfach das Rauschen einer einzelnen Komponente betrachten kann, um die Gesundheit des gesamten Systems vorherzusagen. Die Art und Weise, wie das Rauschen mit der Struktur des Schaltkreises interagiert, kann den Schaden auf eine Weise verstärken, die einfache Messungen des Rauschens selbst niemals offenbaren würden.

Um sicherzustellen, dass ihre Ergebnisse absolut fundiert waren, verließen sich die Teammitglieder nicht auf standardmäßige statistische Vermutungen. Sie bauten einen deterministischen Benchmark auf, eine präzise Berechnung, die als Goldstandard dient. Sie nutzten diesen, um ihre Vorhersagen mit dem tatsächlichen Verhalten der Schaltkreise abzugleichen. In einem spezifischen Test mit einem Schaltkreis aus sechs Operationsebenen lag ihre ursprüngliche Vorhersage basierend auf einer kleinen Stichprobe signifikant daneben. Als sie dies mit ihrem exakten Benchmark verglichen, stellten sie fest, dass die Vorhersage die Degradation unterschätzt hatte. Dies unterstrich die Gefahr, sich auf kleine Stichproben oder einfache Mittelwerte zu verlassen, wenn es um tiefe Quantenschaltkreise geht. Der exakte Benchmark bestätigte, dass das Rauschen tatsächlich schädlicher war, als die ersten Schätzungen suggerierten, was die Notwendigkeit ihres neuen, strengeren Ansatzes validierte.

Die Studie klärte auch, warum manche Schaltkreise scheitern und andere erfolgreich sind. Sie zeigten, dass es nicht ausreicht, lediglich zu prüfen, ob das Rauschen bei jedem einzelnen Schritt schwach ist. Ein Schaltkreis kann in jedem einzelnen Schritt sicher erscheinen und dennoch scheitern, wenn alle Schritte kombiniert werden. Sie lieferten ein konkretes Beispiel, bei dem ein Schaltkreis im ersten und zweiten Schritt einzeln betrachtet vor dem Rauschen geschützt war, aber als beide Schritte gleichzeitig verrauscht auftraten, brach der Schutz zusammen. Das bedeutet, dass die Sicherheit eines Quantencomputers nicht dadurch garantiert werden kann, dass man seine Teile isoliert betrachtet; das Gesamtsystem muss als ein vernetztes Netzwerk betrachtet werden. Ihr neuer graphbasierter Ansatz berücksichtigt diese Verbindungen und ermöglicht es Forschern, das vollständige Bild davon zu sehen, wie Rauschen durch die Maschine wandert.

Die Auswirkungen für das Fachgebiet sind bedeutend. Die Forscher haben eine Reihe von Werkzeugen bereitgestellt, die es Wissenschaftlern ermöglichen, einen Quantenschaltkreis auf Trainierbarkeit zu prüfen, noch bevor sie ihn auf teurer Hardware ausführen. Durch den Abgleich der Konnektivität des Schaltkreises mit der Rauschkarte können sie identifizieren, welche Parameter sicher sind und welche zum Scheitern verurteilt sind. Dies spart Zeit und Ressourcen, indem die Simulationsbemühungen nur auf die Fälle konzentriert werden, die dies wirklich erfordern. Darüber hinaus warnt die Studie durch den Beweis, dass Messungen des Operator-Rauschens gefährlich irreführend sein können, die Fachwelt davor, sich auf einfache Metriken zu verlassen, um die Gesundheit eines Quantenalgorithmus zu beurteilen. Der Weg nach vorn besteht laut ihnen darin, strukturelle Karten zu nutzen, um Schaltkreise zu entwerfen, die von Natur aus robust sind, anstatt darauf zu hoffen, dass das Rauschen mild genug sein wird, um es zu ignorieren.

Letztendlich transformiert diese Arbeit das Verständnis der Fragilität des Quantenlernens. Sie verlagert die Diskussion von „Wie viel Rauschen können wir tolerieren?“ hin zu „Wo schadet das Rauschen tatsächlich?“. Indem sie die Zerfallsraten kartieren und exakt beweisen, wo Schutz besteht, haben die Forscher die vage Angst vor dem Rauschen in ein präziges, lösbares technisches Problem verwandelt. Sie haben gezeigt, dass Rauschen zwar ein gewaltiges Hindernis ist, aber kein chaotisches. Es hinterlässt eine klare Signatur, und mit der richtigen Karte können wir darum herum navigieren. Die Studie behauptet nicht, das Problem des Rauschens vollständig gelöst zu haben, aber sie hat den ersten zuverlässigen Weg aufgezeigt, die Landschaft klar zu sehen, und bietet einen praktischen Leitfaden für den Bau von Quantenmaschinen, die tatsächlich lernen können.