Dual Validation of Discord Features: Simulation and Hardware Evidence on IBM Quantum

In der seltsamen und kontraintuitiven Welt der Quantenphysik können Teilchen auf eine Weise miteinander verknüpft sein, die unsere alltägliche Erfahrung sprengt. Jahrzehntelang glaubten Wissenschaftler, dass eine spezifische Art von Verbindung namens Verschränkung die einzige Ressource sei, die kraftvoll genug wäre, um zukünftige Quantencomputer anzutreiben. Forscher haben jedoch entdeckt, dass Teilchen selbst dann eine andere, subtilere Art von Beziehung pflegen können, wenn sie zu verrauscht oder ungeordnet sind, um verschränkt zu sein. Diese Verbindung, bekannt als Quanten-Discord, wirkt wie eine verborgene Informationsebene, die selbst dann bestehen bleibt, wenn die stärkeren Bindungen zusammenbrechen. Zu verstehen, ob diese subtile Verbindung tatsächlich zur Datenverarbeitung genutzt werden kann, ist eine entscheidende Frage für die aktuelle Generation von Quantenmaschinen, die zwar leistungsstark, aber immer noch anfällig für Fehler und Störungen durch ihre Umgebung sind.

Ein Team von Forschern der Sana'a University hat einen bedeutenden Schritt zur Beantwortung dieser Frage unternommen, indem es testete, ob diese auf Discord basierenden Verbindungen als zuverlässige Werkzeuge für maschinelles Lernen dienen können. Sie konzentrierten sich auf eine neue Art der Messung dieses Phänomens, die sie „measurement-induced coherence-threshold discord“ (messinduzierter Kohärenzschwellen-Discord) nennen. Vereinfacht ausgedrückt stellt dieses Konzept eine spezifische Frage: Wie viel interne Ordnung, oder Kohärenz, muss ein Teilchen besitzen, bevor eine einfache Messung eine verborgene Quantenverbindung „aufwecken“ kann? Die Forscher wollten sehen, ob dieser spezifische Schwellenwert als Merkmal verwendet werden kann, um einen Computer darauf zu trainieren, Muster zu erkennen, ganz so, wie ein Mensch lernen könnte, zwischen verschiedenen Arten von Wolken zu unterscheiden, indem er auf deren Formen achtet.

Um dies herauszufinden, baute das Team ein umfassendes Test-Framework auf, das zwei unterschiedliche Ansätze kombinierte. Zuerst führten sie tausende Simulationen auf einem leistungsstarken klassischen Computer durch, um zu modellieren, wie sich diese Quantenzustände unter idealen Bedingungen und unter verschiedenen Arten von Rauschen verhalten würden. Dann wechselten sie in die reale Welt und führten ihre Experimente auf einem physischen Quantenprozessor bei IBM durch. Diese Maschine, bekannt als ibm fez, enthält 156 Qubits, die grundlegenden Informationseinheiten eines Quantencomputers. Indem sie dieselben Tests sowohl in der Simulation als auch auf der tatsächlichen Hardware durchführten, konnten die Forscher ihre theoretischen Vorhersagen mit der chaotischen Realität eines funktionierenden Quantengeräts vergleichen.

Die Ergebnisse waren ermutigend. Das Team fand heraus, dass die aus dem Quanten-Discord abgeleiteten Merkmale äußerst effektiv dabei halfen, den Computer beim Lernen zu unterstützen. Sie testeten zwei verschiedene Arten von Quanten-Lernmodellen: eines, das seine eigenen Einstellungen anpasst, um Muster zu finden, und ein anderes, das einen mathematischen Ansatz nutzt, um Grenzen zwischen Datengruppen zu ziehen. Beide Modelle schnitten gut ab, aber das anpassungsfähige Modell, bekannt als variabler Quantenklassifikator (variational quantum classifier), zeigte eine besondere Stärke. Es war in der Lage, die komplexen geometrischen Formen, die durch die Quantendaten gebildet wurden, mit hoher Genauigkeit zu identifizieren, wobei es in den Simulationen oft 90 Prozent überstieg. Entscheidend war, dass das Modell lernte, die spezifischen Winkel und Grenzen zu erkennen, an denen die Quantenverbindung aktiviert würde, was bewies, dass die Maschine nicht nur rät, sondern tatsächlich die zugrunde liegende Struktur der Daten versteht.

Die vielleicht wichtigste Entdeckung war, wie gut diese Systeme gegenüber Rauschen Bestand hatten. Quantencomputer sind notorisch fragil; selbst winzige Störungen durch Hitze oder elektromagnetische Felder können eine Berechnung ruinieren. Die Forscher führten absichtlich verschiedene Arten von Rauschen in ihre Simulationen ein, um zu sehen, wie viel die Modelle tolerieren könnten, bevor sie versagen. Sie fanden heraus, dass die Quanten-Discord-Merkmale auch dann noch nützlich blieben, wenn die Rauschpegel recht hoch waren. Die Modelle brachen nicht sofort zusammen; stattdessen verschlechterten sie sich auf eine kontrollierte Weise (degraderten sie gracefullly) und behielten ihre Fähigkeit bei, Daten korrekt zu klassifizieren, selbst wenn die Umgebung weit von perfekt entfernt war. Dies deutet darauf an, dass Discord eine robuste Ressource ist, die unter den unvollkommenen Bedingungen heutiger Technologie überleben kann.

Als das Team seine Experimente auf die tatsächliche IBM-Hardware übertrug, bestätigten die Ergebnisse, was die Simulationen vorhergesagt hatten. Die physische Maschine produzierte trotz ihrer realen Einschränkungen und des der supraleitenden Komponenten inhärenten Rauschens Ergebnisse, die eng mit den simulierten Daten übereinstimmten. In einem spezifischen Test mit einem Zwei-Qubit-Zustand erreichte die Hardware eine Genauigkeit von 93,5 Prozent. Diese enge Übereinstimmung zwischen dem virtuellen Modell und der physischen Maschine ist ein starker Indikator dafür, dass das theoretische Framework das Verhalten realer Quantenprozessoren genau erfasst. Es zeigt, dass die durch Discord gemessenen subtilen Verbindungen keine bloßen mathematischen Abstraktionen sind, sondern greifbare, messbare Ressourcen, die auf den heutigen Maschinen genutzt werden können.

Die Studie kommt zu dem Schluss, dass Quanten-Discord mehr als nur eine theoretische Kuriosität ist; es ist ein praktisches Werkzeug für die aktuelle Ära des Quantencomputings. Indem die Forscher zeigten, dass diese Merkmale von Maschinen gelernt werden können und unter realistischen Rauschbedingungen effektiv bleiben, haben sie einen neuen Weg aufgezeigt. Anstatt auf perfekte, fehlerfreie Quantencomputer zu warten, können Wissenschaftler nun diese auf Discord basierenden Methoden nutzen, um nützliche Anwendungen auf den heute verfügbaren, verrauschten Geräten zu entwickeln. Diese Arbeit schlägt die Brücke zwischen abstrakter Theorie und experimenteller Realität und bietet einen zuverlässigen Weg, die einzigartigen Fähigkeiten von Quantensystemen zu diagnostizieren und zu nutzen, während diese sich stetig weiterentwickeln.