Forschung
Bild: CC0 - pixabay.com
Mit maschinellem Lernen konnte einem herkömmlichen Computer beigebracht werden, das Ergebnis einer Quantenmessung vorherzusagen.
Bild: CC0 - pixabay.com

Testen von Quantencomputern

Computern Quantenphysik lehren

Mithilfe neuronaler Netze und maschinellem Lernen brachte ein internationales Forschungsteam einem Computer bei, Ergebnisse von Quanten-Experimenten vorherzusagen. Die Resultate könnten für das Testen zukünftiger Quantencomputer wichtig werden.

Ein internationales Forscherteam unter Leitung von Giuseppe Carleo, Oberassistent am Institut für Theoretische Physik der ETH Zürich, hat eine Software für maschinelles Lernen entwickelt, mit deren Hilfe ein Computer den Quantenzustand eines komplexen physikalischen Systems aufgrund experimenteller Beobachtungen "lernen" und die Ergebnisse hypothetischer Messungen vorhersagen kann. In Zukunft könnten solche Computerprogramme zum Beispiel dazu verwendet werden, die Genauigkeit von Quantencomputern zu testen.

Quanten und Handschriften

Das Prinzip seines Ansatzes, erklärt Carleo in einem Bericht auf der Website der ETH Zürich, ist recht simpel. Er benutzt einen intuitiven Vergleich, der die komplizierten Details der Quantenmechanik elegant umschifft: "Was wir machen ist, grob gesagt, in etwa so, als würden wir einem Computer beibringen, meine Handschrift zu imitieren. Dazu zeigen wir ihm eine Reihe von Schriftproben, aus denen er dann nach und nach lernt, meine a’s, l’s und so weiter nachzuahmen."

Der Computer schafft das, indem er sich beispielsweise die Schreibweisen für ein "l" ansieht, das auf ein "a" folgt. Diese Schreibweisen sind nicht immer gleich, weshalb der Computer eine Wahrscheinlichkeitsverteilung berechnet, die mathematisch ausdrückt, wie oft ein Buchstabe auf eine bestimmte Art geschrieben wird, wenn ihm ein anderer Buchstabe vorausgeht. "Sobald der Computer diese Verteilung herausgefunden hat, könnte er damit etwas reproduzieren, das meiner Handschrift sehr ähnlich sieht", sagt Carleo.

Die Quantenphysik ist natürlich viel komplizierter als die Handschrift einer Person. Dennoch ist das Prinzip, das Carleo (der vor Kurzem an das Flatiron Institute in New York gewechselt ist) zusammen mit Matthias Troyer, Guglielmo Mazzola (beide an der ETH) und Giacomo Torlai von der Universität Waterloo sowie Kollegen vom Perimeter Institute und der Firma D-Wave in Kanada, einem Hardwarehersteller, der sich auf Quantencomputing spezialisiert hat, für ihren Maschinenlern-Algorithmus benutzt haben, ziemlich ähnlich.

Der Quantenzustand des physikalischen Systems wird in einem neuronalen Netz kodiert, und das Lernen geschieht in kleinen Schritten, indem der aktuelle Zustand des Netzes in zu erwartende Messwahrscheinlichkeiten übersetzt wird. Diese Wahrscheinlichkeiten werden dann mit den echten Messdaten verglichen, und das Netz wird daraufhin so angepasst, dass die Übereinstimmung in der nächsten Runde besser wird. Anders ausgedrückt: Das neuronale Netz "lernt" den Quantenzustand eines Spin-Systems aus Messdaten, indem es verschiedene Möglichkeiten der Spinorientierung durchspielt und sich nach und nach selbst verbessert.

Wenn diese Übungsphase abgeschlossen ist, kann man den im neuronalen Netz gespeicherten Quantenzustand für "virtuelle" Experimente verwenden, ohne diese tatsächlich im Labor durchzuführen.

Schnellere Tomographie für Quantenzustände

"Maschinelles Lernen zur Rekonstruktion von Quantenzuständen aus Messergebnissen zu verwenden, hat eine Reihe von Vorteilen", erklärt Carleo. Er führt ein eindrucksvolles Beispiel an, in dem der Quantenzustand von nur acht zusammenhängenden Quantensystemen (gefangenen Ionen) experimentell bestimmt werden sollte. Mit einem als Quantentomographie bekannten Standardverfahren waren in etwa eine Million Messungen nötig, um die gewünschte Genauigkeit zu erreichen. Die neue Methode dagegen schaffte das mit wesentlich weniger Messungen, und zudem konnten auch deutlich größere Systeme untersucht werden, die vorher nicht zugänglich waren.

Das ist vielversprechend, denn für gewöhnlich geht man davon aus, dass die Zahl an Rechenschritten, die man benötigt, um ein komplexes Quantensystem auf einem klassischen Computer zu simulieren, exponentiell mit der Zahl der Quantenobjekte im System ansteigt. Der Hauptgrund dafür ist das Phänomen der Verschränkung, das dazu führt, dass weit voneinander entfernte Teile des Systems innig miteinander in Verbindung stehen, obwohl sie keine Informationen austauschen. Carleo und seine Kollegen verwenden eine Schicht aus "versteckten" Neuronen, um dies zu berücksichtigen. Dadurch schafft es der Computer, den korrekten Quantenzustand auf viel kompaktere Weise zu kodieren.

Tests für Quantencomputer

Die Möglichkeit Quantensysteme zu untersuchen, die aus vielen Komponenten – "Qubits" – bestehen, ist zudem für künftige Quantentechnologien von Bedeutung, wie Carleo betont: "Wenn wir Quantencomputer testen wollen, die aus mehr als einer Handvoll an Qubits bestehen, werden wir das mit herkömmlichen Mitteln wegen der exponentiellen Skalierung nicht schaffen. Unser Ansatz über das maschinelle Lernen dagegen sollte es uns ermöglichen, Quantencomputer mit bis zu 100 Qubits zu testen." Außerdem kann die Maschinenenlern-Software Experimentalphysikern helfen, indem sie es ihnen erlaubt, virtuelle Messungen durchzuführen, die im Labor nur sehr schwierig zu realisieren wären.

Ein Beispiel dafür ist der Verschränkungsgrad eines Systems, das aus vielen miteinander wechselwirkenden Qubits besteht. Bislang ist die Methode nur an künstlich erzeugten Daten getestet worden, aber die Forscher planen, sie schon bald für die Analyse von echten experimentellen Daten zu benutzen.

Übrigens: Unter dem Tag "Forschung" haben wir auf monitor.at viele weitere Artikel zu Quanten-Computing und weiteren spannenden Feldern der Wissenschaft für Sie gesammelt.

Mehr Artikel zum Thema: Forschung

EU-Millionen für Innsbrucker Quanten

Die Forschungen der Innsbrucker Physik zu zukünftigen...

Weiterlesen

6 Mio. Euro für Stiftungsprofessuren

Bundesminister Norbert Hofer präsentierte die neuen...

Weiterlesen

1,5 Mio. Euro für schnellere optische Netze

Ein neuer, rein optischer Ansatz zur kohärenten...

Weiterlesen

Supercomputer entschlüsselt Gehirn

Die Hirnforschungsinitiative "Blue Brain Project" setzt...

Weiterlesen

Hochtechnologie aus der Cloud

Das EU-Projekt "CloudiFacturing" will KMU in Europa...

Weiterlesen

LCM: Geburtshelfer für innovative Ideen

Die klugen Köpfe der Linz Center of Mechatronics GmbH...

Weiterlesen

Vom Smart Grid zu Industrie 4.0

Eine wesentliche Komponente auf dem Weg zur Energiewende ist...

Weiterlesen

Probelauf für die flexible Energiezukunft

Ein von AIT koordiniertes Konsortium entwickelt Lösungen für...

Weiterlesen

Nachwuchs-Informatikerin ausgezeichnet

Hanna Lachnitt wurde mit dem Helmut-Veith-Preis der TU Wien...

Weiterlesen

Zentraler AIT-Forschungsstandort in Wien

Mit der Eröffnung des vor kurzem fertiggestellten neuen...

Weiterlesen

Quantencomputer "Made in Austria" wird kommen

Das Bundesministerium für Bildung, Wissenschaft und...

Weiterlesen

Schrödinger-Gleichung als Quantenwecker

Für Elektronik und Quantencomputer der Zukunft sind...

Weiterlesen

Dressierter Computerwurm balanciert

Computerprogramm oder lebendiges Wesen? An der TU Wien...

Weiterlesen

KI entwirft Quantenexperimente

Auf dem Weg zum intelligenten Labor präsentieren Physiker...

Weiterlesen

Neue Stiftungsprofessur "Data Intelligence"

Der Fokus der neuen Professur an der an TU Wien liegt auf...

Weiterlesen

Der Versuch, den Menschen nachzubauen

Schahram Dustdar ist Professor der Informatik an der TU Wien...

Weiterlesen

Die Quantencomputer kommen

Erste kommerzielle Anwendungen des sagenumwobenen...

Weiterlesen

Quantensysteme korrigieren sich selbst

Mit Quantentechnologien lassen sich Rechen- und Messaufgaben...

Weiterlesen

Siemens digitalisiert die Biologie

In Wien wurde ein Living Lab für die Digitalisierung von...

Weiterlesen

FH Wiener Neustadt: Labor für 3D-Druck von Metallen

Die Erweiterung der Forschungsinfrastruktur für den 3D-Druck...

Weiterlesen