Wird die Begegnung von KI und Quantencomputing eine wissenschaftliche Revolution auslösen?

Wir könnten sie die Avengers der Computertechnik der Zukunft nennen. Durch die Kombination zweier der angesagtesten Begriffe in der Technologiewelt – maschinelles Lernen und Quantencomputer – haben wir das Quanten-Maschinenlernen entwickelt. So wie in den Avengers-Comics und -Filmen eine Gruppe von Superhelden zu einem Dreamteam zusammenkam, dürfte diese Kombination jede Menge Aufmerksamkeit erregen. Doch sowohl in der Technologie als auch in der Belletristik ist die Ausarbeitung einer guten Handlung von entscheidender Bedeutung.

Wenn Quantencomputer in ausreichend großem Maßstab gebaut werden können, verfügen sie über das Potenzial, bestimmte Probleme effizienter zu lösen als gewöhnliche digitale Elektronik, indem sie die einzigartigen Eigenschaften der subatomaren Welt ausnutzen. Seit Jahren untersuchen Forscher, ob diese Fragen auch maschinelles Lernen einschließen – eine Form der künstlichen Intelligenz, bei der Computer eingesetzt werden, um Muster in Daten zu erkennen und Regeln zu erlernen, die zum Schlussfolgern in unbekannten Situationen verwendet werden können.

Abbildung｜Google untersucht, ob Quantencomputer beim maschinellen Lernen helfen können. (Quelle: Nature)

Beide Technologien entwickeln sich derzeit rasant weiter, beispielsweise durch die Veröffentlichung des mit Spannung erwarteten KI-Systems ChatGPT (das auf maschinellem Lernen basiert und durch das Erschließen von Beziehungen zwischen Wörtern in Texten menschenähnliche Gespräche ermöglicht) und durch das rasante Wachstum der Größe und Leistungsfähigkeit von Quantencomputern. Wird also etwas Nützliches dabei herauskommen, wenn beides kombiniert wird ?

Das Interesse wächst

Viele Technologieunternehmen, darunter etablierte Akteure wie Google und IBM sowie Startups wie Rigetti in Berkeley, Kalifornien, und IonQ an der University of Maryland, College Park, untersuchen das Potenzial des Quanten-Maschinenlernens. Auch Wissenschaftler aus der akademischen Community sind daran sehr interessiert .

CERN, das europäische Teilchenphysiklabor außerhalb von Genf, Schweiz, hat maschinelles Lernen eingesetzt, um in den vom Large Hadron Collider erzeugten Daten nach Anzeichen bestimmter subatomarer Teilchen zu suchen. Die dortigen Wissenschaftler gehören zu einer Gruppe von Akademikern, die Experimente im Bereich Quanten-Maschinenlernen durchführen.

„ Die Idee besteht darin, mithilfe von Quantencomputern herkömmliche Modelle des maschinellen Lernens zu beschleunigen oder zu verbessern“, erklärt die Physikerin Sofia Vallecorsa, Leiterin der Forschungsgruppe für Quantencomputing und maschinelles Lernen am CERN.

Eine wichtige ungelöste Frage ist, ob Quanten-Maschinenlernen in bestimmten Szenarien Vorteile gegenüber dem traditionellen Maschinenlernen bietet. Die Theorie besagt, dass Quantencomputer bei bestimmten Computeraufgaben, etwa der Simulation molekularer Strukturen oder der Ermittlung der Primfaktoren großer ganzer Zahlen, Berechnungen beschleunigen werden, die länger dauern könnten als das Alter des Universums. Den Forschern fehlen jedoch noch immer ausreichende Beweise dafür, dass dies auch auf maschinelles Lernen zutrifft. Andere wiederum meinen, dass Quanten-Maschinenlernen möglicherweise Muster erkennen kann, die klassischen Computern entgehen – auch wenn es nicht sehr schnell ist.

Die Haltung der Forscher zum Quanten-Maschinenlernen schwanke zwischen zwei Extremen, sagt Maria Schuld, eine Physikerin aus Durban, Südafrika. Obwohl die Forscher an diesem Ansatz sehr interessiert sind, scheinen sie zunehmend nicht bereit zu sein, die düsteren Aussichten für seine kurzfristige Anwendung zu akzeptieren. Schuld arbeitet bei Xanadu, einem Quantencomputerunternehmen in Toronto, Kanada.

Einige Forscher beginnen, ihren Fokus auf die Anwendung von Quanten-Maschinenlernalgorithmen auf Phänomene zu richten, die quantenmechanischer Natur sind. Von allen vorgeschlagenen Anwendungen für Quanten-Maschinenlernen ist dies „ein Bereich, in dem der Quantenvorteil ziemlich klar ist“, sagt Aram Harrow, ein Physiker am MIT.

Werden Quantenalgorithmen funktionieren?

In den letzten 20 Jahren haben Forscher im Bereich Quantencomputer eine große Zahl von Quantenalgorithmen entwickelt, die das maschinelle Lernen theoretisch effizienter machen könnten. In einer bahnbrechenden Studie aus dem Jahr 2008 erfand Harrow zusammen mit den MIT-Physikern Seth Lloyd und Avinatan Hassidim (jetzt an der Bar-Ilan-Universität in Ramat Gan, Israel) einen Quantenalgorithmus, der große lineare Gleichungssysteme – eine der zentralen Herausforderungen des maschinellen Lernens – viel schneller lösen kann als klassische Computer.

Aber in einigen Fällen funktionieren Quantenalgorithmen nicht wie erwartet. Ein vielbeachtetes Beispiel hierfür ereignete sich 2018, als der Informatiker Ewin Tang einen Weg fand, einen 2016 entwickelten Quantenalgorithmus für maschinelles Lernen zu überlisten. Der Quantenalgorithmus ist darauf ausgelegt, den Kunden auf Grundlage ihrer vorherigen Auswahl Empfehlungen ähnlich derer zu geben, die Online-Shopping-Unternehmen und -Dienste wie Netflix ihren Kunden anbieten – und zwar deutlich schneller als jeder bekannte konventionelle Algorithmus.

Tang, damals ein 18-jähriger Student, schrieb einen Algorithmus, der fast genauso schnell war, aber auf einem herkömmlichen Computer ausgeführt werden konnte. Scott Aaronson, Quantencomputerforscher an der University of Texas in Austin und Tangs Berater, sagte, der Quantenempfehlungsalgorithmus sei ein seltenes Beispiel, das offenbar eine erhebliche Beschleunigung eines realen Problems ermögliche. Ihre Arbeit bringe daher „das Ziel exponentieller Quantenbeschleunigungen bei realen Problemen des maschinellen Lernens verlockender näher als je zuvor.“ Tang sagte , sie stehe allen Behauptungen über große Quantenbeschleunigungen beim maschinellen Lernen weiterhin „ziemlich skeptisch“ gegenüber .

Ein potenziell größeres Problem besteht darin, dass herkömmliche Daten und Quantencomputing nicht immer gut zusammenarbeiten. Grob gesagt besteht eine typische Quantencomputeranwendung aus drei Hauptschritten. Zunächst wird der Quantencomputer initialisiert, das heißt, seine einzelnen Speichereinheiten (Quantenbits oder Qubits genannt) werden in einen kollektiv verschränkten Quantenzustand versetzt. Als nächstes führt der Computer eine Reihe von Operationen aus, die Quantenanaloga der klassischen bitbasierten Logikoperationen sind. Im dritten Schritt führt der Computer einen Auslesevorgang durch, beispielsweise die Messung des Zustands eines einzelnen Qubits, das Informationen über das Ergebnis der Quantenoperation enthält, was beispielsweise ein Hinweis darauf sein könnte, ob sich ein bestimmtes Elektron innerhalb der Maschine im oder gegen den Uhrzeigersinn dreht.

Wie der "dünnste Strohhalm"

Der von Harrow, Hassidim, Lloyd und anderen vorgeschlagene Algorithmus soll den oben genannten „zweiten Schritt“ beschleunigen. Bei vielen Anwendungen können der erste und dritte Schritt jedoch extrem langsam sein, was diese Vorteile zunichte macht. Der Initialisierungsschritt erfordert das Laden „klassischer“ Daten auf den Quantencomputer und deren Umwandlung in einen Quantenzustand, was normalerweise ein ineffizienter Prozess ist. Und da die Quantenphysik von Natur aus probabilistisch ist, erfolgt der Lesevorgang häufig zufällig, sodass ein Quantencomputer alle drei Schritte viele Male wiederholen und die Ergebnisse mitteln muss, um zur endgültigen Antwort zu gelangen .

Sobald quantisierte Daten in ihren endgültigen Quantenzustand verarbeitet wurden, kann es auch lange dauern, die Antwort abzurufen, sagt Nathan Wiebe, ein Quantencomputerforscher an der University of Washington in Seattle. „ Wir können Informationen nur durch den dünnsten Strohhalm saugen“, sagte er im Oktober bei einem Workshop zum Thema Quantenmaschinenlernen.

„Wenn man fast jeden Forscher fragt, für welche Anwendungen Quantencomputer gut sind, lautet die Antwort: ‚Wahrscheinlich nicht für klassische Daten‘“, sagte Schuld. „Bisher gibt es keinen wirklichen Grund zu der Annahme, dass klassische Daten Quanteneffekte erfordern.“

Vallecorsa und andere sagen, dass Geschwindigkeit nicht das einzige Kriterium für die Bewertung von Quantenalgorithmen ist . Es gibt auch Anzeichen dafür, dass Quanten-KI-Systeme auf Basis maschinellen Lernens lernen könnten, Muster in Daten zu erkennen, die klassischen Algorithmen entgehen würden.

Dies könnte daran liegen, dass durch die Quantenverschränkung Korrelationen zwischen Qubits und damit zwischen Datenpunkten entstehen, sagt Karl Jansen, Physiker am DESY-Teilchenphysiklabor im deutschen Zeuthen. „Wir hoffen, in den Daten Zusammenhänge erkennen zu können, die mit klassischen Algorithmen nur sehr schwer zu erkennen sind.“

Abbildung | Quantenmaschinelles Lernen hilft, Teilchenkollisionen zu verstehen

Aber Aaronson ist anderer Meinung. Quantencomputer gehorchen bekannten physikalischen Gesetzen, sodass ihre Funktionsweise und die Ergebnisse von Quantenalgorithmen mit genügend Zeit von einem normalen Computer vollständig vorhergesagt werden können. „ Die einzige wichtige Frage ist also, ob ein Quantencomputer schneller ist als eine perfekte klassische Simulation “, sagte Aaronson.

Fundamentaler Quantenwandel

Eine andere Möglichkeit besteht darin, die Hürde der Konvertierung klassischer Daten vollständig zu umgehen, indem man Quanten-Maschinenlernalgorithmen auf Daten anwendet, die bereits Quantencharakter haben .

In der gesamten Geschichte der Quantenphysik wurde die Messung von Quantenphänomenen als die Erfassung einer numerischen Messung mithilfe eines Instruments definiert, das in der makroskopischen, klassischen Welt existiert. Es gibt jedoch eine neue Idee, die auf einer neuen Technologie namens Quantensensorik basiert und die Messung der Quanteneigenschaften eines Systems mit rein quantenmechanischen Instrumenten ermöglicht. Durch das direkte Laden dieser Quantenzustände auf die Qubits eines Quantencomputers kann Quantenmaschinenlernen dann zur Mustererkennung eingesetzt werden, ohne dass eine Verbindung zum klassischen System besteht.

Dies könnte beim maschinellen Lernen Vorteile gegenüber Systemen haben, die Quantenmessungen als klassische Datenpunkte sammeln, sagt Hsin-Yuan Huang, Physiker am MIT und Forscher bei Google. Unsere Welt ist quantenmechanischer Natur. Wenn man eine lernfähige Quantenmaschine wünscht, könnte sie deutlich leistungsfähiger sein.

Huang und seine Mitarbeiter führten bei Google ein Proof-of-Principle-Experiment auf einem Sycamore-Quantencomputer durch. Sie verwendeten einige der Qubits, um das Verhalten eines abstrakten Materials zu simulieren. Ein anderer Teil des Prozessors entnimmt dann die Informationen aus diesen Qubits und analysiert sie mithilfe von Quantenmaschinenlernen. Die Forscher stellten fest, dass diese Technik viel schneller ist als klassische Messungen und Datenanalysen.

Ist es ein Supraleiter?

Huang sagte, dass das Sammeln und Analysieren von Daten ausschließlich in der Quantenwelt es Physikern ermöglichen könnte, Fragen anzugehen, die nur indirekt durch klassische Messmethoden beantwortet werden können. Beispielsweise, ob sich ein bestimmtes Material in einem speziellen Quantenzustand befindet, der es zu einem Supraleiter macht (der in der Lage ist, Elektrizität nahezu ohne Widerstand zu leiten). Bei klassischen Experimenten müssen Physiker die Supraleitung indirekt nachweisen, etwa indem sie die Reaktion eines Materials auf ein Magnetfeld testen.

Teilchenphysiker untersuchen außerdem den Einsatz von Quantensensortechniken zur Verarbeitung von Daten, die von zukünftigen Teilchenbeschleunigern wie dem LUXE-Experiment bei DESY generiert werden, bei dem Elektronen und Photonen zusammenstoßen, sagte Jensen. Allerdings sei es bis zu dieser Idee noch mindestens ein Jahrzehnt entfernt, fügte er hinzu. Auch weit voneinander entfernte astronomische Observatorien könnten mithilfe von Quantensensoren Daten sammeln und diese über ein zukünftiges „Quanteninternet“ an ein zentrales Labor zur Verarbeitung durch Quantencomputer übertragen. Dadurch sollen Bilder mit bisher unerreichter Klarheit aufgenommen werden.

Wenn sich diese Arten von Quantensensoranwendungen als erfolgreich erweisen, könnte das Quantenmaschinenlernen eine Rolle bei der Kombination von Messungen aus diesen Experimenten und der Analyse der resultierenden Quantendaten spielen.

Ob Quantencomputer einen Vorteil für das maschinelle Lernen bieten, wird letztlich eher durch Experimente als durch mathematische Beweise ermittelt werden. „ Wir können nicht erwarten, dass alles so bewiesen wird, wie wir es in der theoretischen Informatik tun “, sagte Harrow.

„Ich bin überzeugt, dass es sich weiterhin lohnt, Quanten-Maschinenlernen zu untersuchen“, sagte Aaronson, unabhängig davon, ob es letztlich die Effizienz verbessert. Schuld stimmt zu. „Wir müssen Forschung betreiben, ohne von der Geschwindigkeit der Beweisführung eingeschränkt zu sein, zumindest im Moment.“

Originallink:

https://www.nature.com/articles/d41586-023-04007-0

Originalautor:

Davide Castelvecchi