Quantum-Neuronale Netzwerke: Ein einfacherer Weg, Quantenprozesse zu erlernen

Dieser Artikel wurde gemäß dem redaktionellen Prozess und den Richtlinien von Science X überprüft. Die Herausgeber haben die folgenden Merkmale hervorgehoben, um die Glaubwürdigkeit des Inhalts zu gewährleisten:

Faktengestützt

• Von Peers geprüfte Veröffentlichung
• Vertrauenswürdige Quelle
• Korrekturgelesen

von der Ecole Polytechnique Federale de Lausanne

EPFL-Wissenschaftler zeigen, dass bereits wenige einfache Beispiele für ein quantenbasiertes maschinelles Lernmodell, die "Quanten-Neuronalen Netzwerke", ausreichen, um das Verhalten von Quantensystemen zu erlernen und vorherzusagen. Dies bringt uns näher an eine neue Ära des Quantencomputings.

Stellen Sie sich eine Welt vor, in der Computer die Geheimnisse der Quantenmechanik entschlüsseln können und es uns ermöglichen, das Verhalten komplexer Materialien zu untersuchen oder die komplizierten Dynamiken von Molekülen mit beispielloser Genauigkeit zu simulieren.

Dank einer bahnbrechenden Studie unter der Leitung von Professorin Zoe Holmes und ihrem Team an der EPFL kommen wir diesem Ziel nun näher. In Zusammenarbeit mit Forschern der Caltech, der Freien Universität Berlin und dem Los Alamos National Laboratory haben sie einen neuen Weg gefunden, einem Quantencomputer beizubringen, das Verhalten von Quantensystemen zu verstehen und vorherzusagen. Die Forschung wurde in Nature Communications veröffentlicht.

Die Forscher arbeiteten mit "Quanten-Neuronalen Netzwerken" (QNN), einer Art maschinelles Lernmodell, das entwickelt wurde, um Informationen auf Grundlage von Prinzipien der Quantenmechanik zu erlernen und zu verarbeiten, um das Verhalten von Quantensystemen zu imitieren.

Ähnlich wie bei neuronalen Netzwerken in der künstlichen Intelligenz bestehen QNNs aus miteinander verbundenen Knoten oder "Neuronen", die Berechnungen durchführen. Der Unterschied besteht darin, dass die Neuronen in QNNs nach den Prinzipien der Quantenmechanik arbeiten, was es ihnen ermöglicht, mit Quanteninformationen umzugehen und diese zu manipulieren.

"Normalerweise benötigen wir viele Beispiele, um einem Computer etwas beizubringen", sagt Holmes. "Aber in dieser Studie zeigen wir, dass der Computer mithilfe einiger weniger einfacher Beispiele namens 'Produktzustände' lernen kann, wie sich ein Quantensystem verhält, auch wenn es mit verschlungenen Zuständen umgeht, die komplizierter und herausfordernder zu verstehen sind."

Die von den Wissenschaftlern verwendeten "Produktzustände" beziehen sich auf ein Konzept in der Quantenmechanik, das den spezifischen Zustand eines Quantensystems beschreibt. Wenn zum Beispiel ein Quantensystem aus zwei Elektronen besteht, entsteht ein Produktzustand, wenn der Zustand jedes einzelnen Elektrons unabhängig betrachtet und dann kombiniert wird.

Produktzustände werden häufig als Ausgangspunkt für Quantenberechnungen und -messungen verwendet, da sie einen einfacheren und leichter handhabbaren Rahmen bieten, um das Verhalten von Quantensystemen zu studieren und zu verstehen, bevor man sich komplexeren und verschlungenen Zuständen zuwendet, bei denen die Teilchen korreliert sind und nicht unabhängig beschrieben werden können.

Die Forscher zeigten, dass Computer durch das Training von QNNs mit nur wenigen solcher einfacher Beispiele effektiv die komplexen Dynamiken von verschlungenen Quantensystemen erfassen können.

Holmes erklärt: "Das bedeutet, dass wir mithilfe von kleineren, einfacheren Computern wie den voraussichtlich in den kommenden Jahren verfügbaren Near-Term Intermediate-Scale (NISQ)-Computern möglicherweise etwas über Quantensysteme lernen und verstehen können, anstatt auf große und komplexe Rechner warten zu müssen, was noch Jahrzehnte dauern könnte."

Die Arbeit eröffnet auch neue Möglichkeiten für den Einsatz von Quantencomputern zur Lösung wichtiger Probleme wie der Untersuchung komplexer neuer Materialien oder der Simulation des Verhaltens von Molekülen.

Schließlich verbessert die Methode die Leistung von Quantencomputern, indem sie die Erstellung kürzerer und fehlerresistenterer Programme ermöglicht. Durch das Verständnis des Verhaltens von Quantensystemen können wir die Programmierung von Quantencomputern optimieren und so Effizienz und Zuverlässigkeit verbessern. "Wir können Quantencomputer noch besser machen, indem wir ihre Programme kürzer und fehleranfälliger machen", sagt Holmes.

Weitere Informationen:
Matthias C. Caro et al, Out-of-distribution generalization for learning quantum dynamics, Nature Communications (2023). DOI: 10.1038/s41467-023-39381-w

Journalinformation:
Nature Communications

Bereitgestellt von:
Ecole Polytechnique Federale de Lausanne