Wissenschaftler haben eine Quantenmaschine entwickelt, die mit nur neun Atomen Aufgaben bewältigt, die normalerweise größere Systeme erfordern. Die Ergebnisse zeigen, dass diese kleine Quantenkonfiguration klassische Modelle in der Vorhersageleistung übertreffen kann.
Der Durchbruch der Quantenmaschine
Traditionell hat sich die Fortschritt in der künstlichen Intelligenz durch das Prinzip einer einfachen Vergrößerung gezeigt: immer mehr Schichten, Verbindungen und Rechenleistung. Doch ein neues Forschungsergebnis legt nahe, dass der Schlüssel zur Lösung großer Probleme nicht in der Vergrößerung, sondern in der Reduzierung liegt. Wissenschaftler haben ein Quantenmodell entwickelt, das nur neun atomare Spins nutzt, um Aufgaben zu lösen, die normalerweise komplexen Systemen mit tausenden von Knoten vorbehalten sind.
Diese neuartige Quantenmaschine hat in Tests zur Vorhersage von Temperaturmustern über mehrere Tage ein überraschendes Ergebnis erzielt und die klassische maschinelle Lernmodelle in den Schatten gestellt. „Dies ist der erste experimentelle Nachweis, dass Quantenmaschinenlernen große klassische Modelle bei realen Aufgaben übertreffen kann“, erklärt das Forschungsteam.
Reservoir Computing und die Rolle von Rauschen
Eines der größten Herausforderungen in der Quanteninformatik ist die Kontrolle über die Systeme. Die meisten Ansätze verlassen sich auf sorgfältig konstruierte Quanten-Schaltungen. Infolgedessen führen Umgebungsrauschen und andere Störungen oft zu fehlerhaften Berechnungen. Um diesem Dilemma zu begegnen, wählten die Forscher einen anderen Ansatz: das sogenannte Reservoir Computing. Hierbei fungiert das System nicht als eine präzise Steuerungseinheit; die Forscher speisen Daten ein, lassen das System selbstständig arbeiten und entnehmen die Ergebnisse.
Dieser innovative Ansatz nutzt die natürlichen Eigenschaften der Quantenmechanik. Indem die Forscher neun atomare Spins steuerten, konnten sie ein ständig wechselndes internes Zustandsgemisch erzeugen, das komplexe Muster von Verhalten hervorbringt. Anstatt jeden Schritt zu programmieren, ließen die Forscher die Dynamik ablaufen und extrahierten nützliche Informationen.
Dissipation und reale Anwendungen
Im Gegensatz zu vielen experimentellen Quantenansätzen, bei denen Dissipation als unangenehm angesehen wird, wurde das gezielte Auslösen dieser Energieabgabe in diesem Fall als vorteilhaft erachtet. Dies lag daran, dass Vorhersagen auf Gedächtnis basieren: Ein System muss Informationen gewissermaßen behalten, gleichzeitig jedoch auch in der Lage sein, irrelevante Daten zu vergessen. Diese Balance wurde durch gezielte Energiedissipation erreicht, was zu einer effektiveren Informationsverarbeitung führte.
Die Forscher testeten die Effizienz ihres Systems zunächst an einem Standardtest namens NARMA, bei dem ihr Quantenansatz die Vorhersagefehler im Vergleich zu vorherigen experimentellen Methoden erheblich reduzierte. Bei der anschließenden Anwendung auf Wettervorhersagen über Temperaturtrends zeigte das System eine beeindruckende Genauigkeit.
Das Team stellte fest, dass ihr Quantenreservoir in langfristigen Wettervorhersagen eine höhere Vorhersagegenauigkeit erreichte als klassische Modelle, selbst wenn diese auf tausende von Knoten skaliert wurden. Die Ergebnisse deuten darauf hin, dass praktische Vorteile von Quantencomputing auch mit der derzeit verfügbaren Hardware erreichbar sind.
