Google-Forscher haben eine neue Technik entdeckt, die Quantencomputing in der realen Welt endlich praktikabel machen könnte, indem künstliche Intelligenz eines der hartnäckigsten Herausforderungen der Wissenschaft löst: stabilere Zustände.

In einem Forschungspapier, das in Nature veröffentlicht wurde, erklären Wissenschaftler von Google Deepmind, dass ihr neues KI-System, AlphaQubit, sich als bemerkenswert erfolgreich erwiesen hat, um die hartnäckigen Fehler, die Quantencomputer lange geplagt haben, zu korrigieren.

"Quantencomputer haben das Potenzial, die Medikamentenentwicklung, das Materialdesign und die fundamentale Physik zu revolutionieren – vorausgesetzt, wir können sie zuverlässig zum Laufen bringen," heißt es in Googles Ankündigung. Aber nichts ist perfekt: Quanten Systeme sind außergewöhnlich zerbrechlich. Selbst die geringste Umwelteinwirkung – von Wärme, Vibration, elektromagnetischen Feldern oder sogar kosmischen Strahlen – kann ihre empfindlichen Quanten Zustände stören und zu Fehlern führen, die Berechnungen unzuverlässig machen.

Ein Forschungspapier aus dem März hebt die Herausforderung hervor: Quantencomputer benötigen eine Fehlerquote von nur eins in einer Billion Operationen (10^-12) für die praktische Anwendung. Aktuelle Hardware hat jedoch Fehlerquoten zwischen 10^-3 und 10^-2 pro Operation, was Fehlerkorrektur entscheidend macht.

"Bestimmte Probleme, die ein herkömmlicher Computer Milliarden von Jahren benötigen würde, um sie zu lösen, könnte ein Quantencomputer in nur wenigen Stunden lösen," erklärt Google. "Diese neuen Prozessoren sind jedoch anfälliger für Rauschen als herkömmliche."

„Wenn wir Quantencomputer zuverlässiger machen wollen, insbesondere im Maßstab, müssen wir diese Fehler genau identifizieren und korrigieren.“

Das neue KI-System von Google, AlphaQubit, möchte dieses Problem angehen. Das KI-System verwendet eine ausgeklügelte Architektur neuronaler Netzwerke, die eine noch nie dagewesene Genauigkeit bei der Identifizierung und Korrektur von Quantenfehlern gezeigt hat, indem es 6% weniger Fehler als die bisherigen besten Methoden in großangelegten Experimenten und 30% weniger Fehler als traditionelle Techniken zeigt.

Es behielt auch eine hohe Genauigkeit über Quantensysteme hinweg, die von 17 Qubits bis 241 Qubits reichen – was darauf hindeutet, dass sich der Ansatz auf die größeren Systeme skalieren könnte, die für praktisches Quantencomputing benötigt werden.

Unter der Haube

AlphaQubit verwendet einen zweistufigen Ansatz, um seine hohe Genauigkeit zu erreichen.

Das System wird zunächst mit simulierten Quantenrauschdaten trainiert, lernt allgemeine Muster von Quantenfehlern und passt sich dann der realen Quantenhardware mit einer begrenzten Menge an experimentellen Daten an.

Dieser Ansatz ermöglicht es AlphaQubit, komplexe reale Quantenrauschen-Effekte zu behandeln, einschließlich Übersprechen zwischen Qubits, Leckage (wenn Qubits ihre Berechnungszustände verlassen) und subtilen Korrelationen zwischen verschiedenen Arten von Fehlern.

Aber seien Sie nicht zu aufgeregt; Sie werden in naher Zukunft keinen Quantencomputer in Ihrer Garage haben.

Trotz seiner Genauigkeit steht AlphaQubit weiterhin vor erheblichen Hürden, bevor es praktisch implementiert werden kann. "Jede Konsistenzprüfung in einem schnellen supraleitenden Quantenprozessor wird eine Million Mal pro Sekunde gemessen," bemerken die Forscher. "Während AlphaQubit großartig darin ist, Fehler genau zu identifizieren, ist es immer noch zu langsam, um Fehler in einem supraleitenden Prozessor in Echtzeit zu korrigieren."

"Das Training bei größeren Code-Abständen ist herausfordernder, weil die Beispiele komplexer sind und die Proben-Effizienz bei größeren Abständen geringer zu sein scheint," sagte ein Deepmind-Sprecher gegenüber Decrypt, "Es ist wichtig, weil die Fehlerquote exponentiell mit dem Code-Abstand skaliert, sodass wir erwarten, größere Abstände lösen zu müssen, um die ultra-niedrigen Fehlerquoten zu erreichen, die für fehlerresistente Berechnungen bei großen, tiefen Quanten-Schaltungen erforderlich sind.

Die Forscher konzentrieren sich auf Geschwindigkeitsoptimierung, Skalierbarkeit und Integration als kritische Bereiche für die zukünftige Entwicklung.

KI und Quantencomputing bilden eine synergistische Beziehung, die das Potenzial des jeweils anderen verstärkt. "Wir erwarten, dass KI/ML und Quantencomputing komplementäre Ansätze zur Berechnung bleiben. KI kann in anderen Bereichen angewendet werden, um die Entwicklung fehlerresistenter Quantencomputer zu unterstützen, wie z.B. Kalibrierung und Kompilierung oder Algorithmusdesign," sagte der Sprecher gegenüber Decrypt, "gleichzeitig untersuchen die Menschen Quanten-ML-Anwendungen für Quantendaten und spekulativer für Quanten-ML-Algorithmen auf klassischen Daten.

Diese Konvergenz könnte einen entscheidenden Wendepunkt in der Rechnerwissenschaft darstellen. Da Quantencomputer durch KI-unterstützte Fehlerkorrektur zuverlässiger werden, könnten sie wiederum helfen, ausgeklügeltere KI-Systeme zu entwickeln und so einen mächtigen Feedback-Loop technologischen Fortschritts schaffen.

Das Zeitalter des praktischen Quantencomputings, das lange versprochen, aber nie geliefert wurde, könnte endlich näher sein – obwohl es noch nicht nahe genug ist, um sich um eine Cyborg-Apokalypse zu sorgen.

Bearbeitet von Sebastian Sinclair