Quantenphysik schlägt künstliche Intelligenz

Wer mehr Rechenleistung braucht, baut größere Systeme — so lautet die Grundannahme, auf der ein großer Teil der modernen Computerentwicklung beruht. Mehr Schichten, mehr Verbindungen, mehr Energie. Eine aktuelle Studie, veröffentlicht im renommierten Fachjournal Physical Review Letters, stellt diese Logik grundsätzlich infrage. Ein Forschungsteam hat gezeigt, dass ein Quantensystem aus gerade einmal neun miteinander wechselwirkenden atomaren Spins in der Lage ist, klassische Modelle des maschinellen Lernens mit tausenden von Knoten bei bestimmten Vorhersageaufgaben zu übertreffen — und das erstmals unter realen Bedingungen.

Reservoir Computing: Das System denkt von selbst

Der Ansatz, den die Forscher:innen verfolgen, heißt Reservoir Computing und entstammt ursprünglich dem maschinellen Lernen. Das Grundprinzip unterscheidet sich erheblich von üblichen Methoden: Anstatt ein Modell Schritt für Schritt zu trainieren, werden Eingabedaten in ein dynamisches System eingespeist, das sich weitgehend selbst organisiert. Die Ausgabe wird dann ausgelesen und ausgewertet. Das eigentliche Verarbeitungspotenzial liegt in der natürlichen Komplexität des Systems selbst. Für ihr quantenmechanisches Reservoir nutzten die Forscher:innen Techniken der Kernspinresonanz, um neun atomare Spins — quasi winzige Magnete auf quantenmechanischer Ebene — präzise zu kontrollieren. Diese Spins interagieren miteinander und erzeugen dabei ein ständig wechselndes, hochkomplexes Muster innerer Zustände. Da ein Quantensystem gleichzeitig in mehreren Zuständen existieren kann und starke interne Korrelationen ausbildet, lassen sich bereits mit wenigen Komponenten erstaunlich reichhaltige Informationsstrukturen erzeugen. Die Forscher:innen halten fest, dass ihr Ansatz die natürlichen Quantenwechselwirkungen vieler Teilchen ausnutzt, um Reservoir-Dynamiken zu erzeugen, und damit die praktischen Hürden tiefer Quantenschaltkreise umgeht.

Wenn Störungen zur Ressource werden

In den meisten Quantenexperimenten gilt Dissipation — also der Energieverlust an die Umgebung — als Problem, das es zu minimieren gilt. Sie löscht Informationen und erzeugt Fehler. Das Forschungsteam kehrte diese Perspektive jedoch um und setzte Dissipation gezielt als Werkzeug ein. Der Grund liegt in den Anforderungen von Vorhersageaufgaben: Ein System, das zeitliche Muster erkennen soll, muss Vergangenes erinnern, darf aber auch nicht zu viel davon festhalten. Erinnert es alles gleich stark, verliert es die Fähigkeit, Aktuelles zu priorisieren; vergisst es zu rasch, fehlt der Kontext. Dissipation schafft hier ein natürliches Gleichgewicht: Ältere Informationen werden graduell abgeschwächt, während jüngere Eingaben stärker ins Gewicht fallen. Was als Fehlerquelle galt, wurde so zum Instrument der Gedächtnissteuerung.

Benchmark und Wettervorhersage: Der Vergleich mit der Konkurrenz

Um die Leistungsfähigkeit ihres Systems zu überprüfen, griffen die Forscher:innen zunächst auf einen etablierten Standardtest zurück, den sogenannten NARMA-Benchmark zur Bewertung von Zeitreihenvorhersagen. Das Quantensystem schnitt dabei um ein bis zwei Größenordnungen besser ab als bisherige experimentelle Quantenansätze. Anschließend wandten sich die Forscher:innen einer realen Aufgabe zu: der mehrtägigen Temperaturvorhersage. Auch hier hielt das neun-Spin-System stand — und übertraf dabei sogar ein klassisches Echo-State-Netzwerk, ein gut etabliertes Reservoir-Computing-Modell, selbst wenn dieses auf tausende von Knoten skaliert wurde. Die Forscher:innen fassen ihr Ergebnis entsprechend selbstbewusst zusammen: Bei langfristigen Wettervorhersagen erziele ihr Quantenreservoir eine höhere Vorhersagegenauigkeit als klassische Reservoirs mit tausenden von Knoten, was darauf hindeutet, dass praktische Quantenvorteile bei Zeitreihenvorhersagen mit aktueller Hardware erreichbar sein könnten. Diese Erkenntnis ist insofern bedeutsam, als sie zeigt, dass der Weg zu nützlichen Quantensystemen nicht notwendigerweise über fehlerfreie, riesige Maschinen führt, sondern womöglich über den klugen Umgang mit dem, was bereits heute zur Verfügung steht.

via Interesting Engineering

Teile den Artikel oder unterstütze uns mit einer Spende.