Stellen Sie sich eine Welt vor, in der Computer in der Lage sind, die Geheimnisse der Quantenmechanik zu entschlüsseln und es uns ermöglichen, das Verhalten komplexer Materialien zu untersuchen oder die nebulöse Dynamik bestimmter Moleküle mit nie dagewesener Präzision zu simulieren.
Dank einer bahnbrechenden Studie unter der Leitung von Professorin Zoe Holmes und ihrem Team an der EPFL stehen wir kurz davor, dass sich diese Hoffnung erfüllt. In Zusammenarbeit mit Forschungsteams aus Caltech, der Freien Universität Berlin und dem Los Alamos National Lab haben sie einen neuen Weg gefunden, um einem Quantencomputer beizubringen, das Verhalten von Quantensystemen zu verstehen und vorherzusagen - sogar mit ein paar einfachen Beispielen.
...es könnte möglich sein, Quantensysteme mithilfe kleinerer und einfacherer Computer zu untersuchen und zu verstehen [...], die uns in den nächsten Jahren zur Verfügung stehen sollten, ohne dass wir große, komplexe Computer benötigen, die noch einige Jahrzehnte auf sich warten lassen könnten.
Zoë Holmes, EPFL
Quantenneuronale Netze (QNN)
Das Team von Zoe Holmes arbeitete an "Quantenneuronalen Netzen" (QNN), einem Modell für maschinelles Lernen, das entwickelt wurde, um Informationen unter Verwendung von Prinzipien, die von der Quantenmechanik inspiriert sind, zu lernen und zu verarbeiten, mit dem Ziel, das Verhalten von Quantensystemen zu imitieren.Ähnlich wie neuronale Netze, die in der künstlichen Intelligenz eingesetzt werden, bestehen QNN aus miteinander verbundenen Knoten - oder "Neuronen" -, die Berechnungen durchführen. Der Unterschied besteht darin, dass die Neuronen in QNNs nach den Prinzipien der Quantenmechanik operieren, wodurch sie in der Lage sind, Quanteninformationen zu verarbeiten und zu manipulieren.
"Wenn wir einem Computer etwas beibringen, müssen wir ihm normalerweise sehr viele Beispiele liefern", sagt Zoe Holmes. "Aber in dieser Studie zeigen wir, dass der Computer mit nur ein paar einfachen Beispielen, den sogenannten Produktzuständen, in der Lage ist, die Funktionsweise eines Quantensystems zu verstehen, selbst wenn er mit verschränkten Zuständen konfrontiert wird, die komplizierter und schwerer zu durchdringen sind."
Produktzustände
Die von Wissenschaftlern verwendeten "Produktzustände" beziehen sich auf ein Konzept der Quantenmechanik, das die spezifische Art von Zustand für ein Quantensystem beschreibt. Wenn also ein Quantensystem aus zwei Elektronen besteht, wird sein Produktzustand gebildet, wenn der Zustand jedes Elektrons einzeln betrachtet und dann kombiniert wird.Produktzustände werden häufig als Ausgangspunkt für Quantenberechnungen und -messungen verwendet, da sie einen einfacheren und leichter zu handhabenden Rahmen bieten, um das Verhalten von Quantensystemen zu untersuchen und zu verstehen, bevor man zu komplexeren, verschränkten Zuständen übergeht, in denen die Teilchen korreliert sind und nicht einzeln beschrieben werden können.
Leistungsfähigere Quantencomputer am Horizont
Die Forscher zeigten, dass durch das Trainieren von QNNs unter Verwendung nur dieser einfachen Beispiele Computer in der Lage sind, die komplexe Dynamik verschränkter Quantensysteme zu erfassen.Zoe Holmes erklärt: "Das bedeutet, dass es möglich sein könnte, Quantensysteme mithilfe kleinerer und einfacherer Computer wie NISQ-Computern ("near-term intermediary scale"), die uns in den nächsten Jahren zur Verfügung stehen sollten, zu untersuchen und zu verstehen, ohne dass wir große, komplexe Computer benötigen, die noch einige Jahrzehnte auf sich warten lassen könnten."
Unsere Arbeit eröffnet auch neue Möglichkeiten für den Einsatz von Quantencomputern bei der Lösung wichtiger Probleme, z. B. bei der Untersuchung neuer komplexer Materialien oder der Simulation des Verhaltens bestimmter Moleküle.
Schließlich verbessert diese Methode die Leistung von Quantencomputern, indem sie die Erstellung kürzerer und fehlerresistenterer Programme ermöglicht. Ein besseres Verständnis des Verhaltens von Quantensystemen wird es uns ermöglichen, die Programmierung von Quantencomputern zu optimieren, was zu einer höheren Effizienz und Zuverlässigkeit führt. "Wir können Quantencomputer weiter verbessern, indem wir ihre Programme verkürzen und sie fehlerresistenter machen", fügt Zoe Holmes hinzu.
Referenzen
Matthias C. Caro, Hsin-Yuan Huang, Nicholas Ezzell, Joe Gibbs, Andrew T. Sornborger, Lukasz Cincio, Patrick J. Coles, Zoe Holmes. Out-of-distribution generalization for learning quantum dynamics. Nature Communications 5. Juli 2023. DOI: 10.1038/s41467’023 -39381-w.
- Kontakt
- EPFL CH-1015 Lausanne
- +41 21 693 11 11
