22.05.2024

KI hilft beim Programmieren von Quantencomputern

Neue Methode erzeugt Quantenschaltungen zugeschnitten auf die verfügbare Quantenhardware.

Forscher der Universität Innsbruck haben eine neue Methode zur Planung von Rechen­operationen auf einem Quanten­computer vorgestellt. Dabei wird ein generatives Machine-Learning-Modell verwendet, um eine geeignete Abfolge von Quantengattern zur Ausführung einer Quanten­operation zu finden. Die Studie ist ein wichtiger Schritt, um das volle Potenzial von Quanten­computern ausschöpfen zu können.

Abb.: Illustration der neuen Methode, die Quantenschaltungen auf der Grundlage...
Abb.: Illustration der neuen Methode, die Quantenschaltungen auf der Grundlage von Benutzereingaben und zugeschnitten auf die Eigenschaften der Quantenhardware erzeugt.
Quelle: H. Ritsch, U. Innsbruck

Generative Modelle wie Diffusions­modelle sind eine der wichtigsten Entwicklungen im Bereich des maschinellen Lernens (ML). So haben Programme wie Stable Diffusion und Dall.e den Bereich der Bild­erzeugung in jüngster Zeit revolutioniert. Diese Modelle sind in der Lage, auf der Grundlage einer Text­beschreibung qualitativ hochwertige Bilder zu erzeugen. „Unser neues Modell zur Programmierung von Quantencomputern tut dasselbe, aber anstatt Bilder zu erzeugen, generiert es Quanten­schaltungen auf Grundlage einer Beschreibung der auszuführenden Quanten­operation“, erklärt Gorka Muñoz-Gil vom Institut für Theoretische Physik der Universität Innsbruck. 

Um einen bestimmten Quantenzustand zu erzeugen oder einen Algorithmus auf einem Quantencomputer auszuführen, benötigt man die geeignete Folge von Quantengattern, um solche Operationen durch­zuführen. Während dies beim klassischen Rechnen relativ einfach ist, stellt es beim Quanten­computer aufgrund der Besonderheiten der Quantenwelt eine große Herausforderung dar. In jüngster Zeit haben viele Wissen­schaftlerinnen und Wissenschaftler Methoden für die Entwicklung von Quanten­schaltungen vorgeschlagen, die sich auf maschinelles Lernen stützen. Das Training dieser ML-Modelle ist jedoch oft sehr schwierig, da die Quantenschaltungen simuliert werden müssen, während die Maschine lernt.

Bei Diffusions­modellen werden solche Probleme aufgrund der Art und Weise, wie sie trainiert werden, vermieden. „Dies ist ein enormer Vorteil“, sagt Gorka Muñoz-Gil, der die neue Methode zusammen mit Hans J. Briegel und Florian Fürrutter entwickelt hat. „Darüber hinaus zeigen wir, dass diese Diffusions­modelle in ihrem Ergebnis genau und zudem sehr flexibel sind und es erlauben, Schaltkreise mit einer unter­schiedlichen Anzahl von Qubits sowie verschiedenen Arten und Mengen von Quantengattern zu bauen.“ Die Modelle können auch so angepasst werden, dass sie Schaltungen erstellen, die berücksichtigen, wie die Quanten­hardware verschalten ist, d.h. wie die Qubits im Quantencomputer miteinander verbunden sind. „Da die Herstellung neuer Schaltkreise sehr günstig ist, sobald das Modell einmal trainiert ist, kann man es auch nutzen, um neue Erkenntnisse über Quantenoperationen zu gewinnen“, nennt Gorka Muñoz-Gil ein weiteres Potenzial der neuen Methode.

Die an der Universität Innsbruck entwickelte Methode erzeugt Quanten­schaltungen auf der Grundlage von Benutzer­eingaben und zugeschnitten auf die Eigenschaften der Quantenhardware, auf der die Operationen ausgeführt werden sollen. Dies ist ein wichtiger Schritt, um das volle Potenzial von Quanten­computern ausschöpfen zu können.

U. Innsbruck / JOL

EnergyViews

EnergyViews
Dossier

EnergyViews

Die neuesten Meldungen zu Energieforschung und -technologie von pro-physik.de und Physik in unserer Zeit.

Sonderhefte

Physics' Best und Best of
Sonderausgaben

Physics' Best und Best of

Die Sonder­ausgaben präsentieren kompakt und übersichtlich neue Produkt­informationen und ihre Anwendungen und bieten für Nutzer wie Unternehmen ein zusätzliches Forum.

Meist gelesen

Themen