30 Juli Photonischer Quantenchip verbessert maschinelles Lernen
Schon Quantencomputer im kleinen Maßstab sind in der Lage, die Leistung von Machine-Learning-Algorithmen (ML) zu verbessern. Dies demonstriert ein internationales Forschungsteam der Universität Wien, dessen Arbeit vielversprechende neue Anwendungen für optische Quantencomputer aufzeigt.
Algorithmen auf Quantenplattformen …
Maschinelles Lernen und Künstliche Intelligenz nehmen schon heute maßgeblichen Einfluss auf unser Leben, von alltäglichen Aufgaben bis hin zur wissenschaftlichen Forschung. Parallel dazu etabliert sich das Quantencomputing als neues Rechenparadigma. Aus der Kombination beider ist eine neue Forschungsrichtung: das Quantum Machine Learning. Ein Ziel dieses Forschungsfelds ist es, Algorithmen schneller, effizienter oder genauer zu machen, wenn sie auf Quantenplattformen laufen. Allerdings bleibt es eine offene Herausforderung, einen solchen Vorteil mit der heutigen Quantencomputing-Technologie zu erzielen.
Hier setzte ein internationales Forschungsteam an und entwarf ein neues Experiment, das an der Universität Wien durchgeführt wurde. Der Aufbau umfasst einen photonischen Quantenchip, der am Politecnico di Milano in Mailand/Italien entwickelt wurde und der einen vom britischen Unternehmen Quantinuum vorgeschlagenen Algorithmus für ML ausführt. Ziel war es, Datenpunkte mithilfe eines photonischen Quantencomputers zu klassifizieren und den Beitrag von Quanteneffekte auszumachen, um den Vorteil gegenüber klassischen Computern zu verstehen.
… klassifizieren Datenpunkte effizienter
Das Experiment bewies, dass bereits Alporithmen auf kleinen Quantenprozessoren bessere Leistungen erbringen können als herkömmliche Algorithmen. „Wir haben festgestellt, dass unser Algorithmus bei bestimmten Aufgaben weniger Fehler macht als sein klassisches Gegenstück“, erklärt Philip Walther von der Universität Wien, Leiter des Projekts. „Das bedeutet, dass bereits existierende Quantencomputer gute Leistungen zeigen können, ohne den derzeitigen Stand der Technik übertreffen zu müssen“, ergänzt Zhenghao Yin, Erstautor der in Nature Photonics veröffentlichten Studie.
Weniger Energiebedarf als bei konventionellen Rechnern
Der eingesetzte Chip basiert auf integrierter Photonik: Zwei photonische Qubits werden über lineare optische Gatter manipuliert und interferenzbasiert ausgelesen. Der Quantenalgorithmus nutzt die sogenannte Kernel-Methode, die in der klassischen Statistik zur Abbildung nichtlinearer Strukturen dient. In der quantenbasierten Version werden die Datenpunkte in einen hochdimensionalen Hilbertraum transformiert, wobei quantenmechanische Zustände als Feature-Repräsentationen dienen.
Laut Mitautorin Iris Agresti benötigen photonische Plattformen deutlich weniger Energie als konventionelle Rechner. In Kombination mit der gesteigerten Genauigkeit könnten sie für rechenintensive Anwendungen im maschinellen Lernen von Bedeutung werden. Auch für klassische Computer ergeben sich Implikationen: Algorithmen, die von Quantenprozessoren inspiriert sind, könnten neue Effizienzgewinne ermöglichen.
Originalveröffentlichung
[Z. Yin et al.: Experimental Quantum-Enhanced Kernel-Based Machine Learning on a Photonic Processor; Nature Photonics (2025), DOI 10.1038/s41566-025-01682-5]
Quelle: www.univie.ac.at
Bild: Iris Agresti