Google DeepMind und Google Quantum AI haben kürzlich Details zu ihrem gemeinsamen Durchbruch veröffentlicht, der maschinelles Lernen und Fachwissen über Quantenfehlerkorrektur verbindet, um Quantencomputer schneller zu machen und ihre Genauigkeit und Zuverlässigkeit zu verbessern. In einem in Nature veröffentlichten Paper stellte Google AlphaQubit vor, einen KI-gestützten Decoder, der eine der größten Herausforderungen des Bereichs angeht: die Fehlererkennung. AlphaQubit nutzt ein neuronales Netzwerk aus 241 Qubits, um die Genauigkeit der Fehlererkennung um 6 Prozent zu verbessern, und setzt damit einen neuen Zuverlässigkeitsstandard für Quantensysteme.
Die Fragilität des Quantencomputings bewältigen
Quantencomputer nutzen einzigartige Quanteneigenschaften wie Superposition und Verschränkung, um Probleme exponentiell schneller zu lösen als klassische Maschinen. Qubits – die grundlegenden Einheiten von Quantencomputern – reagieren jedoch äußerst empfindlich auf Störungen, die durch mikroskopische Hardwaredefekte, elektromagnetische Interferenzen, Hitze, Vibrationen oder sogar kosmische Strahlung verursacht werden. Diese Instabilitäten machen die Quantenfehlerkorrektur zu einem entscheidenden Faktor für den technologischen Fortschritt.
AlphaQubit begegnet diesem Problem mit Transformer-basierten neuronalen Netzwerken, einer Modellarchitektur, die moderne KI-Systeme wie große Sprachmodelle antreibt. Das System verarbeitet Daten aus Konsistenzprüfungen über logische Qubits hinweg, um „Quantencomputerfehler mit einer dem Stand der Technik entsprechenden Genauigkeit“ zu erkennen.
Rekordverdächtige Genauigkeit
„Wir begannen damit, unser Modell darauf zu trainieren, die Daten aus einer Gruppe von 49 Qubits in einem Sycamore-Quantenprozessor zu dekodieren, der zentralen Recheneinheit des Quantencomputers“, schrieb das Team von Google DeepMind und Quantum AI in einem Blogbeitrag. „Um AlphaQubit das allgemeine Dekodierungsproblem beizubringen, nutzten wir einen Quantensimulator, um Hunderte Millionen Beispiele aus einer Vielzahl von Einstellungen und Fehlerstufen zu generieren.“
AlphaQubit zeigte 6 Prozent weniger Fehler als die äußerst genauen, aber langsamen Tensor-Netzwerkverfahren. Im Vergleich mit den schnelleren Decodern für korreliertes Matching erzielte AlphaQubit eine um 30 Prozent höhere Genauigkeit. Auch bei Skalierungstests überzeugte der KI-Decoder: Er identifizierte erfolgreich Fehler in simulierten Systemen mit bis zu 241 Qubits und übertraf damit die aktuellen Hardwarekapazitäten von Sycamore.
Trotz seines Erfolgs ist AlphaQubit nicht perfekt. Das System ist noch nicht schnell genug, um Fehler bei den derzeit schnellsten supraleitenden Quantenprozessoren in Echtzeit zu korrigieren, die Millionen von Prüfungen pro Sekunde durchführen. Außerdem benötigt das System große Mengen an Trainingsdaten, was zu einem Problem werden könnte, wenn Quantencomputer an Größe und Komplexität zunehmen.
Google betrachtet dies jedoch nur als den Anfang. Durch die Verbindung von Fortschritten beim maschinellen Lernen und bei der Quantenfehlerkorrektur will das Unternehmen zuverlässige Quantencomputer entwickeln, die Probleme aus der realen Welt lösen können. Lesen Sie das vollständige Paper auf der Website von Nature für weitere Informationen.