Künstliche Intelligenz kontrolliert Quantencomputer

Neuronale Netze ermöglichen eine lernfähige Fehlerkorrektur für Rechner auf Basis der Quantenphysik

28. September 2018

Quantencomputer könnten künftig komplexe Aufgaben lösen, an denen herkömmliche Computer scheitern. Doch die Quantenzustände sind extrem empfindlich gegen allgegenwärtige Störungen aus der Umwelt. Dagegen soll ein aktiver Schutz durch Quantenkorrektur helfen. Florian Marquardt, Direktor am Max-Planck-Institut für die Physik des Lichts, und sein Team stellen nun eine Quantenkorrektur vor, die dank Künstlicher Intelligenz lernfähig ist.

Eine Fehlerkorrektur im Training: Die Grafik visualisiert die Aktivität der künstlichen Nervenzellen in dem Erlanger Neuronalen Netz, während es eine Aufgabe löst.

2016 gewann das Computerprogramm AlphaGo vier von fünf Go-Partien gegen den weltbesten menschlichen Go-Spieler. Da es in einem Go-Spiel mehr Kombinationen an Spielzügen als – geschätzt – Atome im Universum gibt, half hier keine brutale Rechenleistung mehr. AlphaGo besaß daher künstliche Neuronale Netze, die visuelle Muster erkennen können und lernfähig sind. Da das Programm im Gegensatz zu einem Menschen in kurzer Zeit Hunderttausende Partien trainieren konnte, war es schließlich dem besten menschlichen Spieler überlegen. Auf solche neuronalen Netze setzten auch die Erlanger Forscher, um eine lernfähige Fehlerkorrektur für einen Quantencomputer zu entwickeln.

Künstliche Neuronale Netze sind Computerprogramme, die das Verhalten von miteinander vernetzten Nervenzellen (Neuronen) nachempfinden – im Erlanger Fall sind es an die Zweitausend miteinander verschaltete künstliche Neuronen. „Wir wenden neueste Ideen aus der Informatik auf physikalische Systeme an“, erklärt Florian Marquardt. „Damit profitieren wir von dem rasanten Fortschritt auf dem Gebiet der Künstlichen Intelligenz.“

Künstliche Neuronale Netze könnten andere Strategien der Fehlerkorrektur schlagen

Das erste Anwendungsgebiet sind Quantencomputer, wie die aktuelle Arbeit zeigt, zu der Thomas Fösel, Doktorand am Erlanger Max-Planck-Institut, entscheidend beigetragen hat. Darin demonstriert das Team, dass künstliche Neuronale Netze mit einer von AlphaGo inspirierten Architektur von selbst lernen können, eine für den Betrieb zukünftiger Quantencomputer entscheidende Aufgabe zu beherrschen: die Quantenkorrektur. Es besteht sogar die Aussicht, dass dieser Ansatz andere Strategien zur Quantenkorrektur mit genügend Training schlagen kann.

Um zu verstehen, worum es geht, muss man sich die Arbeitsweise von Quantencomputern anschauen. Die Basis der Quanteninformation ist das Quantenbit, das Qubit. Anders als herkömmliche digitale Bits kann es nicht nur zwei Zustände Null oder Eins einnehmen, sondern auch Überlagerungen beider Zustände. Im Prozessor eines Quantencomputers werden sogar viele Qubits in einem gemeinsamen Zustand überlagert. Diese Verschränkung begründet die mächtige Rechenleistung von solchen Rechnern, wenn es um das Lösen bestimmter komplexer Aufgaben geht, an denen herkömmliche Computer absehbar scheitern müssen. Allerdings ist Quanteninformation sehr empfindlich gegen Störungen aus der Umwelt. Diese und andere Eigenheiten der Quantenwelt erfordern eine regelmäßige Reparatur der Information – die Quantenkorrektur. Allerdings sind die dazu nötigen Operationen aufwändig, überdies dürfen sie die Quanteninformation selbst nicht zerstören.

Die Quanten-Fehlerkorrektur gleicht einem Go-Spiel mit seltsamen Regeln

„Die Elemente eines Quantencomputers kann man sich nun ganz ähnlich wie ein Go-Spielbrett vorstellen“, steuert Marquardt auf die Kernidee seines Projekts zu. Die Qubits sind als Spielsteine über das Brett verteilt. Gegenüber einem herkömmlichen Go-Spiel gibt es allerdings Unterschiede: Alle Steine liegen bereits fertig verteilt auf dem Brett, und jeder Stein ist auf einer Seite weiß, auf der anderen Seite schwarz gefärbt. Eine Farbe entspricht dem Zustand Null, die andere Eins, und ein Spielzug in dem Quanten-Go-Spiel besteht darin, Steine umzudrehen. Die Quantenwelt erfordert zudem, dass die Steine graue Mischfarben annehmen können, für die Fälle der Überlagerung und Verschränkung von Quantenzuständen.

Im Wettkampf versucht nun eine Spielerin, nennen wir sie Alice, ein Muster, das einen bestimmten Quantenzustand repräsentiert, durch geeignete Spielzüge aufrecht zu erhalten. Das sind die Quantenkorrektur-Operationen. Ihr Gegner tut indes alles, um das Muster zu zerstören. Er steht für das permanente Rauschen vieler Störungen aus der Umwelt, denen echte Qubits ausgesetzt sind. Besonders erschwert wird das Quanten-Go-Spiel durch eine seltsame Quantenregel: Alice darf während des Spiels nicht auf das Brett schauen. Jeder Blick, der ihr den Zustand der Qubit-Spielsteine offenbart, zerstört den empfindlichen Quantenzustand, in dem sich das Spiel gerade befindet. Wie aber kann sie es schaffen, trotzdem die richtigen Spielzüge auszuführen?

Hilfsqubits offenbaren Störungen im Quantencomputer

Dieses Problem löst man bei Quantencomputern dadurch, dass man zwischen den Qubits, in denen die eigentliche Quanteninformation gespeichert ist, zusätzliche Qubits anordnet. Solche Hilfsqubits dürfen in gelegentlichen Messungen überprüft werden. An ihrem Zustand kann die Steuerung des Quantencomputers erkennen, wo Störungen vorliegen, und in diesen Gebieten Korrekturoperationen an den informationstragenden Qubits durchführen. In unserem Quanten-Go-Spiel wären die Hilfsqubits zusätzliche Steine, die zwischen den eigentlichen Spielsteinen verteilt sind. Alice darf nur diese Hilfssteine gelegentlich anschauen.

Bei den Erlangern übernehmen künstliche Neuronale Netze die Rolle von Alice. Durch Training sollen sie so gut in diese Rolle hineinwachsen, dass sie andere Korrekturstrategien, die sich schlaue menschliche Köpfe ausgedacht haben, sogar schlagen können. Allerdings konnte das Team am Beispiel von fünf simulierten Qubits – diese überschaubare Zahl ist noch für herkömmliche Computer beherrschbar – demonstrieren, dass ein einzelnes künstliches Neuronales Netz allein nicht ausreicht. Da es nur sehr wenig Information über den Zustand der Quantenbits, also des Quanten-Go-Spiels, einsammeln kann, kommt es nie über das Stadium des zufälligen Herumprobierens hinaus. Am Ende zerstören diese Versuche den Quantenzustand anstatt ihn zu restaurieren.

Ein Neuronales Netz trainiert ein anderes mit seinem Vorwissen

Die Lösung besteht aus einem zusätzlichen Neuronalen Netz, das das erste Netz wie ein Lehrer anleitet. Dieses Lehrernetz besitzt ein Vorwissen über den zu steuernden Quantencomputer und trainiert damit das andere Netz als Schüler so, dass dessen Versuche in Richtung einer erfolgreichen Quantenkorrektur laufen. Dazu muss aber erst einmal das Lehrernetz selbst genug über den Quantencomputer oder dessen Baustein, der kontrolliert werden soll, lernen.

Grundsätzlich trainieren künstliche Neuronale Netze ganz ähnlich wie ihre natürlichen Vorbilder über ein Belohnungssystem. Die eigentliche Belohnung besteht darin, durch die Quantenkorrektur den ursprünglichen Quantenzustand erfolgreich wiederherzustellen. „Würde man aber nur dieses Fernziel als Belohnung vorgeben, käme diese im Lauf der vielen Korrekturversuche zu spät“, erklärt Marquardt. Also entwickelten die Erlanger ein Belohnungssystem, die dem Neuronalen Lehrernetz schon während des Trainings Anreize setzt, eine erfolgversprechende Strategie einzuschlagen. Im Quanten-Go-Spiel würde dieses Belohnungssystem Alice einen Hinweis geben, wie gut der Gesamtzustand des Spiels gerade aussieht, ohne Einzelheiten zu verraten.

Das Schülernetz kann durch eigenes Agieren besser werden als sein Lehrer

„Unser erstes Ziel bestand darin, dass das Lehrernetz ohne weitere menschliche Hilfestellung lernt, erfolgreiche Quantenkorrektur-Operationen auszuführen“, sagt Marquardt. Dafür kann das Lehrernetz anders als das Schülernetz nicht nur Messergebnisse, sondern auch über den gesamten Quantenzustand des Rechners benutzen. Das von dem Lehrernetz trainierte Schülernetz wird dann zunächst genauso gut sein, kann aber durch eigenes Agieren noch besser werden.

Für die künstliche Intelligenz sieht Florian Marquardt noch mehr Anwendungen als die Fehlerkorrektur eines Quantencomputers. Die Physik bietet für ihn viele Systeme, auf denen sich die Mustererkennung durch künstliche Neuronale Netze gewinnbringend einsetzen ließe.

RW

Weitere interessante Beiträge

Zur Redakteursansicht