Quantencomputer mithilfe von KI programmieren

Hinweis zur Verwendung von Bildmaterial: Die Verwendung des Bildmaterials zur Pressemitteilung ist bei Nennung der Quelle vergütungsfrei gestattet. Das Bildmaterial darf nur in Zusammenhang mit dem Inhalt dieser Pressemitteilung verwendet werden. Falls Sie das Bild in höherer Auflösung benötigen oder Rückfragen zur Weiterverwendung haben, wenden Sie sich bitte direkt an die Pressestelle, die es veröffentlicht hat.

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. | Quelle: Harald Ritsch | Copyright: Universität Innsbruck | Download

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 Wissenschaftler:innen 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 Wittgenstein-Preisträger 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. Die Arbeit wurde nun im Fachjournal Nature Machine Intelligence veröffentlicht und unter anderem vom Österreichischen Wissenschaftsfonds FWF und der Europäischen Union finanziell unterstützt.

Wissenschaftlicher Ansprechpartner:
Gorka Muñoz-Gil
Institut für Theoretische Physik
Universität Innsbruck
+43 512 507 52257
gorka.munoz-gil@uibk.ac.at
https://www.uibk.ac.at/th-physik/qic-group

Originalpublikation:
Quantum circuit synthesis with diffusion models. Florian Fürrutter, Gorka Muñoz-Gil, and Hans J. Briegel. Nature Machine Intelligence 2024 DOI: https://doi.org/10.1038/s42256-024-00831-9 [arXiv: https://arxiv.org/abs/2311.02041]