Forschende der Australian National Research Agency (CSIRO) und der Universität Melbourne haben bedeutende Fortschritte an der Schnittstelle von Quantencomputing und künstlicher Intelligenz erzielt und damit den Weg für die praktische Anwendung von Quanten-Maschinellem Lernen (QML) geebnet. Traditionelle QML-Modelle basieren auf komplexen Schaltkreisen mit Hunderten von Quantengattern. Das von Quantenprozessoren erzeugte Rauschen führt jedoch dazu, dass sich kleinste Fehler schnell akkumulieren und die Genauigkeit stark beeinträchtigen. Obwohl Quantenfehlerkorrektur theoretisch möglich ist, übersteigt ihr exorbitanter Aufwand – der Millionen von Qubits erfordert – die aktuellen Hardwarekapazitäten bei Weitem und stellt somit ein großes Hindernis für ihre Entwicklung dar.

Das Forschungsteam entdeckte, dass mehr als die Hälfte der Quantengatter in einem QML-Modell trainierbar sind und sich während des Lernprozesses selbst anpassen können. Durch den Verzicht auf die Fehlerkorrektur dieser Quantengatter kann das Modell während des Trainings eine Art „Selbstkorrektur“ erreichen und so eine Genauigkeit erzielen, die nahezu der eines vollständig fehlerkorrigierten Modells entspricht. Gleichzeitig wird die benötigte Anzahl an Qubits drastisch von Millionen auf wenige Tausend reduziert. Dieser Durchbruch senkt die Hardwarebarriere erheblich und ermöglicht die Anwendung von Quanten-Maschinellem Lernen auf realen Quantenprozessoren. Erstautorin Haiyue Kang, Doktorandin an der Universität Melbourne, erklärte: „Bislang wurde Quanten-Maschinelles Lernen hauptsächlich in idealen Simulationsumgebungen getestet. Reale Quantencomputer sind jedoch rauschbehaftet, was zu Hardware- und Modellinkompatibilitäten führt. Unsere Forschung schließt die Lücke zwischen Theorie und Praxis.“ Professor Mohammed Usman, Leiter des CSIRO-Teams für Quantensysteme, bezeichnete diese Forschung als „Paradigmenwechsel“. Sie zeige, dass eine partielle Fehlerkorrektur ausreiche, um Quanten-Maschinelles Lernen auf nahezu realisierbaren Quantenprozessoren zu ermöglichen. Diese Errungenschaft beschleunigt nicht nur die Umsetzung von Quanten-Maschinellem Lernen von der Theorie in die Praxis, sondern legt auch den Grundstein für schnellere Trainingszeiten, intelligentere künstliche Intelligenz und die Realisierung von Quantenvorteilen in der Praxis. Die Forschung markiert einen bedeutenden Meilenstein in den Bereichen Quantencomputing und künstliche Intelligenz und führt zu einem Umdenken bei der Entwicklung von Quantenalgorithmen für fehleranfällige Hardware.

Weitere Informationen: Autoren: Haiyue Kang et al., Titel: „Nahezu fehlertolerantes Quanten-Maschinelles Lernen und sein deutlich reduzierter Overhead“, veröffentlicht in: Quantum Science & Technology (2025). Zeitschrifteninformationen: Quantum Science & Technology