Photonic REservoir computing QUantum correlation Set ORacle

In den letzten Jahrzehnten wurde eine neue Art von Technologie entwickelt, die auf der Quantenmechanik basiert. Diese Theorie beschreibt die Natur in ihrer mikroskopischen Skala. Ihre kontraintuitiven Gesetze haben sich als geeignet erwiesen, Probleme anzugehen, die als unerreichbar galten. So kann Quantenhardware in wenigen Sekunden Rechenprobleme lösen, für die die leistungsstärksten klassischen Computer Tausende von Jahren benötigen würden. Darüber hinaus bieten Quantensysteme die Werkzeuge, um ein Höchstmaß an Sicherheit in der Kommunikation zu erreichen. Trotz dieser Voraussetzungen ist dieses Gebiet, insbesondere aus experimenteller Sicht, noch sehr jung und viele Herausforderungen sind noch offen. So ist beispielsweise noch offen, wie man die korrekte Funktionsweise solcher Technologien verifizieren. PREQUrSOR bietet ein experimentelles Werkzeug zum Nachweis von Quantenphänomenen in beliebigen Prozessen. Dazu wird das Feld der quantenmechanischen Grundlagen mit maschinellem Lernen kombiniert, einem Teilgebiet der künstlichen Intelligenz, das darauf abzielt, dass Computer aus gegebenen Beispielen lernen und dann mit zuvor ungesehenen Daten korrekt umzugehen. Genauer gesagt werden wir einen Prototyp eines künstlichen neuronalen Netzes, eines Lernmodells, das der Struktur des menschlichen Gehirns ähnelt, auf quantenphotonischer Hardware aufbauen. Dieses Modell wird das Quantenverhalten von Photonen nutzen, um vertrauenswürdige Quantengeräte von fehlerhaften zu unterscheiden. Die wichtigsten Neuerungen dieses Projekts sind zwei: Einerseits werden wir die erste Implementierung eines künstlichen neuronalen Netzes auf einer photonischen Plattform bereitstellen. Angesichts der weiten Verbreitung klassischer künstlicher neuronaler Netze wird die Bereitstellung ihrer Quantenversion ein sehr vielseitiges Instrument zur Bewältigung neuer und vielfältiger Herausforderungen darstellen. Dies ist jedoch herausfordernd, da der Lernprozess eines neuronalen Netzes nichtlineare Effekte erfordert, die durch die Wechselwi rkung von Quantensystemen mit der Umgebung erzielt werden können. Dies kann jedoch auch dazu führen, dass ein Teil ihrer Quanteneigenschaften verloren geht. Eine Lösung für diesen scheinbaren Stillstand bietet ein neuartiges photonisches Gerät, der Quanten-Memristor, der von der Universität Wien entwickelt wurde und ein ähnliches Verhalten wie Gehirnsynapsen zeigt, während die Quanteneigenschaften von Photonen erhalten bleiben. Das zweite interessante Merkmal dieses Projekts ist, dass wir uns nicht mit einem klassischen Problem befassen. Die vorgeschlagene Überprüfung ist tatsächlich nur mit Hilfe einer Quantenapparatur möglich, was eine unmittelbare Nutzung dieser Ergebnisse ermöglicht. Im Gegenteil, die Suche nach einem Quanten-Vorteil wäre angesichts des unfairen Vergleichs zwischen dem frühen Stadium der Quantentechnologien und der Reife des klassischen Gegenstücks ein viel schwerer fassbarer Bereich gewesen.

Moderne Verfahren des maschinellen Lernens spielen heute eine zentrale Rolle im Alltag, von medizinischer Diagnostik und wissenschaftlicher Forschung bis hin zu Unterhaltung und Online-Diensten. Gleichzeitig verbrauchen die leistungsfähigsten aktuellen Modelle enorme Mengen an Energie, sodass eine weitere Skalierung zunehmend untragbar wird. Das Hauptziel dieses Projekts war es daher, energieeffizientere Wege für maschinelles Lernen mithilfe von Licht- und Quantentechnologien zu erforschen. Optische Plattformen, die Informationen mit Licht statt mit elektrischen Strömen verarbeiten, bieten hierfür eine vielversprechende Alternative. Im Gegensatz zu herkömmlichen elektronischen Systemen basieren sie nicht auf widerstandsbehafteten Bauelementen, die Energie in Form von Wärme verlieren. Viele zentrale Rechenoperationen können durch die Interferenz von Licht realisiert werden, was sie prinzipiell reversibel macht und somit einen geringeren Energieverbrauch ermöglicht. Dadurch eröffnen sich Perspektiven für Rechenprozesse unterhalb grundlegender Energiegrenzen, die klassische digitale Technologien beschränken. Eine große Herausforderung für optische und quantenbasierte Systeme ist die Erzeugung von Nichtlinearität, einer entscheidenden Voraussetzung für Lernen und Entscheidungsfindung. In diesem Projekt haben wir systematisch untersucht, wie photonische Quantenplattformen nichtlineares Verhalten zeigen können und wie leistungsfähig sie für Lernaufgaben sind. Dabei betrachteten wir sowohl praxisnahe Anwendungen als auch Probleme, die besonders gut zu Quantentechnologien passen, sowie hybride Ansätze, die klassische und quantenbasierte Verarbeitung kombinieren. Ein zentrales experimentelles Element waren abstimmbare integrierte photonische Plattformen, die hohe Stabilität bei kompakter Bauweise bieten. Ein zentrales Ergebnis des Projekts war der Nachweis, dass es Lernaufgaben gibt, bei denen photonische Quantensysteme eine höhere Genauigkeit als klassische Ansätze erreichen. Dieser Vorteil wurde rigoros belegt und in Nature Photonics veröffentlicht. Ein weiterer wichtiger Erfolg war die Erkenntnis, dass komplexe Lerndynamiken bereits in sehr kleinen Systemen realisiert werden können. Insbesondere entwickelten und demonstrierten wir die erste neuromorphe (hirninspirierte) Architektur auf Basis einzelner Photonen und eines photonischen Bauelements mit Rückkopplung, des sogenannten Quanten-Memristors. Dieses System vereint auf natürliche Weise Nichtlinearität und Gedächtnis und eignet sich daher besonders für die Verarbeitung zeitabhängiger Daten. Bemerkenswert ist, dass bereits ein einzelnes solches Element Leistungen erreichte, die mit deutlich größeren Lernsystemen vergleichbar sind. Darüber hinaus entwickelten wir alternative Strategien zur Steigerung der Lernfähigkeit von Quantensystemen, etwa durch das mehrfache erneute Einspeisen von Eingabedaten, ein Verfahren, das als "Data Re-Uploading" bekannt ist. Dieser Ansatz ermöglicht komplexe Abbildungen zwischen Ein- und Ausgaben und bietet genügend Flexibilität für Aufgaben der Bilderkennung, einschließlich der Analyse von Satellitenbildern. Ein laufendes Folgeprojekt untersucht den Einsatz von Quanten-Maschinenlernen für die Erdbeobachtung, mit dem Ziel, Satellitenbilder direkt im Weltraum zu analysieren und nur die wesentlichen Informationen zur Erde zu übertragen, um Datenmengen und Energieverbrauch zu reduzieren. Schließlich kombinierten wir Quanten-Maschinenlernen mit Quantensimulation und zeigten, wie Lernalgorithmen genutzt werden können, um Grundzustände von Quantensystemen zu finden, wobei das physikalische System selbst die Lösung spezifischer Rechenprobleme, wie etwa der Faktorisierung, kodiert. Dieses Ergebnis wurde in Physical Review Research veröffentlicht.