KI für Fehlerkorrektur bei Quantencomputern
maschinelle Mustererkennung könnte laut Studie Entwicklung einsatzfähiger Quantencomputer voranbringen
Umwelteinflüsse führen zu Rechenfehlern der Computer, die künftig bestenfalls bereits im laufenden Betrieb korrigiert werden sollen, was bisher schwierig ist und durch KI-Methoden einfacher möglich sein könnte
Experten: Studie geht relevante Probleme an; KI könnte bedeutende Rolle für Entwicklung funktionsfähiger Quantencomputer spielen
Künstliche Intelligenz (KI) könnte Muster in Fehlern von Quantencomputern erkennen und dadurch deren Entwicklung weiter vorantreiben. Forschende um das Unternehmen Google nutzten sogenanntes Reinforcement Learning, um Störungen in den Berechnungen ihres Quantenprozessors Willow zu finden und während des Betriebs zu beheben. Reinforcement Learning ist ein Trainingsansatz im maschinellen Lernen. Die zugehörige Studie des Teams ist in der Fachzeitschrift „Nature“ erschienen (siehe Primärquelle).
Zu Beginn einer Berechnung bereiten Forschende die Rechenbausteine eines Quantencomputers – die Qubits – penibel vor: Sie müssen in einem ganz bestimmten Zustand sein, der sich während der Berechnung weiterentwickelt und so zu einem Ergebnis führt. Allerdings sind die Qubits so empfindlich, dass äußere Einflüsse schnell sowohl ihren Startzustand als auch ihre Entwicklung während des Rechenvorgangs beeinflussen. Dass sich der Zustand eines Qubits dadurch ungewollt ändert, kommt während des Betriebs dauernd vor. Um trotzdem zum richtigen Rechenergebnis zu kommen, versuchen Forschende, die fehlerhaften Qubits zu finden und entsprechend zu korrigieren. Dafür verwenden sie unter anderem sogenannte Fehlerkorrektur-Codes. Wie in der aktuellen Arbeit können das etwa Algorithmen sein, die mehrere physikalische Qubits zu einem logischen Qubit zusammenfassen. Ändert sich der Zustand eines physikalischen Qubits ungewollt, kann der gewünschte Zustand des logischen Qubits trotzdem erhalten bleiben.
Professor für Technische Physik, Technische Universität München (TUM)
Methodik und gelöstes Problem
„Die Autoren arbeiten mit dem Willow-Chip. Auf ihm wurde bereits Quantenfehlerkorrektur demonstriert und er zählt zu den derzeit besten Quantenprozessoren. Quantenprozessoren sind nicht von Natur aus fehlerfrei. Kontrollsignale zur Durchführung von Quantenoperationen müssen genau justiert werden, um Fehler zu minimieren. Wechselnde äußere Einflüsse führen jedoch wieder zu Fehlern in den Operationen, und die Kontrollsignale müssen regelmäßig angepasst werden. Diese Kalibrierungsphasen unterbrechen den Betrieb des Quantenprozessors.“
„Die Autoren zeigen nun, dass diese Unterbrechungen mit modernen Methoden aus dem Bereich der künstlichen Intelligenz (KI) umgangen werden können. Eine intrinsische Kalibrierung mittels maschinellen Lernens erlaubt den Betrieb des Quantenprozessors ohne Unterbrechungen. Diese intrinsische Kalibrierung stützt sich auf die ausgelesenen Fehlersyndrome. Sonst wäre eine Unterbrechung für die Neukalibrierungen nötig. Die Autoren weisen damit eine Verbesserung der logischen Fehlerrate (Fehlerrate der logischen Qubits; Anm. d. Red.) um 20 Prozent nach und erreichen insbesondere eine deutlich bessere Langzeitstabilität.“
Bedeutung der Ergebnisse für fehlerkorrigierte Quantencomputer
„Das zentrale Ergebnis zeigt eindrücklich, dass sich die Qualität von Quantenprozessoren mithilfe von Methoden der künstlichen Intelligenz weiter steigern lässt. Hier greifen zwei zukunftsträchtige Technologiefelder mit sehr großem Potenzial ineinander. Besonders wichtig dabei ist, dass die Skalierbarkeit der verwendeten Reinforcement-Learning-Methode mit numerischen Simulationen belegt wurde.“
„Mit dieser Arbeit wird ein relevantes Problem angegangen. Denn der Betrieb ohne ständige Neukalibrierung ist ein wichtiger Schritt zur stabilen Operation von Quantenprozessoren.“
Nächste Entwicklungsschritte
„In dieser Studie wurde die Fehlerrate eines logischen Qubits verbessert. Der nächste Schritt besteht darin, zu zeigen, dass die inhärente Neukalibrierung auch im Kontext logischer Quantenalgorithmen anwendbar ist – also für tatsächliche Rechenoperationen auf mehreren logischen Qubits.“
„Das Zusammenspiel aus verbesserter Hardware und besseren KI-Agenten könnte herkömmliche Kalibrierungsstrategien mittelfristig obsolet machen und so die Effizienz von Quantenprozessoren weiter steigern.“
Rolle von KI für Quantencomputer
„KI spielt in vielen Bereichen der Quantencomputer-Entwicklung eine Rolle. Dazu zählen etwa die Entwicklung neuartiger, auf systemspezifische Fehler abgestimmter Codes sowie die Identifikation intrinsischer Fehlerquellen. Außerdem kann KI bei der Programmierung von Kontrollsoftware oder beim Routing und Design von Prozessor-Architekturen helfen. Bei der Fehlerkorrektur zeigt die vorliegende Studie den konkreten Nutzen besonders deutlich.“
„Der Marktzugang bleibt jedoch anspruchsvoll. Denn hochwertige Hardware spielt weiterhin eine große Rolle: Die Fehlerraten und Fluktuationen in den Parametern müssen klein genug sein, damit tatsächlich ein echter Nettonutzen entsteht. Die gezeigte Verbesserung der logischen Fehlerrate ist zwar deutlich, doch die Ausgangsbasis muss bereits so gut sein, dass Fehlerkorrektur überhaupt funktioniert. Die Einstiegshürden werden durch die Anwendung von KI nur begrenzt gesenkt, solange die grundlegenden Hardwarevoraussetzungen nicht erfüllt sind.“
Professor für theoretische Physik, Arbeitsgruppenleiter Quanten-Vielteilchentheorie, Quanten-Informationstheorie und Quantenoptik, Dahlem Center for Complex Quantum Systems, Freie Universität Berlin
Methodik und gelöstes Problem
„Quantenrechnen ist keine neue Idee. Aber erst in den vergangenen Jahren haben sich Protagonisten aufgemacht, solche neuartigen Rechner – deren Recheneinheiten einzelne Quantensysteme sind – wirklich großskalig zu bauen. Die größte Herausforderung ist es hierbei, die höchst fragilen Quantensysteme von ihrer Umgebung abzuschirmen, um die Quanteneffekte zu bewahren: Rauschen und Störungen sind sozusagen der ‚Endgegner‘ des Quantenrechnens.“
„Quantenfehlerkorrektur ist das typische Rezept, um mit solchen Fehlern umzugehen. Sie funktioniert bei kleinen Fehlerraten, geht aber mit großen zusätzlichen Ressourcen einher. In der vorliegenden Arbeit wird ein neues Paradigma vorgestellt: Mithilfe einer Art des Maschinenlernens – dem Reinforcement Learning – wird nicht nur der aufgetretene Fehler für die Fehlerkorrektur gelernt. Vielmehr wird dieses Signal auch verwendet, um kontinuierlich die Kontrollparameter neu einzustellen und zu kalibrieren. So kann eine weniger fehleranfällige Quantenrechnung durchgeführt werden.“
Nächste Entwicklungsschritte
„Die Arbeit ist vor allem wichtig, weil sie mit Altbekanntem bricht und die Frage beantwortet: Wenn nun schon Fehler auftreten und man gelernt hat, welche das sind, warum kann ich dann das System nicht besser machen? Die Arbeit liefert eine Antwort.“
„Das wohl wichtigste Ergebnis ist der etwas radikale Perspektivwechsel: Kontrolle und Fehlerkorrektur werden nicht als verschiedene Aufgaben wahrgenommen, sondern holistisch in denselben Workflow integriert. Das funktioniert gut. Die tatsächlichen Zahlen sind ebenfalls beeindruckend. Die logische Fehlerrate liegt bei etwa 7 mal 10-4 pro Zyklus.“
„Die Arbeit wird weiteren Fortschritt in der Quantenfehlerkorrektur nicht obsolet machen. Dieser schreitet in der wissenschaftlichen Gemeinschaft und der Quantenindustrie rasch voran. Aber sie zeigt auf, dass man außerhalb der bekannten Denkmuster vorgehen muss, um Fortschritte zu machen.“
Rolle von KI für Quantencomputer
„Die künstliche Intelligenz (KI) spielt eine große Rolle in der Entwicklung von Quantencomputern. Einerseits gibt es Quantenalgorithmen, die versprechen, künstliche Intelligenz mit Quantenrechnern zu verbessern. In der aktuellen Studie wird aber ein anderer Ansatz verfolgt: Es wird Maschinenlernen verwendet, um die Kontrolle und Fehlerkorrektur von Quantenrechnern auf eine neue Ebene zu heben. Insbesondere durch den Ansatz des Reinforcement Learning.“
„Das ist eine sehr wichtige Denkrichtung. In unserem Team fanden wir mit ähnlichen Ansätzen auch neue Arten der Fehlerkorrektur und des Dekodierens mittels Reinforcement Learning [1]. Dieser Ansatz könnte es auch Akteuren mit weniger Ressourcen erlauben, zum Forschungsfeld und zum Markt beizutragen. Allerdings wird man am Ende des Tages immer auch Quantenhardware brauchen, die nur mit erheblichen Mitteln zu realisieren ist.“
Training und Betrieb von KI durch Quantencomputer
„Das ist eine sinnvolle und wichtige Idee. In der Tat gibt es das Feld des Quantenmaschinenlernens. Hier stellt sich die Frage, welche Quantenalgorithmen es für Lernaufgaben gibt. In der Tat gibt es Situationen, in denen Quantenrechner großskalige KI beweisbar besser trainieren können [2]. Wie praktisch dies werden wird, wird man sehen. Es ist auf jeden Fall eine extrem stimulierende und spannende Forschungsrichtung.“
„KI verändert die Welt, und Quantenalgorithmen können bestimmte Probleme viel schneller lösen. Es liegt auf der Hand, dass man die Verbindung ausloten sollte.“
„Es liegt bei mir kein Interessenkonflikt vor.“
„Ich habe keine Interessenkonflikte.“
Primärquelle
Sivak V et al. (2026): Reinforcement learning control of quantum error correction. Nature. DOI: 10.1038/s41586-026-10759-2.
Literaturstellen, die von den Expert:innen zitiert wurden
[1] Sweke R et al. (2018): Reinforcement Learning Decoders for Fault-Tolerant Quantum Computation. Arxiv. DOI: 10.1088/2632-2153/abc609.
Hinweis der Redaktion: Es handelt sich hierbei um eine Vorabpublikation, die noch keinem Peer-Review-Verfahren unterzogen und damit noch nicht von unabhängigen Expertinnen und Experten begutachtet wurde.
[2] Liu J et al. (2023): Towards provably efficient quantum algorithms for large-scale machine-learning models. Nature Communications. DOI: 10.1038/s41467-023-43957-x.
Prof. Dr. Stefan Filipp
Professor für Technische Physik, Technische Universität München (TUM)
Angaben zu möglichen Interessenkonflikten
„Es liegt bei mir kein Interessenkonflikt vor.“
Prof. Dr. Jens Eisert
Professor für theoretische Physik, Arbeitsgruppenleiter Quanten-Vielteilchentheorie, Quanten-Informationstheorie und Quantenoptik, Dahlem Center for Complex Quantum Systems, Freie Universität Berlin
Angaben zu möglichen Interessenkonflikten
„Ich habe keine Interessenkonflikte.“
