Ein Quantensprung im maschinellen Lernen?
Verschränkung und Superposition
Quantencomputer arbeiten mit Qubits, die aufgrund ihrer Quanteneigenschaften einen Überlagerungszustand (= Superposition) annehmen. Qubits können außerdem miteinander verknüpft werden (= Verschränkung) und damit einen komplexeren Gesamtzustand erreichen. Mehrere Lösungsmöglichkeiten eines Problems lassen sich so gleichzeitig erkunden. Doch die Technologie hat ihre Tücken. Qubits sind äußerst störanfällig, was den Bau größerer Quantencomputer erschwert. In solchen Systemen wären die allermeisten Qubits damit beschäftigt, die ständig neu auftretenden Fehler auszubügeln.
Um Qubits zumindest für den Bruchteil einer Sekunde stabil zu halten, müssen Forscher*innen die Quantenchips von magnetischen und elektrischen Feldern abschirmen und sie bis auf wenige tausendstel Grad über dem absoluten Nullpunkt herunterkühlen. Allein diese technischen Voraussetzungen sorgen dafür, dass Quantencomputer vorerst ihre hochspezialisierten Laborumgebungen nicht verlassen werden. Neben den beschriebenen Hardwareproblemen muss die Wissenschaft weitere Hürden überwinden.
Beim maschinellen Lernen werden Rechner während der Lernphase mit riesigen Datenmengen gefüttert. Das ist bei Quantencomputern mitunter so aufwendig, dass der Quantenvorteil im Vergleich zum klassischen Rechner dahinschmilzt. Die Mühe lohnt sich folglich nur bei komplexen Problemen, wie zum Beispiel der Suche nach neuen Medikamenten, der Modellierung des Finanzmarkts oder der automatisierten Verbesserung von Batterien. Quantencomputer sind dementsprechend keine Universallösung, könnten aber bislang Unmögliches möglich machen.
Quantenrevolution?
Beitrag teilen:
Ähnliche Beiträge
