Kontext des Quantencomputings

Im folgenden Video führt dich Olivia Lanes durch den Inhalt dieser Lektion. Alternativ kannst du das YouTube-Video zu dieser Lektion in einem separaten Fenster öffnen.

Du hast diesen Kurs damit begonnen, direkt in die Ausführung deines ersten Quantum Circuits einzutauchen und zu lernen, wie die Gesetze der Quantenmechanik zur Erstellung von Quantenzuständen, Gates und Circuits verwendet werden. Lass uns jetzt etwas zurücktreten. In diesem Abschnitt werden wir das Quantencomputing durch verschiedene Rahmenperspektiven erkunden, die dir helfen, Gespräche, Schlagzeilen und Artikel über Quantencomputing mit einem kritischeren Blick zu lesen.

Es besteht kein Zweifel, dass es viel Begeisterung über das Quantencomputing gibt und die Möglichkeiten, die diese Technologie bieten könnte. Man könnte es sogar als „Hype" bezeichnen. Wie immer, wenn es Hype um eine neue Entdeckung gibt, kann es schwer sein, Fakten von Fiktion zu unterscheiden. Daher ist es am besten, mit dem zu beginnen, was Quantencomputing nicht ist:

• Quantencomputing wird traditionelle, klassische Computer nicht ersetzen — es wird auch nicht in einem „Quanten-Mobiltelefon" landen
• Es ist keine Möglichkeit, „gleichzeitig alle möglichen Antworten zu überprüfen"
• Es ist nicht universell besser als klassische Computer für alle Aufgaben
• Es ist nicht im Krieg mit KI
• Es ist nicht nutzlos, bis wir Fehlertoleranz oder Fehlerkorrektur erreichen
• Es ist keine Magie

Hoffentlich hat das dich nicht völlig vom Kurs abgeschreckt oder dich denken lassen, dass es hier wirklich nichts Wertvolles gibt. Ganz im Gegenteil! Quantencomputing hat das Potenzial, immens leistungsfähig zu sein — aber nur für bestimmte Anwendungen. Glücklicherweise umfassen diese Anwendungen Bereiche aktiver Forschung, die die Art und Weise, wie wir wichtige Probleme angehen, grundlegend verändern könnten, wie z. B. Chemiesimulationen, Materialforschung und die Analyse großer Datensätze. Bevor wir diese Anwendungsbereiche erkunden, lass uns zunächst einige dieser Missverständnisse genauer beleuchten.

Skalierung

Ein weiteres häufiges Missverständnis bezüglich Quantencomputer ist, dass sie umso leistungsfähiger sind, je mehr Qubits sie haben. Obwohl das nicht unbedingt falsch ist, zeichnet es kein vollständiges Bild. Während das Hochskalieren in der Quantität sicherlich ein entscheidendes Element ist, ist es nicht wichtiger als die Qualität der Qubits selbst. Qualität wird auf verschiedene Weisen gemessen; einer der wichtigsten Faktoren sind Kohärenz- und Dephasierungszeiten, also $T_1$ bzw. $T_2$. Das sind Messungen dafür, wie lange Quanteninformationen in einem Qubit stabil bleiben können. Als die ersten supraleitenden Qubits demonstriert wurden, lag diese Zahl im Bereich von Nanosekunden (Nakamura et al., 1999); heute produzieren wir regelmäßig Qubits mit stabilen Kohärenzzeiten von hunderten Mikrosekunden.

Eine weitere wichtige Komponente, auf die wir achten, wenn wir sehen wollen, wie sich Quantencomputer verbessern, ist Geschwindigkeit. Zur Messung der Geschwindigkeit verwenden wir etwas namens Circuit Layer Operations per Second (CLOPS). CLOPS berücksichtigt sowohl die Zeit zur Ausführung eines Circuits als auch die klassische Berechnung in Echtzeit und naher Echtzeit, sodass es als ganzheitliches Einzelmaß für die Geschwindigkeit dienen kann.

All diese drei Elemente zusammen sind notwendig, um den Weg zu einem fehlertoleranten, universellen Quantencomputer fortzusetzen. Deshalb wirst du beim Blick auf die IBM Quantum® Roadmap feststellen, dass einige Sprünge zwischen Prozessoren keine großen Zuwächse bei der Qubit-Anzahl aufweisen. Bemerke zum Beispiel den moderaten Qubit-Zuwachs zwischen Heron und Nighthawk, denn das ist nicht der eigentliche Fokus dieser Verbesserung. Stattdessen implementiert Nighthawk eine neue Konnektivitätstopologie, die andere Fehlerkorrekturcodes ermöglichen wird.

Fehlerkorrektur versus Fehlerminimierung

Fehlerkorrektur bleibt eines der größten langfristigen Ziele für Forscher im Bereich Quantencomputing. Sie basiert auf der Prämisse, dass Qubits immer etwas verrauscht und fehleranfällig bleiben werden, und wenn wir groß angelegte Algorithmen ausführen wollen, wie z. B. den von Shor, werden wir die Fähigkeit benötigen, diese Fehler in Echtzeit zu erkennen und zu korrigieren. Es gibt viele Arten von fehlerkorrigierenden Codes; wir verweisen dich auf andere Kurse (wie den Kurs Foundations of quantum error correction), wenn du tiefer in diese Materie eintauchen möchtest.

Fehlerminimierung hingegen wird bereits regelmäßig eingesetzt, um Quantencomputing-Ergebnisse zu verbessern. Die Idee hinter der Fehlerminimierung ist, dass wir akzeptieren, dass Fehler auftreten werden, und versuchen, ihr Verhalten vorherzusagen, um die Auswirkungen dieser Fehler zu reduzieren. Es gibt viele Fehlerminimierungstechniken; viele erfordern mehrere Ausführungen auf einem Quantencomputer plus einige klassische Nachverarbeitung. Es ist unwahrscheinlich, dass Fehlerkorrektur die Fehlerminimierung vollständig ersetzen wird. Stattdessen gehen wir davon aus, dass beide zusammen verwendet werden, um die bestmöglichen Ergebnisse von Quantencomputern zu erzielen.

Komponenten des Quantencomputings

Zuvor haben wir erwähnt, dass es ein häufiges Missverständnis ist, dass Quantencomputer eines Tages klassische Computer ersetzen werden. Das ist eindeutig nicht der Fall; Quantencomputer und klassische Computer sind nicht wirklich im Krieg und versuchen nicht, sich gegenseitig zu ersetzen. Tatsächlich brauchen Quantencomputer klassische Computer zum Funktionieren, wie im vorherigen Abschnitt festgestellt. Wenn wir allgemein von „Computern" sprechen, gehen wir normalerweise davon aus, dass diese alle Komponenten wie eine CPU, RAM, Speicher und so weiter umfassen. Ein Quantencomputer hingegen hat nicht all diese Komponenten. Wenn Menschen von einem Quantencomputer sprechen, meinen sie oft eigentlich die QPU oder Quantum Processing Unit, die die Verarbeitungsrolle der CPU übernimmt. Die QPU selbst ist kein Allzweckcomputer. Sie hat kein Betriebssystem, verwaltet keinen Speicher und verarbeitet keine Benutzeroberflächen. Ihre einzige Rolle ist es, Qubits gemäß sorgfältig kontrollierten Quantenoperationen zu manipulieren, bevor die Messergebnisse an ein klassisches System zurückgegeben werden.

In der Praxis sind die heutigen Quantencomputer am besten als hybride Systeme zu verstehen. Ein klassischer Computer orchestriert den Arbeitsablauf — bereitet Eingaben vor, kompiliert Quantum Circuits, plant Jobs und verarbeitet Ergebnisse nach — während die QPU nur den Quantenteil der Berechnung ausführt. Selbst wenn sich die Quantenhardware weiterentwickelt, wird diese Arbeitsteilung voraussichtlich bestehen bleiben, wobei der Fokus auf engerer Integration und schnellerer Kommunikation zwischen klassischen Systemen und QPUs liegt, anstatt klassische Komponenten vollständig zu eliminieren.

Wahrscheinliche Anwendungsgebiete des Quantencomputings

Wir unterteilen die Bereiche, in denen wir glauben, dass Quantencomputing am wirkungsvollsten sein wird, grob in vier Kategorien: Optimierung, Hamiltonian-Simulation, Partielle Differentialgleichungen (PDEs) und maschinelles Lernen.

Hamiltonian-Simulation

Dieses Thema dreht sich um die Simulation quantenmechanischer Prozesse in der Natur. Im Kern umfasst es zwei breite Aufgaben: die Suche nach der Grundzustandsenergie eines durch seinen Hamiltonian beschriebenen Systems, der die Gesamtenergie und Wechselwirkungen innerhalb des Systems kodiert, und die Simulation, wie sich dieses System im Laufe der Zeit entwickelt (Quantendynamik).

Dies ist eines der natürlichsten Anwendungsgebiete für Quantencomputer: Quantensysteme sind notorisch schwer auf klassischen Computern zu simulieren, weil die Größe des Quantenzustandsraums exponentiell mit der Anzahl der Teilchen wächst. Quantencomputer hingegen repräsentieren Quantenzustände direkt, was sie — zumindest im Prinzip — gut für diese Art von Problemen geeignet macht.

Wichtige Anwendungsgebiete umfassen:

• Chemie und Materialwissenschaft: Vorhersage von Molekülstruktur, Reaktionswegen, Bindungsenergien und Materialeigenschaften
• Kondensierte Materie-Physik: Untersuchung stark korrelierter Systeme, Phasenübergänge und exotischer Quantenzustände
• Hochenergie- und Kernphysik: Modellierung von Teilchenwechselwirkungen

Langfristig könnten Fortschritte in der Hamiltonian-Simulation Folgendes ermöglichen:

• Präzisere Medikamentenentdeckung und Katalysatorentwicklung
• Entdeckung neuer Materialien für Batterien
• Tiefere Einblicke in grundlegende physikalische Phänomene

Viele der am besten untersuchten Quantenalgorithmen, wie z. B. SQD, wurden speziell mit Blick auf Hamiltonian-Simulation entwickelt. Daher wird diese Kategorie oft als einer der wissenschaftlich überzeugendsten und theoretisch fundiertesten Anwendungsfälle für Quantencomputing angesehen.

Optimierung

Optimierungsprobleme beinhalten das Finden der besten Lösung aus einer großen Menge möglicher Lösungen unter Berücksichtigung von Einschränkungen. Diese Probleme treten in Wissenschaft, Technik und Industrie auf und werden oft rechnerisch unlösbar, wenn die Problemgröße zunimmt.

Beispiele umfassen:

• Planung und Routing (z. B. Lieferketten, Verkehrsfluss, Flugplanung)
• Portfolio-Optimierung und Risikomanagement (Finanzen)
• Ressourcenzuweisung und Logistik
• Kombinatorische Probleme wie Graphenpartitionierung und Max-Cut

Viele Optimierungsprobleme werden in der Komplexitätstheorie als NP-schwer eingestuft, was bedeutet, dass klassische Algorithmen typischerweise auf Heuristiken oder Näherungen für große Instanzen angewiesen sind. Da Qubits sich anders verhalten als klassische Bits, können wir Lösungen anders modellieren. Das könnte es uns ermöglichen, Lösungsräume schneller oder vollständiger zu erkunden als klassische Algorithmen.

Gängige Quantenansätze umfassen:

• Variationsalgorithmen, wie der Quantum Approximate Optimization Algorithm (QAOA)
• Hybride klassisch-quantenmechanische Arbeitsabläufe, bei denen klassische Solver quantenmechanische Subroutinen leiten und verfeinern

Während es noch eine offene Frage ist, wann — oder für welche Probleme — Quantenoptimierung einen klaren Vorteil gegenüber klassischen Methoden auf dem neuesten Stand der Technik liefern wird, bleibt Optimierung aufgrund ihrer Allgegenwärtigkeit und der natürlichen Abbildung zwischen Optimierungszielen und Quanten-Hamiltonians ein wichtiges Interessengebiet.

Partielle Differentialgleichungen (PDEs)

Partielle Differentialgleichungen beschreiben, wie sich physikalische Größen über Raum und Zeit verändern. Sie bilden die Grundlage vieler der wichtigsten Modelle in Wissenschaft und Technik, einschließlich Fluiddynamik, Elektromagnetismus, Wärmeübertragung und Finanzmodellierung.

Beispiele umfassen:

• Navier-Stokes-Gleichungen für Strömungsdynamik
• Schrödinger- und Wellengleichungen
• Maxwell-Gleichungen
• Black-Scholes und verwandte Finanz-PDEs

Das numerische Lösen von PDEs auf klassischen Computern erfordert oft feine räumliche Gitter und lange Zeitentwicklungen, was zu hohen Rechenkosten und hohem Speicherbedarf führt.

Quantenalgorithmen für PDEs stützen sich typischerweise auf Folgendes:

• Abbildung von PDEs auf große Systeme linearer Gleichungen
• Quantenlinearalgebra-Subroutinen, wie den HHL-Algorithmus und seine Varianten
• Hybride Arbeitsabläufe, bei denen klassische Vorverarbeitung und Nachverarbeitung Quantenkerne umrahmen

Theoretisch können bestimmte Quantenansätze unter bestimmten Annahmen (wie effizienter Zustandsvorbereitung und Auslese) exponentielle oder polynomielle Beschleunigungen bieten. In der Praxis wird das Lösen von PDEs voraussichtlich eine längerfristige Anwendung sein, die eng mit Fortschritten in der fehlertoleranten Quantenrechnung und der Quanten-klassischen Integration mit High-Performance-Computing (HPC)-Systemen verknüpft ist.

Maschinelles Lernen

Quantenmaschinelles Lernen (QML) untersucht, wie Quantencomputer Aspekte des maschinellen Lernens und der Datenanalyse verbessern oder beschleunigen könnten. Das umfasst sowohl Folgendes:

• Die Verwendung von Quantencomputern zur Erkundung von Klassifikationsproblemen mit anderem Klassifikationsverhalten als klassische Algorithmen
• Die Entwicklung neuer Modelle, die von Natur aus quantenmechanischer Natur sind

Vorgeschlagene Anwendungen umfassen Folgendes:

• Klassifikation und Clustering
• Kernel-Methoden und Feature-Maps
• Optimierungssubroutinen innerhalb von Trainingsschleifen

Viele QML-Algorithmen nutzen Folgendes:

• Parametrisierte Quantum Circuits als trainierbare Modelle
• Variationsoptimierungstechniken
• Quantenkerne, die implizit in hochdimensionalen Feature-Räumen arbeiten

Maschinelles Lernen ist jedoch ein besonders herausforderndes Gebiet für Quantenvorteile. Klassisches maschinelles Lernen ist äußerst ausgereift, und Quantenmodelle müssen sich mit Problemen wie dem Laden von Daten, Rauschen und Skalierung auseinandersetzen.

Daher konzentriert sich die aktuelle Forschung auf diese Bereiche:

• Identifizierung spezifischer Regime, in denen Quantenmodelle klassische übertreffen könnten
• Erkundung von QML als Teil hybrider Arbeitsabläufe anstatt als eigenständige Ersatzsysteme
• Verständnis der Ausdruckskraft, Trainierbarkeit und Generalisierung von Quantenmodellen

Quantenmaschinelles Lernen bleibt ein aktives Forschungsgebiet mit potenziellem langfristigen Einfluss — aber auch mit erheblichen offenen Fragen darüber, wann und wo praktische Vorteile entstehen werden.

Fazit

Diese Lektion hat deutlich gemacht, dass Quantenvorteile nicht darin bestehen, Computer zu ersetzen. Es geht darum, das Berechenbare zu erweitern. Es ist eines der ambitioniertesten Ingenieursprojekte, die Menschen je versucht haben. Und wie bei allen ambitionierten Projekten ist es unordentlich, langsam und ziemlich erstaunlich.

Wenn du mehr darüber erfahren möchtest, wie diese Algorithmen tatsächlich funktionieren, zeigt dir die nächste Lektion, wohin du von hier aus gehen kannst, basierend auf deinen Interessen und Karrierezielen.