KI sagt Quanten-Vorteil voraus: Neuronales Netz prognostiziert Systemverhalten

KI für Quanten-Hardware-Design

• KI-Modell vorhersagt, ob gegebene Quantenmaschine Quanten-Vorteil (Quantum Advantage) hat.
• Basiert auf neuronalem Netz, das Netzwerkstruktur eines Quantensystems analysiert & Verhalten lernt.
• Hilft Wissenschaftlern, effiziente Quanten-Geräte zu entwickeln.

Problem: Computational Speedup

Quantencomputer können klassische weit übertreffen. Aber Entwicklung kostet Zeit & Geld. Keine Garantie, dass Maschine Quanten-Vorteil zeigt.

MIPT, ITMO University, Valiev Institute: Neues Tool zur Vorhersage von Quanten-Vorteil.

Quantenwalks (Quantum Walks)

Quantenwalks = Quanten-Analogon zu klassischen Random Walks. Visualisierung: Teilchen bewegt sich in Netzwerk, das Quantenkreis zugrunde liegt.

Anders als klassischer Walker: Quantenwalker-Zustand = kohärente Superposition mehrerer Positionen. Gerät hat Quanten-Vorteil, wenn Teilchen im Device-Kreis schneller Quantensprung (Netzwerkknoten zu Knoten) macht als klassisches Gegenstück.

KI identifiziert Kandidaten-Netzwerke

Machine-Learning-Modell unterscheidet Netzwerke & lernt vorherzusagen, ob gegebenes Netzwerk Quanten-Vorteil liefert. → Liefert Netzwerke für effiziente Quantencomputer.

Trainingsdaten: Simulation klassischer & quantenmechanischer Random-Walk-Dynamik. Jedes Beispiel: Adjazenzmatrix + Label („classical“ / „quantum“).

Zusatztool: Vereinfacht Entwicklung computergestützter Schaltkreise basierend auf Quantenalgorithmen. Nutzbar für Materialwissenschaft & Biophotonik.

Bedeutung von Quantenwalks

Einfachere Implementierung von Quantenberechnungen natürlicher Phänomene als Qubit/Gate-Architekturen. Beispiel: Präzise Beschreibung Anregung photosensitiver Proteine (Chlorophyll, Rhodopsin).

Proteine = komplexe Biomoleküle mit netzwerkartiger Struktur. Quantenwalk-Time zwischen Knoten verrät: Wohin Elektron wandert, welche Anregung entsteht.

Quellen: New Journal of Physics | DOI:10.1088/1367-2630/ab5c5e | MIPT