Japan startet Quantencomputer-Prototyp: 100× schneller als heutige Supercomputer

Im November 2017 stellte Japan seinen ersten Quantencomputer-Prototyp vor, der der Öffentlichkeit kostenlos über das Internet für Testläufe zugänglich gemacht wurde. Mit dieser Maschine ist Japan in den Wettlauf um den weltweit leistungsstärksten Computer mit größerer Brute-Force-Kraft eingestiegen – der Schlüssel zur vollen Ausschöpfung des Potenzials künstlicher Intelligenz.

Das Projekt wurde von der Nippon Telegraph and Telephone Corporation, der Universität Tokio, dem National Institute of Informatics, der Stanford University und finanziell unterstützt durch das japanische ImPACT-Programm der Regierung entwickelt.

Die Maschine basiert auf einem Quanten-Neuralen Netzwerk, das theoretisch komplexe Probleme rund 100-mal schneller lösen kann als herkömmliche Supercomputer. Noch beeindruckender: Sie verbraucht dabei nur 1 Kilowatt Leistung, statt 10.000 Kilowatt, die konventionelle Supercomputer für dieselbe Aufgabe benötigen. Schauen wir, was genau sie entwickelt haben und wie es funktioniert.

Quanten-Neurale Netze

Quanten-Neurale Netze (QNNs) nutzen optische parametrische Oszillatoren als Quanten-Neuronen und optische Homodyn-Mess-Rückkopplungsschaltungen als Quanten-Synapsen. Sie suchen nach Lösungen für verschiedene Kombinationsoptimierungsprobleme, indem sie kollektive Symmetriebrechung am Schwellenwert der optischen parametrischen Oszillatoren ausnutzen.

Zudem können Nutzer erleben, wie es ist, Experimente mit dem QNN und Simulationen basierend auf der Quantentheorie optischer parametrischer Oszillator-Netzwerke durchzuführen.

Einfach ausgedrückt: Im Quanten-Neuralen Netz versuchen Forscher, künstliche neuronale Netze unter Nutzung der Vorteile Quanteninformation zu integrieren, um effizientere Anwendungen zu bauen. Ziel ist es, Quantencomputing-Features (Quantenparallelismus, Interferenz, Verschränkung) als Ressourcen zu nutzen. Allerdings ist es schwierig, klassische neuronale Netze zu trainieren, besonders bei Big-Data-Anwendungen.

QNNCloud

Wenn Sie an Prinzipien und Features von Quanten-Neuralen Netzen interessiert sind, bietet QNNCloud 3 Tools:

1. Ein Whitepaper zur Quantentheorie
2. Quantensimulationsfähigkeit mit dem Shoubu-Supercomputer
3. Quantenberechnung mit QNN

Die QNNcloud basiert auf einem Netzwerk von 2000 optischen parametrischen Oszillatoren mit programmierbaren All-to-All-Verbindungen, die es Nutzern ermöglichen, NP-harte Max-Cut-Probleme der Größe bis N=2.000 auf vollständigen Graphen zu lösen (weit jenseits der Grenzen aktueller Quantencomputer), ohne Einbettungsaufwand in die Hardware.

Millionen Probleme beinhalten kontinuierliche und kombinatorische Optimierung: Leitstrukturoptimierung in der Frequenzband-Entwicklung, Sendeleistung in der drahtlosen Kommunikation, Medizin, Portfolio-Optimierung in FinTech, Boltzmann-Sampling im Machine Learning, Sparse Coding für Compressed Sensing usw.

Die meisten dieser Probleme fallen in die Komplexitätsklassen NP, NP-vollständig und NP-hart. Ihre Lösung erfordert enorme Rechenressourcen, da die Problemgröße bei jeder Iteration wächst.

Das QNN-System nutzt Quantenparallelsuche unterhalb des Oszillatorschwellenwerts, kollektive Symmetriebrechung am Schwellenwert und exponentielle Wahrscheinlichkeitsverstärkung oberhalb des Schwellenwerts, um diese Grenzen zu überwinden.

In naher Zukunft wird QNNCloud ein Simulationswerkzeug für die Entwicklung von Quantenalgorithmen für reale Anwendungen anbieten.

Hardware des QNN

Die QNN-Hardware ist weniger kompliziert, als sie klingt. In einem 1 Kilometer langen Faser-Ringresonator werden N=2.000 Pulse optischer parametrischer Oszillatoren gleichzeitig erzeugt, indem intra-kavitäre und periodisch gepolte LiNbO3-Wellenleiter-Instrumente mit einem Pulszug von 1 GHz Frequenz angeregt werden.

Quelle: QNNcloud

Eine binäre Variable wird als π-Phasen- und 0-Phasenzustand jedes Oszillatorpulses dargestellt. Alle Pulse werden unterhalb des Schwellenwerts in einer π-Phasen- und 0-Phasen-Superposition erzeugt, oberhalb des Schwellenwerts jedoch in einem der beiden Zustände. Jeweils zwei dieser Pulse können durch sequenzielle Amplitudenmessung gekoppelt werden.

Hierbei bezeichnet „Messen“ die Evaluierung einer geeigneten Rückkopplungspulsamplitude mit FPGA (Field Programmable Gate Array). Der Rückkopplungspuls wird in den Ziel-Oszillatorpuls injiziert.

All-to-All-Verbindungen für N=2.000 Pulse werden pro Rundreise ausgeführt (Dauer 5 Mikrosekunden). Wenn die externe Pump-Rate über den Schwellenwert steigt, wird die Lösung als π-Phasen- oder 0-Phasenkonfiguration nach 10 bis 1.000 Rundreisen erhalten.

QNN Simulator

Die QNN-Dynamik kann theoretisch mit Hilfe der Quanten-Master-Gleichung vorhergesagt werden, unter Berücksichtigung der Wellenpaketreduktion durch Messungen. Das Modell wird auf dem Shoubu-Supercomputer ausgeführt, und massive Parallelsimulation erlaubt die Regeneration der QNN-Dynamik in deutlich kürzerer Zeit.

Budget und Zukunftspläne

Derzeit investieren die USA über 200 Millionen $ pro Jahr in Quantencomputing-Forschung, während China Berichten zufolge ein 10-Milliarden-$ Forschungszentrum für Quantenanwendungen baut.

Japan plant, ab April 2018 fast 267 Millionen $ über ein Jahrzehnt für Quantencomputing bereitzustellen. Auch Hitachi forscht an Quantencomputing-Techniken in Partnerschaft mit der Universität Cambridge.

Algorithmen für verschiedene reale Anwendungen, Simulationswerkzeuge für neue Algorithmen und ein fortschrittlicher QNN mit rekurrenter neuronaler Netzwerkarchitektur werden in Zukunft veröffentlicht. Derzeit zielen sie auf Kommerzialisierung bis zum ersten Quartal 2020. Der Fokus liegt auf tieferen Optimierungsproblemen: Mobile Optimierung, städtische Verkehrsstaus, Entdeckung neuer Medikamente und Chemikalien.

Lesen Sie auch: 10+ interessanteste Fakten über Quantencomputer

Unterdessen arbeiten Tech-Giganten wie Microsoft, IBM und Google an eigenen Quantenmaschinen, und ihre Tests zeigen, dass der Durchbruch in Reichweite ist.