Japan bringt Quantencomputer-Prototyp auf den Markt, der 100-mal schneller ist als aktuelle Supercomputer

Im November 2017 stellte Japan seinen ersten Quantencomputer-Prototyp vor, der der Öffentlichkeit kostenlos über das Internet für Testzwecke zugänglich gemacht wird. Mit dieser Maschine hat sich Japan dem Wettlauf um den Bau des leistungsstärksten Computers der Welt mit größerer Brute-Force angeschlossen, was der Schlüssel zur Ausschöpfung des vollen Potenzials der künstlichen Intelligenz ist.

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

Die Maschine basiert auf einem neuronalen Quantennetzwerk, das komplexe Probleme theoretisch rund 100-mal schneller lösen kann als herkömmliche Supercomputer. Noch beeindruckender ist, dass er all dies tut und dabei nur 1 Kilowatt Strom verbraucht, statt 10.000 Kilowatt, die herkömmliche Supercomputer für die gleiche Aufgabe verbrauchen. Lassen Sie uns herausfinden, was genau sie entwickelt haben und wie es funktioniert.

Quantenneurale Netze

Quantum Neural Networks (QNNs) nutzen optische parametrische Oszillatoren als Quantenneuronen und optische Homodyn-Messungs-Rückkopplungsschaltungen als Quantensynapsen. Es wird nach einer Lösung für mehrere Kombinationen von Optimierungsproblemen gesucht, indem kollektive Symmetriebremsung an der Schwelle optischer parametrischer Oszillatoren ausgenutzt wird.

Darüber hinaus können Nutzer erleben, wie es tatsächlich ist, Experimente mit dem QNN und Simulationen auf Basis der Quantentheorie optischer parametrischer Oszillatornetzwerke durchzuführen.

Vereinfacht ausgedrückt versuchen Forscher in neuronalen Quantennetzwerken, künstliche neuronale Netzwerkmodelle zu integrieren und dabei die Vorteile von Quanteninformationen zu nutzen, um effizientere Anwendungen zu entwickeln. Ziel ist es, Quantencomputing-Merkmale (Quantenparallelität, Interferenz, Verschränkung) als Ressourcen zu nutzen. Allerdings ist es ziemlich schwierig, klassische neuronale Netze zu trainieren, insbesondere in Big-Data-Apps. 

QNNCLoud

Wenn Sie sich für die Prinzipien und Funktionen des Quanten-Neuronalen Netzwerks interessieren, bietet die QNNCloud drei Tools –

1. Ein Whitepaper zur Erläuterung der Quantentheorie
2. Quantensimulationsfähigkeit mit 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 Benutzern ermöglichen, NP-Hard-Max-Cut-Probleme mit einer Größe von bis zu N=2.000 auf vollständigen Graphen zu lösen (was weit über die Grenzen aktueller Quantencomputer hinausgeht), ohne den Aufwand zu betreiben, einen Zielgraphen in die Hardware der Maschine einzubetten.

Es gibt Millionen von Problemen, die eine kontinuierliche und kombinatorische Optimierung erfordern, wie z. B. die Optimierung von Leitverbindungen bei der Entwicklung von Frequenzbändern, die Übertragungsleistung in der drahtlosen Kommunikation, die Medizin, die Portfoliooptimierung in der Finanztechnologie, das Boltzmann-Sampling beim maschinellen Lernen, die Sparse-Codierung für komprimierte Abtastung usw.

Die meisten dieser Probleme fallen in die Klassen „Nichtdeterministische Polynome“ (NP), „NP Complete“ und „NP Hard“ in der Komplexitätstheorie. Es erfordert eine enorme Menge an Rechenressourcen, um sie zu lösen, da die Größe des Problems mit jeder Iteration zunimmt.

Das QNN-System nutzt die quantenparallele Suche unterhalb der Schwelle optischer parametrischer Oszillatoren, das Brechen der kollektiven Symmetrie bei der Schwelle und die exponentielle Wahrscheinlichkeitsverstärkung oberhalb der Schwelle, um mit diesen Einschränkungen umzugehen.

In naher Zukunft wird die QNNcloud ein Simulationstool zur Entwicklung von Quantenalgorithmen für reale Anwendungen anbieten.

Hardware von QNN

Die QNN-Hardware ist nicht so kompliziert, wie es sich anhört. In einem ein Kilometer langen Faserringhohlraum werden gleichzeitig N=2.000 Impulse eines optischen parametrischen Oszillators erzeugt, indem ein periodisch gepoltes LiNb03-Wellenleiterinstrument innerhalb des Hohlraums mithilfe einer Impulsfolge mit einer Frequenz von 1 GHz angeregt wird.

Quelle:QNNcloud

Eine binäre Variable wird als π-Phasen- und 0-Phasen-Zustand jedes optischen parametrischen Oszillatorimpulses dargestellt. Alle Impulse werden in einer π-Phasen- und 0-Phasen-Überlagerung unterhalb des Schwellenwerts erzeugt, wobei jedoch einer der beiden oberhalb des Schwellenwerts liegt. Jedes Paar dieser Impulse könnte durch sequentielles Messen ihrer Amplitude gekoppelt werden.

Unter Messen versteht man hier die Evaluierung einer geeigneten Feedback-Pulsamplitude mit FPGA (kurz für Field Programmable Gate Array). Die Rückkopplung wird dann in den optischen parametrischen Oszillatorimpuls des Ziels eingespeist.

Alle-zu-alle-Verbindungen für N=2.000 Pluspunkte werden bei jedem Roundtrip ausgeführt (der 5 Mikrosekunden dauert). Wenn die externe Pumpenrate über den Schwellenwert ansteigt, wird die Lösung nach 10 bis 1.000 Hin- und Rückläufen als π-Phasen- oder 0-Phasen-Konfiguration erhalten.

QNN-Simulator

Die QNN-Dynamik kann theoretisch mit Hilfe der Quanten-Master-Gleichung unter Berücksichtigung der durch Messungen induzierten Wellenpaketreduzierung vorhergesagt werden. Das Modell wird auf dem Shoubu-Supercomputer ausgeführt und eine umfangreiche Parallelsimulation ermöglicht es, die QNN-Dynamik in deutlich kürzerer Zeit wiederherzustellen.

Budget und Zukunftspläne

Derzeit geben die Vereinigten Staaten mehr als 200 Millionen US-Dollar pro Jahr für die Forschung und Entwicklung der Quantencomputertechnologie aus, während China Berichten zufolge ein 10 Milliarden US-Dollar teures Forschungszentrum für Quantenanwendungen baut.

Japan hingegen hat geplant, ab April 2018 über einen Zeitraum von einem Jahrzehnt fast 267 Millionen US-Dollar für Quantencomputer bereitzustellen. Außerdem erforscht Hitachi in Zusammenarbeit mit der Universität Cambridge Quantencomputertechniken.

Die Algorithmen für verschiedene reale Anwendungen, Simulationstools zur Entwicklung neuer Algorithmen und ein fortschrittliches QNN mit rekurrenter neuronaler Netzwerkarchitektur werden in Zukunft veröffentlicht. Derzeit streben sie die Kommerzialisierung bis zum ersten Quartal 2020 an. Sie werden sich auf tiefere Optimierungsprobleme mit mobiler Optimierung, städtischen Verkehrsstaus und der Entdeckung neuer Medikamente und Chemikalien konzentrieren.

Lesen Sie:10+ interessanteste Fakten über Quantencomputer

Unterdessen arbeiten Technologiegiganten wie Microsoft, IBM und Google an ihren eigenen Quantenmaschinen, und ihre Tests zeigen, dass der Durchbruch in greifbarer Nähe ist.