Eine quanteninspirierte Klassifikation für zufällige gemischte Zustände

Warum verborgene Quantenmuster wichtig sind

Quantentechnologien wie ultrasichere Kommunikation und leistungsstarke neue Rechner beruhen auf einer ungewöhnlichen Art von Verknüpfung zwischen Teilchen, sogenannten Korrelationen, insbesondere Verschränkung. Im Labor sind reale Quantensysteme jedoch unordentlich und verrauscht, wodurch es schwerfällt zu erkennen, welche Art von Korrelationen tatsächlich vorliegen. Diese Arbeit stellt eine neue Methode vor, um verrauschte Quantenzustände automatisch in drei große Familien zu sortieren — unkorrelierte, klassisch korrelierte und wirklich verschränkte Zustände — und nutzt dabei Ideen, die davon inspiriert sind, wie ein Quantenmessgerät selbst Zustände unterscheiden würde. Das Verfahren läuft auf einem gewöhnlichen Computer, ist jedoch von Grund auf durch die Quantenphysik geleitet.

Quantenzustände wie E‑Mails sortieren

Ingenieure nutzen zunehmend maschinelles Lernen, um Muster in Quantendaten zu erkennen, ähnlich wie Spam‑Filter E‑Mails sortieren. Manche Ansätze laufen direkt auf Quantenhardware, andere verwenden klassische Algorithmen, die sich lediglich von der Quantentheorie inspirieren lassen. Maßgeblich für diese Methoden ist, ob sie verschiedene Korrelationsmuster in kleinen Systemen von Qubits korrekt klassifizieren können. Bei zwei und drei Qubits können Zustände völlig unabhängig, nur klassisch gemischt oder auf genuine Weise verschränkt sein — Letzteres ist die Ressource für Quantentechnologien. Diese Fälle zu unterscheiden ist für idealisierte, perfekt vorbereitete Zustände einfach; wird jedoch Rauschen und Imperfektion hinzugefügt, entstehen sogenannte gemischte Zustände, die viele Möglichkeiten überlagern, und die Aufgabe wird deutlich schwieriger.

Ein von Quantenmessungen inspiriertes Klassifikationsverfahren

Die Autoren bauen auf einem Rahmen auf, der als Pretty‑Good‑Measurement (PGM) Klassifikator bekannt ist und zuvor an idealen reinen Zuständen getestet wurde. In der Quantentheorie kann eine Messung so konstruiert werden, dass sie mehrere mögliche Zustände so zuverlässig wie möglich auseinanderhält, wenn Beispiele für jede Option vorliegen. Das PGM ist ein konkretes Rezept für eine solche nahezu optimale Messung. Die Forscher übertragen diese Idee in eine Klassifikationsregel für numerische Daten: Sie wandeln zunächst jeden Quantenzustand im Trainingssatz in eine Matrixdarstellung um und berechnen dann eine durchschnittliche „Prototyp“-Matrix für jede Klasse. Aus diesen Prototypen und ihren Häufigkeiten konstruieren sie mathematisch eine Menge messungsähnlicher Operatoren, die bei Anwendung auf einen neuen Zustand Werte liefern, die angeben, wie wahrscheinlich eine Zugehörigkeit zu jeder Klasse ist. Im Gegensatz zu neuronalen Netzen erfordert dieses Verfahren kein iteratives Training; sind die Klassenmittelwerte erst bekannt, ist die Entscheidungsregel mathematisch festgelegt.

Faire und realistische Quantendatensätze erzeugen

Um ihre Methode fair zu testen, müssen die Autoren zufällige gemischte Zustände erzeugen, die tatsächlich die gesamte Bandbreite möglicher Korrelationen abdecken, ohne versteckte Verzerrungen. Naive Stichprobenverfahren für Matrizen neigen dazu, fast reine oder nahezu vollständig zufällige Zustände zu produzieren und verpassen damit den interessanten Mittelbereich. Stattdessen verwendet das Team symmetriegestützte Konstruktionen aus der Quantentheorie: Sie beginnen mit gleichmäßig zufälligen reinen Zuständen in einem größeren System und „spuren“ mathematisch eine unsichtbare Umgebung heraus, wodurch gemischte Zustände für die interessierenden Qubits übrig bleiben. Durch die sorgfältige Wahl der Größe dieser Umgebung können sie steuern, wie verrauscht die resultierenden Zustände sind und wie häufig Verschränkung auftritt. Sie definieren klare, operationelle Regeln zur Kennzeichnung jedes Zustands — unter Verwendung standardmäßiger Tests, um zu entscheiden, ob ein Zustand separabel, teilweise korreliert oder sicher verschränkt ist — und stellen ausgewogene Datensätze sowohl für Zwei‑Qubit‑ als auch Drei‑Qubit‑Systeme zusammen.

Wie gut schlägt sich der quanteninspirierte Ansatz?

Mit diesen Datensätzen tritt der PGM‑Klassifikator gegen eine Reihe bekannter klassischer Methoden an, darunter Entscheidungsbäume, Random Forests, Support‑Vector‑Machines und neuronale Netze. Für Zwei‑Qubit‑Systeme erreicht das PGM ausgeglichene Genauigkeiten über 90 Prozent und kommt damit an die besten neuronalen und kernelbasierten Modelle heran. Bei Drei‑Qubit‑Problemen, in denen die Struktur der Korrelationen reicher und subtiler wird, hält das PGM seine relative Leistung und verbessert sie teilweise sogar, wobei es erneut führende klassische Techniken erreicht. Wenn die Autoren die Aufgabe verfeinern, um mehrere verschiedene Ausprägungen separabler Drei‑Qubit‑Zustände zu unterscheiden, wird das Problem für alle Methoden schwieriger. Auch dann bleibt das PGM wettbewerbsfähig: Es erfasst die Hauptmuster, verwirrt aber wie andere Klassifikatoren gelegentlich eng verwandte Klassen, deren statistische Signaturen naturgemäß überlappen.

Was das für künftige Quantentools bedeutet

Für Nicht‑Spezialisten lautet die zentrale Botschaft, dass es eine prinzipiengeleitete Möglichkeit gibt, die Regeln der Quantenphysik zur Steuerung des Trainings von Maschinen zur Erkennung quantenmechanischer Ressourcen heranzuziehen — ohne den Zugriff auf einen echten Quantencomputer zu benötigen. Der Pretty‑Good‑Measurement‑Klassifikator liefert ein transparentes, physikalisch fundiertes Rezept zum Sortieren verrauschter Quantenzustände nach der Art der von ihnen getragenen Korrelationen. Er liefert Leistungen auf Augenhöhe mit ausgefeilten Black‑Box‑Modellen und bietet zugleich klarere Verbindungen zu messbaren Größen und möglichen Wegen zur Hardware‑Implementierung. Mit dem Wachstum von Quantenapparaten in Größe und Komplexität könnten solche quanteninspirierten, aber klassischen Werkzeuge wertvolle Arbeitspferde für Benchmarking, Diagnose und letztlich die Nutzbarmachung von Verschränkung in realistischen, imperfekten Umgebungen werden.

Zitation: Sergioli, G., Cuccu, C., Rieger, C.S. et al. A quantum-inspired classification for random mixed states. Sci Rep 16, 10668 (2026). https://doi.org/10.1038/s41598-026-44068-5

Schlüsselwörter: Quantenverschränkung, Quantenmaschine-Learning, gemischte Quantenzustände, Quantenzustandsklassifikation, Pretty-Good-Measurement