Die Ausbildung parametrischer Wechselwirkungen in einem analogen bosonischen Quanten-Neuronalen Netzwerk mit Fock-Basis-Messung

Intelligentes Lernen mit Quantenwellen

Moderne künstliche Intelligenz läuft auf neuronalen Netzen aus Transistoren und digitalem Code. Diese Studie untersucht, wie eine ganz andere Hardware — aufgebaut aus winzigen schwingenden elektromagnetischen Feldern, die den Regeln der Quantenphysik gehorchen — so trainiert werden kann, dass sie Muster in Daten erkennt. Die Arbeit zeigt, wie ein solches Quanten-Neuronales Netzwerk praktisch entworfen und trainiert werden kann, sodass es eines Tages Informationen direkt innerhalb zukünftiger Quantenmaschinen verarbeiten könnte.

Eine neue Art von Quanten-Geist

Die Autoren konzentrieren sich auf Systeme aus lichtähnlichen Anregungen, so genannten Bosonen, die in Mikrowellen- oder optischen Resonatoren gespeichert sind. Diese Resonatoren können Energie austauschen und bei Anregung durch äußere Signale Paarerzeugungen von Teilchen bewirken. Für sich genommen sind diese Wechselwirkungen linear beschrieben, was gewöhnlich zu einfach ist, um leistungsfähiges Lernen zu ermöglichen. Der entscheidende Kniff besteht darin, die physikalische Entwicklung linear zu belassen, aber das System mittels Photonenzählung auszulesen, was von Natur aus nichtlineare Antworten erzeugt. Durch sorgfältige Wahl der Anregungs- und Kopplungsformen verhält sich das Quanten-Bauteil wie ein analoges neuronales Netzwerk, das Eingabedaten in nützliche Ausgabemerkmale überführt.

Die schwere Arbeit dem klassischen Rechner überlassen

Das Training gewöhnlicher neuronaler Netze beruht auf Backpropagation, einer Methode, die Parameter effizient durch Folgen von Gradienten des Verlustfunktion anpasst. Diese Idee direkt auf ein großes Quantensystem anzuwenden ist meist unmöglich, weil die vollständige Simulation seiner Dynamik schnell unüberschaubar wird. Die Innovation dieser Arbeit besteht darin, die spezielle Struktur sogenannter gaußscher Zustände auszunutzen, bei denen die Entwicklung von Mittelwerten und Fluktuationen kompakt beschrieben werden kann. Die Quantenhardware würde den Vorwärtsschritt ausführen und die physikalischen Felder entwickeln, während ein klassisches Modell derselben gaußschen Dynamik, das sich leicht simulieren lässt, zur Berechnung der Gradienten verwendet wird. Diese hybride Strategie ermöglicht ein End-to-End-Training der physikalischen Anregungsstärken und Kopplungen, ohne dass Gradienteninformationen aus dem Quantengerät selbst extrahiert werden müssen.

Das Gerät Muster erkennen lehren

Um ihren Ansatz zu testen, simulieren die Forschenden mehrere Lernaufgaben mit wachsender Schwierigkeit. Zuerst fordern sie ein kleines Netzwerk aus zwei Resonatoren auf, zwischen Sinus- und Rechteckwellen zu unterscheiden, die als kurze Zeitreihen präsentiert werden. Indem sie nur die Wahrscheinlichkeit messen, dass ein Resonator nach jeder Eingabe null Photonen enthält, und ein gradientenbasiertes Training der physischen Parameter einsetzen, erreicht das Modell perfekte Klassifikation. Im Vergleich zu einer untrainierten „Reservoir“-Variante derselben Hardware, die viele Auslesungen verwendet, benötigt das trainierte Netzwerk deutlich weniger gemessene Größen und deutlich weniger Experimente, um dieselbe Genauigkeit zu erzielen.

Die beste Art, Daten einzuspeisen finden

Das Team untersucht anschließend ein klassisch schwieriges Problem, bei dem Punkte einer von zwei ineinander verschlungenen Spiralen in der Ebene zugeordnet werden müssen. Diese Aufgabe erfordert starke Nichtlinearität. Mithilfe von vier gekoppelten Resonatoren vergleichen sie mehrere Möglichkeiten, die beiden Eingangskoordinaten in die physikalischen Steuergrößen zu codieren, etwa die Amplitude oder Phase der Anregungstöne und verschiedener Kopplungsprozesse. Sie finden, dass das Einbetten der Daten in die Stärke oder Phase einer speziellen Wechselwirkung, die Photonenpaare erzeugt, besonders wirkungsvoll ist und perfekte Klassifikation ermöglicht, während nur eine Photon-Wahrscheinlichkeit ausgelesen wird. Andere Codierungsoptionen benötigen viele mehr Messausgaben oder erreichen nie volle Genauigkeit. Das zeigt, dass die Art, wie Daten in das Quantenbauteil geschrieben werden, die effektive Nichtlinearität stark bestimmt.

Von handgeschriebenen Ziffern zu zukünftigen Geräten

Schließlich bearbeiten die Autoren eine kleine Bild­erkennungsaufgabe mit handgeschriebenen Ziffern, dargestellt als 8 × 8 Pixelraster. Mit sechs Resonatoren und mehreren Paarerzeugungsprozessen speisen sie die Pixel über mehrere Zeitschichten ein, eine Strategie ähnlich dem wiederholten Präsentieren derselben Quanten-Schaltung mit neuen Daten. Nach dem Training von einigen hundert physischen und klassischen Parametern klassifiziert das Modell unbekannte Ziffern mit über 97 Prozent Genauigkeit, während nur eine überschaubare Menge an Photonenzähl-Ergebnissen gemessen wird. Im Gegensatz dazu erreicht dieselbe Hardware als untrainiertes Reservoir selbst bei mehr Messungen deutlich niedrigere Leistungen, was den Vorteil der Optimierung der physikalischen Wechselwirkungen unterstreicht.

Warum das für Quantentechnologie wichtig ist

Die Studie zeigt, dass Netze aus linear entwickelnden bosonischen Modi, kombiniert mit nichtlinearer Photonenzählung, sowohl ausdrucksstark als auch mit bekannten Gradientenverfahren trainierbar sein können. Während die vorliegende Arbeit auf klassische Simulation zur Trainingsführung angewiesen ist und deshalb größenmäßig begrenzt bleibt, passen die zugrundeliegenden Zutaten gut zu bestehenden supraleitenden und photonischen Plattformen, die bereits abstimmbare parametrische Kopplungen unterstützen. Das eröffnet einen realistischen Weg zu Quantenhardware, die nicht nur Informationen quantenmechanisch verarbeitet, sondern auch wie heutige neuronale Netze trainiert werden kann und potenziell als intelligente Frontend für zukünftige Quantensensoren und -prozessoren dient.

Zitation: Dudas, J., Carles, B., Gouzien, E. et al. Training the parametric interactions in an analog bosonic quantum neural network with Fock basis measurement. Sci Rep 16, 14997 (2026). https://doi.org/10.1038/s41598-026-45038-7

Schlüsselwörter: quanten-neuronale netze, bosonische Modi, gaußsche Dynamik, Photonenzählung, quantum machine learning