Quanten‑hyperdimensionale Berechnung: ein grundlegendes Paradigma für quantenneuromorphe Architekturen

Warum diese neue Art des Rechnens wichtig ist

Computer sind allgegenwärtig, doch viele der derzeit schwierigsten Probleme – vom Entschlüsseln von Genomen bis zur Suche nach neuen Medikamenten – überfordern noch immer selbst die schnellsten Maschinen. Gleichzeitig entwickeln sich Quantencomputer von Laborexoten zu praktischen Werkzeugen. Dieses Papier stellt einen Ansatz vor, der diese Entwicklungen verbindet: ein Rahmenwerk namens quantum hyperdimensional computing (QHDC), das von Grund auf so konzipiert ist, dass Quantenhardware in gehirnähnlicher, musterbasierter Weise „denken“ kann.

Von langen Zahlen zu reichhaltigen Mustern

Klassische Computer behandeln Informationen meist als präzise Zahlen, die Schritt für Schritt verarbeitet werden. Die hyperdimensionale Berechnung (HDC) geht anders vor: Informationen werden als sehr lange Vektoren dargestellt – denken Sie an riesige Pfeile im Raum – wobei jeder Pfeil ein Konzept, ein Bild oder sogar einen Satz kodiert. Einfache Operationen mit diesen Pfeilen können Konzepte miteinander verbinden (etwa ein Land mit seiner Währung verknüpfen), viele Beispiele zu einem Prototyp bündeln oder Komponenten permutieren, um Reihenfolgen zu speichern. Da die Information über viele Komponenten verteilt ist, sind diese Repräsentationen von Natur aus robust gegenüber Rauschen und gut geeignet, schnell aus wenigen Beispielen zu lernen.

Gehirnähnliche Codes mit Quantenmaschinen verbinden

Die Autoren zeigen, dass die zentralen Kniffe der HDC überraschend gut zu der Arbeitsweise von Quantencomputern passen. In QHDC wird jeder hochdimensionale Vektor als Quantenzustand realisiert, der sich über viele Basiskonfigurationen weniger Qubits erstreckt. Positive und negative Einträge im Vektor werden in unterschiedliche Quantenspielphasen verwandelt, was es einfach macht, zwei Vektoren zu kombinieren, indem man ihre Phasenmuster überlagert. Operationen, die viele Beispiele zu einem Prototyp bündeln, werden mit fortgeschrittenen Quantenroutinen ausgeführt, die mehrere Quantenzustände sorgfältig addieren, während Reihenfolgeninformation durch eine quantisierte Version einer Permutation auf Basis der quantenfourier­transformation gehandhabt wird.

Wie das neue Rahmenwerk getestet wurde

Um über die Theorie hinauszugehen, implementierte das Team QHDC mit IBMs Qiskit‑Software und führte Tests sowohl in Simulation als auch auf einem 156‑Qubit‑IBM‑Heron‑Quantenprozessor durch. Zunächst prüften sie eine klassische Rätselaufgabe: analoges Schließen der Form „USA verhält sich zu Dollar wie Mexiko zu ?“. Nur mit quantisierten Versionen der grundlegenden HDC‑Operationen rekonstruierte das System in idealisierten Simulationen korrekt „Peso“ als das fehlende Element und erreichte damit die klassischen Ergebnisse. Das zeigte, dass relativ subtile Schlussfolgerungen allein mit Quantenzuständen und Interferenz nachgebildet werden können, obwohl der vollständige Schaltkreis zu tief war, um auf den heutigen fehleranfälligen Geräten zuverlässig ausführbar zu sein.

Ein Quanten­system das Erkennen von Zahlen beibringen

Der zweite Test prüfte, ob QHDC aus realen Daten lernen kann: die Unterscheidung von Handschriftbildern der Ziffern 3 und 6 aus dem MNIST‑Datensatz. Um die Beschränkungen heutiger Hardware einzuhalten, wurden die Bilder auf winzige 4×4‑Schwarzweiß‑Muster verkleinert. Jedes Bild wurde in eine kleine Menge quantenmechanischer Zustände von Merkmalen kodiert und dann zu einem Prototyp pro Klasse kombiniert. Da die ehrgeizigste, vollständig quantisierte Version dieses Bündelns extrem tiefe Schaltkreise erfordern würde, wählten die Autoren einen hybriden Ansatz: Das Bündeln erfolgte als einfache Addition im klassischen Raum, und das Ergebnis wurde anschließend wieder als Quantenzustand rekodiert. Ein als Hadamard‑Test bekanntes Quantenverfahren verglich dann den Zustand jedes neuen Bildes mit den beiden Prototypen, um das Label zu entscheiden.

Leistung heute und Hoffnungen für morgen

Auf einem konventionellen Computer erreichte dieser HDC‑artige Klassifikator eine Genauigkeit, die mit gängigen maschinellen Lernverfahren vergleichbar ist. In idealisierten Quantensimulationen kam die hybride QHDC‑Variante sehr nahe, zeigte jedoch auch einen zentralen Zielkonflikt: Höherdimensionale Quantenzustände verbesserten die Trennung von Mustern, verlangten aber tiefere Schaltkreise, die aktuelle Hardware nur schwer ohne Informationsverlust ausführen kann. Auf dem realen IBM‑Gerät sank die Genauigkeit durch akkumuliertes Rauschen, doch die Ergebnisse spiegelten weiterhin deutlich das beabsichtigte Verhalten wider – und das bei deutlich geringerem Trainingsaufwand als bei populären quantenbasierten ML‑Modellen, die viele Abstimmungsrunden erfordern.

Was das für künftige Entdeckungen bedeuten könnte

Einfach ausgedrückt zeigt diese Arbeit, dass es eine natürliche Weise gibt, wie Quantencomputer reichhaltige, gehirnähnliche Muster speichern und manipulieren können, statt nur Zahlen und Logik. Die Autoren argumentieren, dass QHDC mit fortschreitender Quantenhardware schnelle, rausch­tolerante Werkzeuge für Aufgaben wie das Abgleichen genomischer Sequenzen, das Durchsuchen riesiger chemischer Bibliotheken oder das Verschmelzen verschiedenartiger medizinischer Daten zu einem patientenspezifischen Fingerabdruck ermöglichen könnte. Für den Moment stellt die Studie unter Beweis, dass diese Ideen nicht nur mathematische Kuriositäten sind: Sie lassen sich programmieren, ausführen und auf realen Maschinen messen und legen damit ein praktisches Fundament für quantenneuromorphe Rechnersysteme.

Zitation: Cumbo, F., Li, RH., Raubenolt, B. et al. Quantum hyperdimensional computing: a foundational paradigm for quantum neuromorphic architectures. npj Unconv. Comput. 3, 21 (2026). https://doi.org/10.1038/s44335-026-00064-6

Schlüsselwörter: Quantencomputing, hyperdimensionale Berechnung, neuromorphe Algorithmen, quantenbasiertes maschinelles Lernen, Mustererkennung