Maschinelles Lernen bringt Bewegung ins Quantenlabor
Ein Forscherteam der Universitäten Oxford, Basel und Lancaster hat einen Algorithmus geschaffen, der die Entwicklung des Quantencomputers beschleunigt.
Quantencomputer haben das Potenzial für eine unglaublich grosse Rechenleistung und könnten in ferner Zukunft noch bedeutend schneller als heutige Supercomputer werden. «Die Quantenphysik macht enorm viele parallel ablaufende Rechnungen möglich», erläutert Prof. Dr. Dominik Zumbühl, Vorsteher des Departements Physik an der Universität Basel. Der Spin einzelner Elektronen in Quantenpunkten könnte als kleinste Informationseinheit eines Quantencomputers dienen, als sogenanntes Quanten-Bit oder kurz Qubit.
Datenerfassung verkürzen
Wissenschaftlerinnen und Wissenschaftler der Universitäten Oxford, Basel und Lancaster haben nun gemeinsam einen Algorithmus entwickelt, mit dem sich Quantenpunkte automatisch messen und einstellen lassen. Das maschinelle Lernen verkürzt dabei den Vorgang im Vergleich zur konventionellen Datenerfassung um rund Faktor 4. «Früher hat ein Wissenschaftler viele mühsame Stunden oder gar Tage damit verbracht, die verschiedenen Spannungen, die nötig sind, um einen Quantenpunkt zu formen, sorgfältig einzustellen», so der Physiker. Der neue Algorithmus bedeutet einen enormen Zeitgewinn für die Forschenden.
Fachkenntnisse vereinen
Das internationale Team vereint verschiedene Fachkenntnisse: Die Wissenschaftler aus Oxford sind spezialisiert auf Maschinelles Lernen und auf die Messung im Kryolabor. Die Basler Physiker bringen Kenntnisse zur Herstellung im Reinraum sowie zum Betrieb und zur Einstellung des Quantenpunktes mit. Nachdem ein Kollege von Oxford nach Lancaster wechselte, hat sich die Zusammenarbeit auch auf die dortige Universität ausgedehnt.
Wie bei Gesichtserkennung
Die Wissenschaftler trainierten das System zunächst mit Daten über den Stromfluss durch den Quantenpunkt bei unterschiedlichen Spannungen. Ähnlich wie bei einer Gesichtserkennung lernt die Software nach und nach, wo weitere Messungen nötig sind, um den maximalen Informationsgewinn zu erzielen. Das System führt dann diese weiteren Messungen aus und wiederholt den Prozess, bis eine Charakterisierung nach im Vorfeld definierten Kriterien erreicht ist und der Quantenpunkt als Qubit betrieben werden kann. Das Maschinelle Lernen bedeutet einen wichtigen Schritt bei der Skalierung zu vielen Qubits.
Im Labor weiterentwickelt
Nun wird die Software im Labor weiterentwickelt. «Quantencomputer sind erst in den Anfängen ihrer Entwicklung und wahrscheinlich noch viele Jahre von der effektiven Nutzung in anspruchsvollen Anwendungen entfernt», sagt Dominik Zumbühl. «Der künftige Einsatz von Quantencomputern wäre denkbar bei Simulationen von neuen Molekülen für die Energiegewinnung, für neue Materialien oder für Medikamente.»
