Beim Quantum Machine Learning dienen Schaltkreise auf einem Quantencomputer als lernende Modelle, die darauf trainiert werden, Zusammenhänge in Daten abzubilden. Ähnlich wie beim klassischen maschinellen Lernen werden ihre Parameter schrittweise angepasst, um das Ergebnis zu verbessern. Üblicherweise geschieht dies über die Parameter vordefinierter Operationen eines Quantencomputers, sogenannten Gattern. Anschaulich gleicht das Training der Suche nach dem tiefsten Punkt einer Landschaft mit Bergen und Tälern, wobei es Senken gibt, in denen das Training stecken bleibt, obwohl anderswo noch bessere Lösungen existieren. Solche lokalen Minima erschweren somit das Training und verhindern, dass sich das volle Potential des Modells nutzen lässt.
Forschende des Karlsruher Instituts für Technologie (KIT) und der OTH Regensburg untersuchen deshalb zusätzliche Freiheitsgrade, die sich aus der physikalischen Umsetzung der Gatter auf dem Quantencomputer ergeben. Bei der Ausführung werden Gatter nämlich in Mikrowellenpulse übersetzt, wobei deren Eigenschaften, beispielsweise Amplitude oder Länge, sich in das Training einbeziehen lassen. Übertragen in die zuvor genannte Landschaft eröffnet dies nun zusätzliche Bewegungsrichtungen, mit denen das Training einer Senke entkommen kann. Besonders relevant ist dieser Ansatz bei Gattern, die aus mehreren einfacheren Operationen zusammengesetzt sind und daher verknüpfte Parameter aufweisen. Werden solche Parameter nun unabhängig voneinander angepasst, erhält das Modell mehr Freiraum, seine Ausgabe an die Trainingsdaten anzupassen.
Diesen Mechanismus konnte das Forschungsteam mathematisch beschreiben und in numerischen Experimenten mit Quanten-Fourier-Modellen bestätigen. Solche Modelle stellen Zusammenhänge als Überlagerung von Schwingungen unterschiedlicher Frequenzen dar – ähnlich wie sich ein Klang aus mehreren Tönen zusammensetzt. In den Simulationen sollten Modelle vorgegebene Kurven erlernen, wobei das Miteinbeziehen von Pulsparametern bei allen untersuchten Schaltungsvarianten im Mittel zu geringeren Fehlern führte. Die zusätzlichen Parameter verändern dabei, wie sich die vorhandenen Frequenzanteile nutzen und gewichten lassen. Welche Frequenzen grundsätzlich zur Verfügung stehen, bleibt durch die Enkodierung der Daten festgelegt.
Die Ergebnisse zeigen somit, wie die physikalische Steuerung eines Quantencomputers gezielt zum Lernen beitragen kann. Da die bisherigen Untersuchungen auf Simulationen ohne Rauschen und andere Störeinflüsse realer Geräte beruhen, ist ein nächster Schritt das Evaluieren des Konzepts auf Quantenhardware. Dabei wird sich zeigen, wie gut sich die verbesserten Trainingsmöglichkeiten mit den technischen Grenzen der Pulse und dem zusätzlichen Aufwand für ihre Optimierung vereinbaren lassen.
Für ihre Arbeit Beyond Gates: Pulse Level Quantum Fourier Models (vorläufige Arxiv DOI) erreichten sie im Best Paper Award auf der diesjährigen Konferenz IEEE Quantum Week unter 50 akzeptierten Arbeiten den dritten Platz im Bereich Quantum Machine Learning.
Die IEEE International Conference on Quantum Computing and Engineering (QCE), auch als IEEE Quantum Week bekannt, ist eine jährlich stattfindende internationale Fachkonferenz, die Quantencomputing von wissenschaftlichen Grundlagen bis zu industriellen Anwendungen abdeckt und 2026 über 2.300 Teilnehmende zu Vorträgen, Workshops und einer begleitenden Ausstellung versammelte.
Kontakt am SCC: Melvin Strobl
Bildlegende: Melvin Strobl freut sich über einen Best Paper Award. Bei der Preisverleihung sind auf dem Foto zu sehen (v.l.n.r.): Candace Culhane, Los Alamos National Laboratory, QCE25 General Chair - Arno Jacobsen, University of Toronto, QCE26 QML Technical Papers Track Chair - Melvin Strobl, KIT/SCC - Grace Lewis, Software Engineering Institute Carnegie Mellon University, 2026 President IEEE Computer Society.