Roboter lernen schneller mit der Quantentechnologie

Roboter, die Computerspiele lösen, menschliche Stimmen erkennen oder helfen, optimale medizinische Behandlungen zu finden: Dies sind nur einige erstaunliche Beispiele dafür, was das Gebiet der künstlichen Intelligenz in den letzten Jahren hervorgebracht hat. Der anhaltende Wettlauf um bessere Maschinen hat zu der Frage geführt, wie und mit welchen Mitteln Verbesserungen vorgenommen werden können. Gleichzeitig haben große Fortschritte in der Quantentechnologie in jüngster Zeit die Leistungsfähigkeit der Quantenphysik bestätigt, nicht nur für ihre oft eigenartigen und verwirrenden Theorien, sondern auch für reale Anwendungen. Daher die Idee, die beiden Bereiche zusammenzuführen: einerseits künstliche Intelligenz mit ihren autonomen Maschinen; auf der anderen Seite die Quantenphysik mit ihren leistungsfähigen Algorithmen.

In den letzten Jahren haben viele Wissenschaftler begonnen zu untersuchen, wie diese beiden Welten verbunden werden können und wie die Quantenmechanik für das Lernen von Robotern von Vorteil sein kann oder umgekehrt. Mehrere faszinierende Ergebnisse haben zum Beispiel gezeigt, dass Roboter ihren nächsten Schritt schneller entscheiden oder neue Quantenexperimente mit spezifischen Lerntechniken entwerfen. Dennoch konnten Roboter nicht schneller lernen, ein Schlüsselmerkmal bei der Entwicklung immer komplexerer autonomer Maschinen.

Im Rahmen einer internationalen Zusammenarbeit unter der Leitung von Philip Walther haben ein Team von Experimentalphysikern der Universität Wien sowie Theoretiker der Universität Innsbruck, der Österreichischen Akademie der Wissenschaften, der Universität Leiden und des Deutschen Zentrums für Luft- und Raumfahrt die Leitung übernommen zu experimentieren, um zum ersten Mal eine Beschleunigung der realen Lernzeit des Roboters zu beweisen. Das Team verwendete einzelne Photonen, die grundlegenden Lichtteilchen, gekoppelt mit einem integrierten photonischen Quantenprozessor, der am Massachusetts Institute of Technology entwickelt wurde. Dieser Prozessor wurde als Roboter und zur Durchführung von Lernaufgaben eingesetzt. Hier würde der Roboter lernen, einzelne Photonen in eine vordefinierte Richtung zu routen. „Das Experiment könnte zeigen, dass die Lernzeit im Vergleich zu dem Fall, in dem keine Quantenphysik verwendet wird, erheblich verkürzt wird“, sagt Valeria Saggio, Erstautorin der Veröffentlichung.

Kurz gesagt, die Erfahrung kann verstanden werden, indem man sich einen Roboter vorstellt, der an einer Kreuzung steht und angewiesen wird, zu lernen, wie man immer links abbiegt. Der Roboter lernt, indem er eine Belohnung für die richtige Bewegung erhält. Wenn sich der Roboter in unserer üblichen klassischen Welt befindet, versucht er eine Links- oder Rechtskurve und wird nur belohnt, wenn die Linkskurve gewählt wird. Wenn der Roboter dagegen die Quantentechnologie nutzt, kommen die bizarren Aspekte der Quantenphysik ins Spiel. Der Roboter kann nun eine seiner berühmtesten und eigentümlichsten Eigenschaften nutzen, das sogenannte Überlagerungsprinzip. Dies kann intuitiv verstanden werden, indem man sich vorstellt, dass der Roboter beide Kurven gleichzeitig links und rechts macht. „Diese Schlüsselfunktion ermöglicht die Implementierung eines Quantensuchalgorithmus, der die Anzahl der Versuche reduziert, um den richtigen Pfad zu lernen. Daher lernt ein Agent, der seine Umgebung in Overlay erkunden kann, viel schneller als sein klassisches Gegenstück“, sagt Hans Briegel, der entwickelte mit seiner Gruppe an der Universität Innsbruck die theoretischen Ideen zu Quantenlernmitteln.

Diese experimentelle Demonstration, dass maschinelles Lernen mithilfe von Quantencomputern verbessert werden kann, bietet vielversprechende Vorteile durch die Kombination dieser beiden Technologien. „Wir stehen erst am Anfang des Verständnisses der Möglichkeiten der künstlichen Quantenintelligenz“, sagt Philip Walther, „und so trägt jedes neue experimentelle Ergebnis zur Entwicklung dieses Feldes bei, das derzeit als eines der fruchtbarsten Felder für das Quantencomputing gilt ”. .

###

Veröffentlichung in „Natur„:

„Experimentelle Quantenbeschleunigung in Verstärkungslernmitteln“, V. Saggio, B. Asenbeck, A. Hamann, T. Strömberg, P. Schiansky, V. Dunjko, N. Friis, NC Harris, M. Hochberg, D. Englund, S. Wölk, HJ Briegel und P. Walther, NaturMärz 2021; DOI: 10.1038 / s41586-021-03242-7

Warnung: AAAS und EurekAlert! sind nicht verantwortlich für die Richtigkeit von Pressemitteilungen, die auf EurekAlert veröffentlicht werden! durch beitragende Institutionen oder zur Verwendung von Informationen über das EurekAlert-System.