Hybrid aus neuronalem Netz und Quantenprozessor sagt Turbulenzen 20 % genauer voraus als klassische Gegenstücke
Wissenschaftler des University College London haben ein Hybridsystem entwickelt, das ein neuronales Netz und einen Quantenprozessor kombiniert. Es sagt Turbulenzen 20 % genauer voraus als klassische Modelle und benötigt hundertmal weniger Speicher.
Quanten-Upgrade für KI: Wie eine einzige Konsultation mit einem Quantenprozessor ein neuronales Netz 20 % intelligenter und hundertmal effizienter machte
Einleitung
Stellen Sie sich einen Schachspieler vor, der vor einer entscheidenden Partie fünf Minuten Zeit hat, um mit einem Großmeister zu sprechen. Der Großmeister spielt nicht die gesamte Partie für ihn – er erklärt nur die Schlüsselprinzipien der Stellung. Danach spielt der Schachspieler deutlich besser, obwohl er selbst kein Genie geworden ist. So ungefähr funktioniert das Hybridsystem, das Wissenschaftler des University College London (UCL) entwickelt haben: Ein Quantencomputer verarbeitet die Daten einmal, extrahiert ihre tiefe statistische Struktur, und dann nutzt ein klassisches neuronales Netz diesen „Hinweis“ für langfristige Vorhersagen. Das Ergebnis: Die Vorhersagegenauigkeit für Turbulenzen stieg um 20 %, und der Speicherverbrauch sank um das Hundertfache. Dies ist keine Laborkuriosität, sondern die erste praktische Demonstration eines „Quantenvorteils“ bei einem realen physikalischen Problem.
Ereignisse und Zeitplan
Am 16. April 2026 veröffentlichte die Zeitschrift Science Advances eine Studie unter der Leitung von Professor Peter Coveney vom UCL Chemistry und dem Advanced Research Computing Centre. Der Artikel mit dem Titel „Quantum-informed machine learning for predicting spatiotemporal chaos with practical quantum advantage“ beschreibt eine Architektur, die die Autoren QIML – Quantum-Informed Machine Learning – nennen.
Der Zeitplan des Projekts ist wie folgt. Die Forschungsgruppe arbeitete mehrere Jahre an der Methode und steigerte schrittweise die Komplexität der Tests. Zuerst testeten sie sie an der eindimensionalen Kuramoto-Sivashinsky-Gleichung (Dimension 512), dann an der zweidimensionalen Kolmogorov-Strömung (Dimension 4096) und schließlich an der dreidimensionalen turbulenten Kanalströmung, wobei die Daten mit der Lattice-Boltzmann-Methode simuliert wurden. Das Schlüsselexperiment wurde auf einem 20-Qubit-Quantenprozessor des finnischen Unternehmens IQM durchgeführt, der an die Supercomputer-Ressourcen des Leibniz-Rechenzentrums in München angebunden war.
Die technische Architektur ist wie folgt. In der ersten Stufe verarbeitet ein Quantengenerator (Quantum Circuit Born Machine) die Trainingsdaten und bildet einen sogenannten Q-Prior – eine kompakte statistische Beschreibung der invarianten Eigenschaften des Systems, d. h. der Muster, die auch während der chaotischen Evolution bestehen bleiben. Dieser Q-Prior belegt nur wenige Kilobyte, während die Originaldaten Megabyte wiegen können. Anschließend wird der Q-Prior als differenzierbare Einschränkung in die Verlustfunktion eines klassischen neuronalen Netzes auf Basis des Koopman-Operators eingebettet, wodurch das Modell gezwungen wird, über den gesamten Vorhersagehorizont hinweg physikalisch korrekte Statistiken beizubehalten.
Erstautorin der Studie ist Maida Wang vom UCL Centre for Computational Science, Ko-Erstautor ist Xiao Xue vom Advanced Research Computing. Die Finanzierung erfolgte durch den britischen EPSRC (Engineering and Physical Sciences Research Council), das UCL selbst, IQM Quantum Computers und das Leibniz-Rechenzentrum. Die Kosten für die Anmietung eines solchen Prozessors bei Cloud-Anbietern liegen grob zwischen 2.000 und 5.000 US-Dollar pro Stunde – aber die Methode erfordert nur einen einzigen Zugriff auf die Quantenhardware, was die Kosten durchaus mit dem Budget eines typischen universitären Forschungsprojekts vergleichbar macht.
Auswirkungen und Bedeutung
Um das Ausmaß des Durchbruchs zu verstehen, muss man das Problem verstehen, dem sich die Wissenschaftler gegenübersahen. Turbulenz ist ein klassisches Beispiel für ein chaotisches System, bei dem ein mikroskopischer Eingabefehler exponentiell anwächst. In der Meteorologie beispielsweise liefern selbst die besten Supercomputer nur für 10–14 Tage zuverlässige Vorhersagen – danach wird die Abweichung von der Realität inakzeptabel. Die Modellierung des Luftstroms über eine Tragfläche, die Berechnung des Blutflusses in einem Aneurysma oder die Optimierung eines Windparks – all dies steht vor derselben grundlegenden Einschränkung.
Die QIML-Architektur greift das Problem aus einem unerwarteten Winkel an. Anstatt die Rechenleistung zu erhöhen, extrahiert sie aus der Quantenmechanik einen „Hinweis“ auf die statistische Struktur des Systems. Ein Quantencomputer tut dies auf natürliche Weise, da er inhärent in Überlagerungen und verschränkten Zuständen „denkt“, die ideal zur Beschreibung von Korrelationen in chaotischen Umgebungen sind. Das Ergebnis: Die Genauigkeit verbessert sich je nach Metrik und System um 17–29 %, und der Speicherverbrauch ist hundertmal geringer.
Praktische Anwendungen erstrecken sich über eine breite Palette von Branchen. In der Luft- und Raumfahrt: genauere Vorhersage turbulenter Strömungen um Tragflächen, was sich direkt auf die Treibstoffeffizienz auswirkt. In der Medizin: Modellierung des Blutflusses für die Planung von Herz- und Gefäßoperationen. In der Energiebranche: Optimierung der Platzierung von Windkraftanlagen, wo ein Fehler von 20 % über die Lebensdauer einer Anlage Millionen von Dollar an entgangenen Einnahmen bedeuten kann (bei typischen Offshore-Windparkkosten zwischen 100 und 300 Millionen Dollar). In der Klimatologie: regionale Modelle, die auf weniger leistungsfähiger Hardware laufen können.
Maida Wang betonte: „Unsere Methode demonstriert den Quantenvorteil in der Praxis – der Quantencomputer übertrifft das, was mit rein klassischem Rechnen erreichbar ist. Nächste Schritte sind die Skalierung auf größere Datensätze und die Anwendung auf reale Szenarien.“ Interessanterweise schließen die Autoren einen umgekehrten Effekt nicht aus: Durch das Verständnis, welche statistischen Eigenschaften das Quantenmodul extrahiert, könnten auch bessere klassische Algorithmen entwickelt werden. Quanten-KI fungiert hier als Lehrer für klassische KI.
Reaktionen der Hauptakteure
Die Reaktion der wissenschaftlichen Gemeinschaft auf die Veröffentlichung in Science Advances war verhalten enthusiastisch – falls ein solcher Ausdruck möglich ist. Einerseits erscheint ein 20-Qubit-Prozessor bescheiden im Vergleich zu den Systemen mit Hunderten oder Tausenden von Qubits, die von IBM und Google angekündigt wurden. Andererseits hat keiner der Giganten bisher eine funktionierende Anwendung vorgestellt, bei der ein Quantencomputer einen messbaren Vorteil bei einem praktisch bedeutsamen Problem bietet.
IQM, das den Prozessor bereitstellte, festigte seinen Ruf als Anbieter von Hardware für „echte Wissenschaft“. Das Unternehmen konkurriert aktiv mit IBM und Google auf dem europäischen Markt, und der UCL-Fall ist ein starkes Argument für ihren Technologie-Stack. Das Leibniz-Rechenzentrum wiederum demonstrierte ein Modell der hybriden Infrastruktur: ein Quantenbeschleuniger gepaart mit einem klassischen Supercomputer – eine Architektur, die derzeit in allen großen Rechenzentren weltweit diskutiert wird.
Branchenexperten heben die architektonische Eleganz der Lösung hervor. Im Gegensatz zu variationellen Quantenalgorithmen, die Tausende von Quanten-Klassik-Austauschzyklen erfordern und unter Rauschen leiden, nutzt QIML das Quantengerät einmalig und offline. Dies umgeht den Hauptschmerzpunkt der NISQ-Ära (Noisy Intermediate-Scale Quantum) – die Leistungsverschlechterung bei wiederholten Messungen. Professor Coveney betonte dies in der Pressemitteilung: „Unser Modell kann genaue Vorhersagen schnell liefern. Die Vorhersage von Flüssigkeitsströmungen und Turbulenzen ist ein grundlegendes wissenschaftliches Problem mit vielen praktischen Anwendungen.“
Prognose und Schlussfolgerungen
Das UCL hat einen neuen Meilenstein im jahrhundertealten Wettlauf um die genaue Vorhersage von Chaos gesetzt – und dies nicht durch rohe Gewalt, sondern mit einer eleganten Hybridlösung. Die Bedeutung der Arbeit liegt nicht in einer Rekordleistung (eine Verbesserung um 20 % ist beeindruckend, aber für die Technik nicht revolutionär), sondern in einem Paradigmenwechsel: Ein Quantencomputer wurde erstmals nicht als „Ersatz für Klassik“, sondern als „intelligenter Assistent“ für klassische KI eingesetzt.
Die unmittelbaren Expansionshorizonte sind klar. Das Team plant, auf Prozessoren mit 50–100 Qubits zu skalieren und die Methode auf reale medizinische und Klimadaten anzuwenden. Wenn sich die Methode bei diesen Aufgaben als effektiv erweist, könnte sich ein Markt für „quantengestützte Software“ eröffnen, bei dem man keinen Quantencomputer besitzen muss – sondern nur einmal auf einen Cloud-Dienst zugreift, um einen Q-Prior für sein technisches Problem zu erhalten. Bei Kosten von 10.000 bis 50.000 US-Dollar pro solchem Zugriff (geschätzt auf Basis aktueller Cloud-Quantenzugangspreise von IBM und AWS Braket) könnte dies für Projekte mit Budgets ab 1 Million Dollar wirtschaftlich gerechtfertigt sein.
Die strategische Lektion ist tiefergehend. Wir sind es gewohnt, Fortschritte in der Datenverarbeitung in Gigahertz und Gigabyte zu messen. Aber der UCL-Durchbruch zeigt, dass das nächste Kapitel möglicherweise nicht durch die Erhöhung der Hardwareleistung geschrieben wird, sondern durch die Neuerfindung des Ansatzes selbst: die Quantenmechanik den Teil der Arbeit erledigen zu lassen, den die Natur bereits auf Quantenebene „berechnet“ – die Statistik des Chaos. In diesem Sinne ist QIML nicht nur ein Hybrid aus neuronalem Netz und Qubits, sondern ein architektonischer Bauplan für die Arbeitsteilung zwischen der klassischen und der Quantenwelt. Und den Zahlen nach zu urteilen, funktioniert es.
— Editorial Team
Noch keine Kommentare.