Forscher des California Institute of Technology (Caltech) und der University of Southern California (USC) haben als Erste das Quantencomputing erfolgreich auf ein Problem aus dem Bereich der Physik angewandt. Mit quantenkompatiblen Methoden des maschinellen Lernens gelang es ihnen, das Signal des seltenen Higgs-Bosons aus einem Übermaß von „Rauschen“ zu isolieren.

Das Higgs-Boson, dessen Existenz erst 2012 experimentell nachgewiesen wurde, ist für die Masse von Elementarteilchen verantwortlich.

Die neue Methode scheint auch bei kleineren Datensätzen brauchbar zu sein, ganz im Gegensatz zu herkömmlichen Methoden. Das Forschungsteam unter der Leitung der Professoren Maria Spiropulu und Daniel Lidar haben einen so genannten quantum annealer programmiert, eine Art von Quantencomputer, der in der Lage ist, Optimierungsprogramme durchzuführen, die Muster in einem Datensatz sucht und erkennt und somit nützliche Daten von Rauschen und anderem Datenmüll trennt.
Eine bekannte, schon existierende Methode, um Daten zu klassifizieren, sind neuronale Netzwerke, die auf sehr effiziente Art seltene Muster in einem Datensatz auffinden können. Die damit gefundenen Muster sind jedoch schwer zu interpretieren, da der Klassifizierungsprozess keine Informationen enthält, wie diese Muster gefunden wurden. Auf der anderen Seite sind Techniken, die besser interpretiert werden können, fehlerintensiv und weniger effizient.
Die bestehenden Verfahren zur Klassifizierung von Daten sind zudem in hohem Maße abhängig von der Größe und der Qualität eines als Trainingsmaterial verwendeten Datensatzes, ein „manuell“ sortierter Teil des Datensatzes. In der modernen Hochenergiephysik ist dieses „mit der Hand sortieren“ recht problematisch, da Teilchenbeschleuniger wie der Large Hadron-Collider (mit dem die Higgs-Bosonen entdeckt worden sind), enorm große Mengen an Daten produziert, in denen die seltenen Ereignisse versteckt sind. Eine Nadel im Heuhaufen... Das neue Quantenprogramm ist, wie Professor Spiropulu bemerkt, einfacher und kommt mit deutlich weniger „Trainingseinheiten“ aus.

Die Forscher haben die Ergebnisse ihrer Forschung in der Zeitschrift Nature veröffentlicht.
 

(Video: D-Wave Systems)