LONDON (IT BOLTWISE) – Eine KI-gestützte Methode hat für acht Quanten-„Primitiven“ neue Schaltkreisdesigns gefunden, die sowohl Quibits als auch Gate-Zahlen senken. In einem Beispiel zur elliptischen Kurvenrechnung entstand eine reversible Modular-Inversion ohne das sonst nötige Speichern kompletter Zwischenverläufe. Zusätzlich machte die KI den kostenintensiven Decoder eines DQI-Ansatzes deutlich effizienter. Damit rückt die Umsetzung nützlicher Quantenalgorithmen auf fehlerkorrigierter Hardware früher in Reichweite.
Künstliche Intelligenz trifft hier auf ein Feld, in dem jede zusätzliche Operation teuer ist: die Entwicklung von Quanten-Schaltkreisen. Der Kern der Arbeit liegt nicht in neuen Qubit-Bauteilen, sondern in der Frage, wie sich ein Algorithmus so „übersetzen“ lässt, dass er mit dem bisherigen Hardware-Limit überhaupt durchführbar wird. Quantencomputer können heute zwar prinzipiell Quantenphänomene wie Superposition nutzen, doch die verfügbaren Systeme besitzen in der Praxis nur einige hundert bis wenige tausend physische Qubits. Hinzu kommt, dass bereits kleine Störungen durch Wärme, Vibration oder sogar kosmische Strahlung die Zustände verfälschen. Genau deshalb zählt in der Quantenwelt zweierlei: Wie viele Qubits eine Schaltung gleichzeitig braucht und wie viele elementare Gatter sie durchläuft, denn Gate-Zahlen schlagen direkt auf Laufzeit und Fehlerakkumulation.
Die Studie setzt an einem wiederkehrenden Engpass an: Ein Quantenalgorithmus wird in der Regel als Sequenz von Gattern implementiert, und die Schaltung muss reversibel bleiben. Während klassische Programme „if-then“-Zweige auswerten und danach nur den passenden Pfad weiterführen können, arbeitet ein Quantenrechner mit einer Superposition vieler Eingaben gleichzeitig. Das bedeutet, dass die Schaltung für alle möglichen Fälle jeweils Operationen mitführen muss. Außerdem darf Zwischeninformation nicht einfach gelöscht werden, weil ein Quantenprozess am Ende wieder in den Anfangszustand rückführbar sein muss. Entsprechend existiert ein harter Trade-off zwischen „Platz“ und „Zeit“: Entweder speichert man Zwischenwerte (mehr Qubits) oder man „uncompute“-t sie später durch Rückwärtsrechnen (mehr Gates). Diese Randbedingungen machen Circuit Design zu einer Aufgabe, die sich nur bedingt wie gewöhnliches Programmieren anfühlt.
Besonders anschaulich wird das am Beispiel FeMoco, einem eisen-schwefelbasierten Cluster im Enzym Nitrogenase. Für die Berechnung der Grundzustandsenergie wurde 2017 geschätzt, ein Quantencomputer bräuchte etwa 50 Billionen Toffoli-Gates. Toffoli-Gatter gelten als besonders teuer, weshalb ihre Anzahl als Standardmaß für die grobe Rechenzeit dient. Über Jahre hinweg ist die Gate-Schätzung durch algorithmische Verbesserungen auf ungefähr 340 Millionen gesunken – eine Reduktion um rund 150.000. Bemerkenswert dabei: Die großen Sprünge kamen überwiegend durch neue Circuit-Formulierungen zustande, nicht durch plötzlich bessere Hardware. Die aktuelle Arbeit knüpft an genau diese Schicht an und prüft, ob eine KI Quanten-Schaltkreise genauso gezielt optimieren kann, wie sie es für andere algorithmische Aufgaben häufig tut.
Damit die Optimierung messbar bleibt, wurde ein Bewertungsmechanismus eingesetzt, der Entwürfe einer formalen Prüfung unterzieht und dann nach Kosten selektiert. Die KI erhielt einfache, sprachnahe Spezifikationen für acht Quanten-Primitiven aus Bereichen wie Chemie, Optimierung, Quanten-Simulation und Zahlentheorie. Entscheidend ist dabei die „Closed Loop“-Vorgehensweise: Claude entwirft einen Schaltkreis, ein externer Evaluator prüft Korrektheit und bewertet die Ressourcenkosten anhand eines Produkts aus benötigten Qubits und Gate-Zahl, und erst danach folgt der nächste Versuch. In den Experimenten lief dieser Prozess weitgehend ohne menschliche Zwischenkorrekturen, sondern mit Feedback und Punktzahl direkt aus dem Evaluator. So entstanden neue Schaltungen, die in den jeweiligen Fällen sowohl weniger Qubits als auch weniger Gatter benötigten als zuvor publizierte Lösungen, und die Verbesserungen wurden nicht als bloßes „Feintuning“ bestehender Entwürfe beschrieben, sondern als neue strukturelle Erkenntnisse über die Mathematik hinter dem Primitiv.
Ein besonders technischer Hebel steckt in der modularen Inversion für elliptische Kurven, ein Schritt, der als teuer gilt und häufig den Großteil der Kosten von Punkt-additionsbasierten Algorithmen dominiert. Klassische Methoden wie divsteps können diese Aufgabe effizient erledigen, aber die Quanten-Variante stellt sich wegen Reversibilität und dem Problem „Branch Information“ quer: Die Entscheidungen, die in divsteps in jeder Iteration getroffen werden, müssen sich im Quantumskontext so abbilden lassen, dass ein Rückwärtslauf möglich bleibt. Ein naiver Ansatz führt dann zu einer langen Historie an Abzweigungsdaten, die extrem viele zusätzliche Qubits erfordern würde. Die KI entdeckte stattdessen eine reversiblen Implementierung, bei der sich ein großer Teil dieser Information direkt aus dem numerischen Zustand nach jeder Iteration ableiten lässt. Wo das nicht vollständig möglich ist, lässt sich die Schaltung über einen kontrollierten Speicher-/Decoding-Mechanismus so austarieren, dass der Ressourcenbedarf auf eine neue Pareto-Grenze rückt. Bei einer der neueren Familien-Varianten wird ein Design-Beispiel genannt, bei dem die Gate-Zahl gegenüber einem kleineren Vorgänger um den Faktor 17 sinkt, während der Qubit-Verbrauch moderat um 12% steigt.
Auch beim zweiten Schwerpunkt zeigt sich, wie sehr Circuit Design an der „dicksten Stelle“ ansetzt. Hier geht es um Decoded Quantum Interferometry (DQI), einen Ansatz, der in der Optimierung eine überpolynomiale Beschleunigung in Aussicht stellt. Beim Auslesen der Quantenresultate entsteht nur eine bestimmte Antwort aus der Superposition, während DQI gute Lösungen wahrscheinlicher macht, indem ein Decoder die Daten so „rekonstruiert“, dass Fehler wahrscheinlicher korrekt behandelt werden. Für ein demonstriertes Problem namens Optimal Polynomial Intersection (OPI) basierte der Stand der Technik beim Quantum-Decoder auf einem Aufbau um den Extended-Euclidean-Algorithmus. Genau diese Strategie passt jedoch schlecht zu Quanten-Schaltkreisen, weil sie inputabhängig unterschiedliche Pfade und eine variable Schrittzahl erzeugt – und Quantenhardware dagegen eine feste Gate-Sequenz braucht. Die KI ersetzte den Ansatz durch eine Struktur um Berlekamp-Massey-Decoding, bei dem die Iterationen regelmäßig und gleichartig ablaufen. Zusätzlich musste die Schaltung reversibel bleiben, ohne temporäre Zwischenwerte vollständig zu speichern; die KI rekonstruierte daher die meisten temporären Informationen aus dem aktuellen Zustand, reservierte aber im Ausnahmefall nur einen kleinen festen Speicherbereich. Das Ergebnis wird als deutliche Reduktion der Gate-Zahl für den Decoder im Vergleich zu einer zuvor beschriebenen Konstruktion zusammengefasst, inklusive einer Faktor-12-Einsparung auf Gate-Ebene.
Über die konkreten Schaltkreise hinaus liefert die Arbeit zwei Botschaften für die Branche. Erstens wird Circuit Design als „AI-kompatible“ Engineering-Strecke greifbar: Schaltkreise lassen sich als Code formulieren, die Korrektheit kann automatisiert getestet werden, und die Kosten lassen sich als Proxy quantifizieren. Zweitens zeigt sich, dass der nächste Engpass vermutlich nicht allein in der Schaltung liegt, sondern im Zusammenspiel vieler Komponenten eines fehlerkorrigierten Quantencomputers, etwa Fehlerkorrektur-Codes, schnelle Decoder und die Hardware-Steuerung. Wenn genau diese Teile bislang getrennt entworfen werden, könnte KI künftig helfen, sie gemeinsam auf ein Zielproblem zuzuschneiden. Dass die Autoren die Rechenzeit-Relationen im Vergleich zu High-End-Supercomputing nennen und betonen, dass der Decoder den Großteil der Laufzeit dominiert, unterstreicht außerdem die praktische Konsequenz: Wer die teuerste Teilroutine effizienter macht, verkürzt nicht nur die Simulation, sondern verbessert die Perspektive auf „frühere“ Einsatzfähigkeit bei zukünftigen Systemen.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI optimiert Quanten-Schaltkreise: weniger Quibits, schnellere Algorithmen" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI optimiert Quanten-Schaltkreise: weniger Quibits, schnellere Algorithmen" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI optimiert Quanten-Schaltkreise: weniger Quibits, schnellere Algorithmen« bei Google Deutschland suchen, bei Bing oder Google News!