Schöpferische KI: Diese handschriftlichen Buchstaben wurden nicht von einem Menschen geschrieben, sondern durch eine neue Kombination aus künstlicher Intelligenz und Quantenschaltkreis. Das hybride System zeigt bei dieser kreativen Aufgabe deutlich bessere Leistungen als normale neuronale Netzwerke, wie Forschende berichten. Sie sehen in der Integration von Quanten-Schaltkreisen in klassische KI-Systeme eine Chance für noch leistungsfähigere und lernfähigere Maschinen.
Ob bei der Diagnose von Krankheiten, der Prognose von Proteinstrukturen oder bei Strategiespielen: Künstliche Intelligenz ist überall dort im Vorteil, wo große Datenmengen analysiert werden müssen. Anhand von Trainingsdaten lernen die künstlichen neuronalen Netzwerke, welche Merkmale entscheidend sind, und entwickeln daraus die Fähigkeit, auch neue Daten entsprechend einzustufen – sie lernen selbständig, worauf es ankommt.
Vom bloßen Analysieren zum Generieren
Der nächste Schritt sind „schöpferische“ Aufgaben: Wenn KI-Systeme selbst Daten in Form von Texten, Bildern, Tönen oder Videos erzeugen sollen, ist dies deutlich anspruchsvoller. Denn die dafür genutzten generativen neuronalen Netzwerke müssen zunächst lernen, was die zu erzeugende Daten ausmacht, und dann diese Merkmale selbstständig zu einem neuen stimmigen Bild, Text, Musikstück oder anderen Output rekombinieren. Auch das Retuschieren von visuellen Daten kann generative KI leisten.
Doch es geht noch besser, wie nun ein Team um Manuel Rudolph von Zapata Computer in Kanada demonstriert. Sie haben ein generatives KI-System mit Quantentechnologie kombiniert und sie so noch leistungsfähiger gemacht. Als Testaufgabe wählten sie eine gängige Benchmark für schöpferische KI-Aufgaben: das Erzeugen von Buchstaben in einer realistischen, authentisch aussehenden Handschrift.
Neuronale Netzwerke mit Quantenbits „gepimpt“
Für ihr Experiment nutzen die Forschenden als klassische KI-Komponente zwei neuronale Netzwerke, die zu einem sogenannten Generative Adversarial Netzwork (GAN) zusammengeschaltet waren. Dabei dient ein Unternetzwerk als Generator, der auf Basis der Trainingsdaten versucht, möglichst naturgetreue Buchstaben zu generieren. Das zweite Unternetzwerk, der Diskriminator, vergleicht diese Daten mit den Trainingsdaten und weist sie bei zu starken Abweichungen zurück. Er übernimmt damit die Rolle eines Gegenspielers, der versucht, die neu erstellten „Fakes“ von den Ursprungsdaten zu unterscheiden.
Dieses zweiteilige KI-System ergänzten Rudolph und sein Team durch einen Quantenschaltkreis aus acht Qubits. Diese bestehen aus in speziellen Laserfallen gefangenen Ytterbium-Ionen, deren Energiezustände die Bits repräsentieren. Dieses System bauten die Forschenden in der sogenannten „Latent Space“-Schicht des Diskriminators ein. Diese ermittelt im Falle der Handschriftaufgabe alle Varianten, die zwischen dem Soll und ist liegen, und erzeugt damit die Information für Verbesserungen der Buchstaben
Das „Beste zweier Welten“
Im Experiment ließ das Team dieses hybride GAN-System gegen mehrere klassische GANs antreten. Das Ergebnis: „Die hybriden acht-Qubit-Systeme übertrafen im Allgemeinen die Leistungen der klassischen Systeme“, berichten die Forschenden. Die Kombination der neuronalen Netzwerke mit dem Quantenschaltkreis ermöglichte es ihrem Hybridsystem, die gewünschte Handschrift präziser und originalgetreuer zu reproduzieren.
Nach Ansicht der Wissenschaftler könnten solche kombinierten Systeme neue Möglichkeiten eröffnen, leistungsfähige und vielseitig einsetzbare künstliche Intelligenzen zu entwickeln. „Der hier demonstrierte Erfolg kann das maschinelle Lernen für quantenbasierte Komponenten öffnen“, kommentiert der nicht an der Studie beteiligte Quantenphysiker Norbert Linke von der University of Maryland.
Die besten KI-Systeme der Zukunft könnten demnach das „beste beider Welten“ in sich vereinen – und die praktischen Anwendungsmöglichkeiten für Quantenrechner beträchtlich erweitern. (Physical Review X, 2022; doi: 10.1103/PhysRevX.12.031010)
Quelle: American Physical Society APS
