Forschungsbericht · überarbeitet am 09. November 2026
Die Ausgabe ist ein Symbol statt eines Zahlenvektors
Bei einer klassischen Projektion werden viele numerische Ergebnisse für die weitere Rechnung benötigt. Eine Quantenabbildung muss diese Werte gegebenenfalls mit vielen Messungen rekonstruieren. Für einen generativen Schritt ist ein anderer Vertrag möglich: Die Messung liefert unmittelbar das nächste Symbol aus einer gelernten Wahrscheinlichkeitsverteilung.
Unser Versuch prüft genau diesen Wechsel. Der Kontext wird als Basiszustand vorbereitet, eine trainierbare Schaltung verändert die Zustandsamplituden und die Messung der Ausgaberegister liefert eines von vier Symbolen. Ein vollständiger klassischer Wahrscheinlichkeitsvektor ist zur einzelnen Symbolziehung nicht erforderlich. Die neue Kontextpräparation pro Symbol bleibt notwendig. Diese Funktion wird im Simulator ausgeführt, nicht auf einer QPU.
Ein stochastischer Prozess mit vollständig bekannten Grenzen
Die Sequenzaufgabe besitzt vier Symbole. Das nächste Symbol hängt von den beiden vorherigen ab. Damit gibt es 16 mögliche Kontexte und vier Ausgangswahrscheinlichkeiten je Kontext. Der erzeugende Prozess ist eine vorgegebene klassische Wahrscheinlichkeitsregel und wurde nicht aus einem Quantenmodell abgeleitet. Der Versuchsaufbau bevorzugt somit keine Schaltungsfamilie durch ein quantenerzeugtes Ziel.
Trainings-, Validierungs- und Testdaten werden separat erzeugt. Sie enthalten 128, 64 und 128 Sequenzen mit jeweils zwölf vorherzusagenden Folgesymbolen. Untersucht werden drei Schaltungen mit vier, sechs und acht Qubits sowie jeweils drei Lagen. Drei Seeds, zwei Lernraten und höchstens 160 Updates je Lauf bilden das gemeinsame Trainingsbudget. Die Auswahl erfolgt anhand der Validierungsdaten.
Ein Strukturhindernis wird sichtbar
Der Vier-Qubit-Generator verwendet alle 16 Basiszustände als Kontexteingaben. Für eine unitäre Transformation auf dieser vollständigen Basis ist der Mittelwert der vier Ausgabewahrscheinlichkeiten über gleich gewichtete Kontexte jeweils 1/4. Das ist eine strukturelle Eigenschaft des gewählten Modells, keine Frage einer noch nicht ausreichend langen Optimierung.
Der Zielprozess verlangt stattdessen ungefähr 0,1866, 0,2240, 0,2684 und 0,3211 als entsprechende Mittelwerte. Die kleine Schaltung kann diese Bedingung daher nicht beliebig treffen. Zusätzliche Hilfsqubits in den Varianten mit sechs und acht Qubits heben diese konkrete Vollbasis-Beschränkung auf. Der Versuch untersucht so eine begründete Architekturänderung statt lediglich weitere Trainingsschritte desselben eingeschränkten Modells.
Qualität gegen Tabelle, MLP und Transformer messen
Die mittlere Test-NLL beträgt 1,33789 für vier Qubits, 1,30142 für sechs und 1,29718 für acht. Kleinere Werte sind besser. Zusätzliche Hilfsqubits verbessern die untersuchte Modellfamilie. Ein klassisches MLP erreicht jedoch 1,24301, ein kleiner Transformer 1,24210 und eine klassische Übergangstabelle 1,24125.
Die Tabelle speichert 64 Wahrscheinlichkeiten und wird aus den Trainingshäufigkeiten mit einer auf Validierung gewählten Glättung bestimmt. Sie ist keine Kenntnis der versteckten Testantworten. Weil sämtliche 16 Kontexte klein und explizit darstellbar sind, ist sie eine passende starke Kontrolle. Auch die Wahrscheinlichkeiten eines fertig trainierten Quantengenerators lassen sich für diese Aufgabe vollständig klassisch tabellieren. Keiner der Quantenkandidaten erfüllt das vorab festgelegte Qualitätsgate gegen die stärkste klassische Alternative.
Direkte Symbolerzeugung tatsächlich ausführen
Drei ausgewählte Modelle erzeugen in einem separaten Qiskit-Prozess jeweils 32 aufeinanderfolgende Symbole. Nach jeder Ziehung wird der Kontext aktualisiert und neu präpariert. Insgesamt sind das 96 zusätzliche Zustandspräparationen für die autoregressiven Folgen. Die Prüfung ergänzt 150 Zustandsläufe an 15 ausgewählten trainierten Schaltungen aus der gemeinsamen Versuchsserie.
Die unabhängig berechneten Zustände stimmen bis auf Abweichungen unter 4 × 10⁻¹⁶ überein. Damit ist der geänderte Auslesevertrag funktional nachvollzogen. Eine einzelne simulierte Ziehung ist trotzdem keine gemessene physische Tokenlatenz. Die verwendeten exakten CPU-Gradienten, die Zustandspräparation und das Born-Sampling enthalten keine vollständige Gerätefehler-, Steuerungs- oder Versorgungsbilanz.
Der Fortschritt liegt im Vertrag, nicht in einem gemessenen Vorsprung
Der Versuch zeigt einen funktionierenden Generator, dessen Ausgabemessung unmittelbar ein Symbol liefert. Er zeigt außerdem, weshalb ein kleiner unitärer Ansatz eingeschränkt ist und wie Hilfsqubits diese konkrete Einschränkung verändern. Das sind überprüfbare Erkenntnisse über die Modellstruktur. Auf der gewählten Aufgabe entsteht daraus noch kein Qualitäts- oder Aufwandsvorteil gegenüber den klassischen Kontrollen.
Eine neue Aufgabe müsste eine Struktur besitzen, die sich nicht bereits mit einer winzigen Tabelle vollständig abbilden lässt. Gleichzeitig müssten Kontextzugriff, Training und benötigte Ausgabe weiterhin realistisch bleiben. Die vier Symbole sind keine natürliche Sprache und der Zweischrittkontext kein Langkontext-Sprachmodell. Mehr Qubits allein beantwortet deshalb weder die Skalierungsfrage noch die Frage nach einer besseren Hardware für vollständige Sprachmodelle.
Konsequenz für den nächsten Entwurf
Den funktionierenden Auslesevertrag dokumentieren. Diese Ausführung nicht als Gewinner skalieren.