Forschungsbericht · überarbeitet am 09. November 2026
Quantenaufwand auf die Trainingsphase begrenzen
Ein Lehrer kann neben dem beobachteten richtigen Symbol auch Wahrscheinlichkeiten für alternative Ausgaben bereitstellen. Solche Softlabels enthalten zusätzliche Struktur und werden bei der Distillation an ein kleineres Modell weitergegeben. Die Forschungsfrage ist, ob eine Quantenfunktion besonders nützliche Softlabels erzeugt. Das eingesetzte Endmodell könnte danach vollständig klassisch arbeiten.
Der Ansatz verschiebt die Kostenfrage. Die QPU wäre nicht bei jedem späteren Token nötig, ihr Trainings- und Exportaufwand bliebe aber Teil der Entwicklungskosten. Ein sinnvoller Vorteil müsste deshalb bessere Schülerqualität oder geringeren gesamten Lernaufwand zeigen. Dass ein Quantenlehrer überhaupt trainierbar ist, reicht für diese Entscheidung noch nicht.
Derselbe Schüler in vier Lernbedingungen
Die Aufgabe verwendet denselben kontrollierten Prozess mit vier Symbolen und zwei Kontextsymbolen wie der quantennative Generatorversuch. Der Schüler ist ein kleines klassisches MLP mit zwei verborgenen Einheiten. Seine Ein- und Ausgabe sowie seine Modellkapazität bleiben in allen Bedingungen gleich. Die Unterschiede liegen allein in den Trainingssignalen.
Verglichen werden direktes Training auf den beobachteten Zielwerten, zusätzliche Softlabels eines idealen Quantenlehrers, Softlabels desselben Ansatzes mit 2.048 simulierten Messungen je Kontext und Softlabels eines klassischen Lehrers. Beim Lehrertraining gewichtet die Verlustfunktion harte Zielwerte und Lehrerwahrscheinlichkeiten jeweils mit 50 %. Der direkte Arm verwendet ausschließlich die harten Zielwerte. Die Lehrerterme werden gleichmäßig über die 16 bekannten Kontexte gemittelt.
Lehrerauswahl und Schülerauswahl nicht am Test optimieren
Je Seed wird der Quantenlehrer anhand der Validierung aus den trainierten Quantenfamilien ausgewählt. Für die klassische Kontrolle stehen die trainierten klassischen Familien und die Übergangstabelle zur Verfügung. Auch hier entscheidet die Validierung. Die späteren Testantworten dienen weder zur Lehrerauswahl noch zur Bestimmung der Schülerparameter.
Alle Schülerbedingungen verwenden drei Seeds, zwei Lernraten und maximal 160 Updates mit regelmäßigen Validierungsprüfungen. Die gemeinsame Serie aus Projektionsschülern, Generatoren und Trainingshelfern umfasst insgesamt 66 Lernläufe und 33 ausgewählte Checkpoints. Diese Gesamtsumme gehört nicht allein zum Lehrerexperiment. Für eine Kostenbewertung werden Lehrersuche und anschließendes Schülertraining getrennt erfasst, damit ein aufwendig ausgewählter Lehrer nicht kostenlos erscheint.
Die Testwerte zeigen keinen stabilen Qualitätsgewinn
Direktes Training erreicht eine mittlere Test-NLL von 1,30601. Mit idealem Quantenlehrer beträgt sie 1,30736, mit endlichen Quanten-Softlabels 1,30815 und mit klassischem Lehrer 1,31098. Kleinere Werte sind besser. Der ideale Quantenlehrer liegt damit in dieser kleinen Serie vor dem getesteten klassischen Lehrer, aber nicht vor dem direkten Training.
Die Einzelergebnisse erklären, weshalb der Mittelwert allein nicht genügt. Mit idealem Quantenlehrer verbessert sich der Schüler in zwei Seeds gegenüber dem direkten Arm, verschlechtert sich im dritten jedoch stärker. Das vorab festgelegte Gate verlangt eine mittlere Verbesserung von mindestens 0,01 Nats gegenüber direktem Training und klassischem Lehrer sowie einen Vorteil in jedem Seed. Diese Bedingung wird nicht erfüllt. Aus drei Seeds wird keine allgemeine statistische Überlegenheit abgeleitet.
Endliche Messungen sind noch kein realer Quantenbetrieb
Für die endliche Lehrerfassung werden je Kontext 2.048 Symbole aus der idealen Verteilung gezogen. Bei 16 Kontexten entspricht das 32.768 simulierten Shot-Ausführungen pro Lehrerexport. Die Häufigkeiten dieser Ziehungen bilden die Softlabels. Die Simulation enthält die Stichprobenstreuung des Born-Samplings, aber keine kalibrierten Gerätefehler, keinen realen Messaufbau und keine Fehlerkorrektur.
Die Quantenlehrer selbst wurden mit exakten CPU-Simulatorgradienten optimiert. Eine physische Umsetzung etwa mit Parameter-Shift würde zusätzliche Schaltungsausführungen benötigen. Hinzu kämen Zustandspräparation, Steuerung und Versorgung. Die gespeicherten CPU-Trainingszeiten sind daher keine Vorhersage der Laufzeit einer QPU. Ebenso lässt sich aus der fehlenden QPU im späteren Schülerbetrieb noch keine gesamte Energieersparnis ableiten.
Wann ein Trainingshelfer einen neuen Anlauf verdient
Der konkrete Lehrer wird nicht in den vorgesehenen Produktpfad übernommen. Unter dem geprüften Budget fehlt ein stabiler Vorteil gegenüber dem einfacheren direkten Training. Die Entscheidung verwirft diese Kombination aus Aufgabe, Lehrerfamilie, Schülerkapazität und Verlustgewichtung. Sie widerlegt nicht jede denkbare Quantenhilfe beim Lernen.
Ein neuer Versuch müsste eine überprüfbare Ursache für nützlichere Lernsignale benennen. Anschließend wären starke klassische Lehrer, dieselbe Schülerkapazität, zurückgehaltene Daten und sämtliche Such- und Trainingskosten einzubeziehen. Für diese kleine Aufgabe können sämtliche Lehrerwahrscheinlichkeiten klassisch tabelliert werden. Eine überzeugende Hardwarebegründung müsste daher über die bloße Erzeugung dieser 64 Wahrscheinlichkeiten hinausgehen und einen Vorteil zeigen, der nach vollständiger Kostenrechnung erhalten bleibt.
Konsequenz für den nächsten Entwurf
Diesen Lehrer nicht in den Produktpfad übernehmen. Eine andere Trainingshilfe benötigt eine neue Hypothese.