Quantum-informed Machine Learning zur Vorhersage chaotischer Strömungen

ArtikelMaida Wang, Xiao Xue, Mingyang Gao, Peter V. CoveneyForschung

Forschende des University College London und der Universität Amsterdam stellen mit QIML ein hybrides Framework vor, das quantenbasierte generative Modelle mit klassischen autoregressiven Prädiktoren verbindet. Der Ansatz stabilisiert die Langzeitvorhersage hochdimensionaler chaotischer Systeme und demonstriert praktische Vorteile gegenüber rein klassischen Methoden.

Das Wichtigste

  1. QIML kombiniert ein einmalig offline trainiertes quantengeneratives Modell mit einem klassischen autoregressiven Prädiktor zur Generierung raumzeitlicher Felder.
  2. Das Quantenmodell erlernt einen sogenannten Q-Prior, der feinskalige Dynamiken und Interaktionen auf kleinen Skalen abbildet.
  3. In Tests mit der Kuramoto-Sivashinsky-Gleichung, 2D-Kolmogorov-Strömungen und 3D-Turbulenzkanälen stieg die Verteilungsgenauigkeit um bis zu 17,25 % und die Spektrumstreue um bis zu 29,36 % gegenüber klassischen Baselines.
  4. Für die 3D-Kanalströmung wurde der Q-Prior auf einem supraleitenden Quantenprozessor trainiert; ohne diesen Prior divergierten die Vorhersagen.
  5. Das Verfahren bietet Speichervorteile, indem es mehrbändige Datensätze auf einen Kilobyte-großen Q-Prior komprimiert und wiederholte Latenzen zwischen Quanten- und klassischer Hardware im Inferenzbetrieb vermeidet.

Warum das relevant ist

Klassische neuronale Netze und Operator-Modelle scheitern bei Langzeitvorhersagen turbulenter Strömungen oft an Fehlerakkumulation und Chaos. QIML zeigt einen praxistauglichen Weg auf, aktuelle Quantenhardware (NISQ) für physikalische Simulationen einzusetzen, ohne auf fehlerkorrigierte Quantenrechner warten zu müssen.

Einordnung

Das Papier adressiert eine fundamentale Schwachstelle bisheriger hybrider Quanten-ML-Ansätze (QEML): den enormen Kommunikations- und Mess-Overhead im laufenden Trainingsbetrieb. Indem die Autoren das Quantenmodell als einmalig erlernten Q-Prior auslagern, umgehen sie kontinuierliche Roundtrips zwischen klassischer CPU/GPU-Infrastruktur und Quantenprozessoren. Bemerkenswert ist zudem die Datenkompression von Megabytes auf Kilobytes bei gleichzeitiger Stabilisierung der Langzeitdynamik, was traditionellen partiellen Differentialgleichungs-Solvern in diesem Szenario überlegen war.

Erwähnte Links

Gefunden in

Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.

Ähnliche Einträge

Inhaltlich ähnlich, ermittelt über die KI-Suche.

  • Artikel:NVIDIA et al.

    LLM-Pretraining in 4-Bit: NVIDIA stellt NVFP4-Trainingsansatz vor

    Ein Forschungsteam von NVIDIA hat eine Methode vorgestellt, um Large Language Models stabil und akkurat im 4-Bit-Gleitkommaformat NVFP4 vorzutrainieren. Zur Validierung trainierten die Forscher ein Modell mit 12 Milliarden Parametern auf 10 Billionen Tokens – laut Autoren der bisher längste dokumentierte Trainingslauf in 4-Bit-Präzision. Die Ergebnisse zeigen vergleichbare Trainingsverluste und Genauigkeiten wie bei einer FP8-Baseline.

    KI & AI· Forschung

  • Artikel:Maximilian Beck, Korbinian Pöppel, Markus Spanring, Andreas Auer, Oleksandra Prudnikova, Michael Kopp, Günter Klambauer, Johannes Brandstetter, Sepp Hochreiter

    xLSTM: Extended Long Short-Term Memory

    Ein Forschungsteam um Sepp Hochreiter stellt xLSTM vor, eine Weiterentwicklung der klassischen Long Short-Term Memory-Architektur für moderne Large Language Models. Die Erweiterung behebt bisherige Skalierungs- und Parallelisierungsgrenzen von LSTMs und erzielt vergleichbare Ergebnisse zu Transformer- und State-Space-Modellen.

    KI & AI· Forschung

  • Link:Zhe Liu, Jinghua Hou, Yuxiang Lu, et al.

    StreamPI: Temporale Modellierung für Vision-Language-Action-Modelle im Streaming-Betrieb

    Forschende der University of Hong Kong und von ACE Robotics stellen StreamPI vor. Das Framework erweitert Vision-Language-Action-Modelle (VLAs) wie π0.5 um zeitliche Kontextverarbeitung, ohne neue Modellparameter hinzuzufügen. Durch die paarweise Bindung von Bild- und Textbefehlen sowie ein Trainingsverfahren mit zufälligen Zeitintervallen verbessert StreamPI die Präzision und Robustheit bei der realen Robotersteuerung.

    KI & AI· Forschung

  • Artikel:Peiyan Li, Yuze Zhu, Yixiang Chen, Qisen Ma, Yuan Xu, Jiabing Yang, He Guan, Yan Huang, Hongtao Wu, Xiao Ma, Tao Kong, Liang Wang, Tieniu Tan

    BridgeVLA++: 3D-Roboter-Manipulations-Framework mit spatio-temporalem Gedächtnis

    Forschende stellen BridgeVLA++ vor, ein Vision-Language-Action-Framework für 3D-Roboter-Manipulationen. Aufbauend auf BridgeVLA erweitert das Modell vortrainierte Vision-Language-Modelle (VLMs) um eine Architektur für räumlich-zeitliches Gedächtnis, um vergangene Beobachtungen und Interaktionshistorien effizient einzubeziehen.

    KI & AI· Forschung

  • Artikel:Yoel Shoshan, Moshiko Raboh, Michal Ozery-Flato, et al.

    MAMMAL: Multimodales KI-Basismodell für die Wirkstoffforschung

    Forschende von IBM und Partnerinstitutionen stellen MAMMAL vor, ein multimodales Basismodell für das computergestützte Wirkstoffdesign. Das Modell integriert Protein- und Antikörpersequenzen, kleine Moleküle sowie Genexpressionsprofile in einer einheitlichen Sequenzarchitektur und wurde auf zwei Milliarden Datenpunkten vortrainiert.

    KI & AI· Forschung

  • Link:Discovery Loop

    Discovery Loop: Automatisierung wissenschaftlicher Entdeckungsprozesse

    Jeff Dean, Sanjay Ghemawat, Quoc Le und Oriol Vinyals haben Discovery Loop vorgestellt. Das Unternehmen will wissenschaftliche Experimentierzyklen mithilfe von Frontier-KI und verteilten Systemen automatisieren, beginnend bei der ML-Forschung selbst.

    KI & AI· Ankündigung

Zurück zur Wissensbasis

Lassen Sie uns über Ihr Projekt sprechen

Kontakt aufnehmen

Standorte

  • Mattersburg
    Johann Nepomuk Bergerstraße 7/2/14
    7210 Mattersburg, Austria
  • Wien
    Ungargasse 64-66/3/404
    1030 Wien, Austria

Dieser Inhalt wurde teilweise mithilfe von KI erstellt.