Mit Hilfe der Quantenphysik könnten Roboter viel rascher Entscheidungen auf Basis früherer Erfahrungen treffen als mit herkömmlichen Methoden. Die Lerngeschwindigkeit steige dabei mit dem Quadrat im Vergleich zu herkömmlich agierenden Agenten, berichten Physiker der Universitäten Innsbruck und Madrid im Fachjournal "Physical Review X".

Bereits vor zwei Jahren hat Quantentheoretiker Hans Briegel vom Institut für Theoretische Physik der Universität Innsbruck und dem Institut für Quantenoptik und Quanteninformation (IQOQI) der Akademie der Wissenschaften (ÖAW) mit Kollegen ein theoretisches Konzept für Künstliche Intelligenz (KI) ausgearbeitet, das Maschinen rudimentär kreatives Verhalten ermöglichen soll. In dem im Fachjournal "Nature Scientific Reports" veröffentlichten Modell nimmt ein Agent - so nennen Experten ein Programm, das zu einem gewissen autonomen Verhalten fähig ist - Eindrücke aus der Umwelt auf, verarbeitet diese in einem künstlichen Gedächtnis und spielt verschiedene Handlungsoptionen durch.

Zentral dabei ist ein "episodisch-kompositorisches Gedächtnis", in dem Erfahrungen in Form kurzer Fragmente, Clips genannt, gespeichert werden. In einer neuen Situation würde der Agent völlig zufällig Clips mit ähnlichem Inhalt abrufen und bei einem passenden Fund entsprechend handeln. Der Agent kann aber auch sein Verhalten aufgrund früherer Erfahrungen modifizieren und selbst fiktive Clips erzeugen, die in der Folge wie reale Erfahrungen behandelt werden. Aus Erfolg und Misserfolg könnte der Agent so lernen und gewisse Formen intelligenten Verhaltens hervorbringen.

Superposition möglich

Dieses Konzept kann mit bereits existierenden Technologien umgesetzt werden. Briegel und seine Kollegen konnten damals aber auch zeigen, dass sich die Vorteile von Phänomenen der Quantenphysik auf das Modell übertragen lassen. Denn in der Quantenwelt gibt es nicht nur zwei Zustände wie Ja/Nein oder 0/1 wie beim Bit, der kleinsten Informationseinheit in der Informationstechnologie. Ein Quantenbit (Qubit) kann vielmehr verschiedene Schwebezustände zwischen zwei Möglichkeiten einnehmen - die Wissenschafter sprechen von "Superposition".

Das will man sich nicht nur in einem künftigen Quantencomputer zunutze machen, der mit mehreren Qubits bestimmte Probleme wesentlich schneller lösen könnte als ein klassischer Computer. Auch ein Quantenroboter könnte sein Gedächtnis gewissermaßen "in Superposition" abrufen und damit viel schneller durchforsten.

"Wir konnten in der damaligen Arbeit aber noch keine quantitativen Aussagen machen, etwa unter welchen Umständen ein solcher Quantenagent wirklich schneller reagieren oder lernen kann und, wenn ja, um wie viel schneller gegenüber einem klassischen Agenten", sagte Briegel gegenüber der APA.

Nun konnte der Physiker gemeinsam mit spanischen Kollegen erstmals zeigen, "dass die geeignete Quantisierung des Modells tatsächlich zu einer deutlichen - genauer gesagt quadratischen - Beschleunigung der Entscheidungsfindung führen kann", so Briegel. Diese Beschleunigung könnte in vielen Anwendungen, vor allem im Fall von sehr komplexen Umgebungen, nützlich sein.

Vor allem beim aktiven Lernen wäre die Geschwindigkeit der Entscheidungsfindung wichtig, betont der Physiker und verweist auf Roboter, die in unbekannten und sich ändernden Umgebungen arbeiten müssen. Schneller entscheidende Agenten würden sich in einer solchen Umwelt leichter zurechtfinden, hätten dadurch mehr Spielraum, könnten Neues ausprobieren und erfolgreiche Verhaltensmuster entwickeln.

Service: http://dx.doi.org/10.1103/PhysRevX.4.031002