Meta‑Learning in Quantum Control: Skalierungsgesetze für adaptive Steuerung

Quantenhardware leidet unter inhärender Geräteheterogenität und Umwelteinflüssen, wodurch Anwender zwischen suboptimalen, nicht‑adaptiven Controllern und kostenintensiver, gerätespezifischer Neukalibrierung wählen müssen.

In einer neuen Studie wurde ein Skalierungs­gesetz für Meta‑Learning abgeleitet, das einen unteren Grenzwert für den Adaptationsgewinn liefert. Der erwartete Fidelity‑Zuwachs aus task‑spezifischen Gradienten­schritten steigt exponentiell mit der Anzahl der Schritte an, aber sobald ein bestimmter Schwellenwert erreicht ist, saturiert er. Gleichzeitig skaliert der Gewinn linear mit der Varianz der Aufgaben, was ein quantitatives Kriterium dafür liefert, wann die zusätzliche Rechen­last der Adaptation gerechtfertigt ist.

Die Theorie wurde zunächst bei der Kalibrierung von Quanten­Gates getestet. Für Aufgaben mit geringer Varianz zeigte sich kaum Nutzen, während bei zwei‑Qubit‑Gates unter extremen Out‑of‑Distribution‑Bedingungen – zehnmal mehr Rauschen als im Trainingsdatensatz – ein Fidelity‑Zuwachs von über 40 % erzielt wurde. Diese Ergebnisse deuten darauf hin, dass adaptive Verfahren die Zeit für gerätespezifische Kalibrierungen auf Cloud‑Quantenprozessoren erheblich verkürzen können.

Eine weitere Validierung an klassischen linearen Quadratic‑Control‑Systemen bestätigte, dass die Skalierungs­gesetze aus der allgemeinen Optimierungs­geometrie resultieren und nicht auf quantenphysikalische Besonderheiten zurückzuführen sind. Damit bietet die Arbeit einen übertragbaren Rahmen für Entscheidungen in adaptiven Steuerungs­aufgaben, der sowohl in der Quanten- als auch in der klassischen Technik anwendbar ist.