Quantenboost für Sprachmodelle: Wie ein 156-Qubit-Computer das KI-Denken schärft

Künstliche Intelligenz wird immer hungriger - nach Daten, nach Rechenleistung, nach immer mehr Parametern. Modelle wie GPT-5.5 bewegen sich im Bereich von zwei bis fünf Billionen Parametern, und jedes einzelne Gewicht frisst Speicher und Energie. Doch was, wenn ein winziger Schaltkreis, ausgeführt auf einem Quantencomputer, ein solches Gigantenmodell messbar klüger machen könnte? Genau das ist einem Team von Multiverse Computing und IBM gelungen. Sie haben erstmals gezeigt, dass ein supraleitender Quantenprozessor die Fähigkeiten eines produktionsreifen Sprachmodells verbessern kann - nicht in der Theorie, sondern auf echter Hardware. Das Ergebnis ist ein hybrides System, das Fragen richtig beantwortet, bei denen das Basismodell patzte, und das die sogenannte Perplexität um 1,4 Prozent senkte, obwohl es nur 6.000 zusätzliche Parameter einbrachte.

Die Crux mit der Perplexität

Um die Leistung von Sprachmodellen zu bewerten, nutzen Forscher das Maß der Perplexität (PPL). Es beschreibt, wie unsicher ein Modell bei der Vorhersage des nächsten Wortes ist - je niedriger der Wert, desto treffsicherer und kohärenter die generierten Texte. Ein System mit hoher Perplexität neigt zu sprunghaften, fehlerhaften Ausgaben. Üblicherweise senkt man die Perplexität durch Feintuning, größere Trainingsdatensätze oder schlicht durch das Aufblähen der Parameterzahl. Doch dieser Ansatz stößt an infrastrukturelle Grenzen: Rechenzentren wachsen, der Stromverbrauch steigt, und die Kosten explodieren.

Die Wissenschaftler um Borja Aizpurua, Senior Research Scientist bei Multiverse Computing und Erstautor der Studie, suchten nach einem Ausweg, der nicht auf schierer Skalierung beruht. Ihre Idee: Man nehme ein vortrainiertes Modell, friere dessen Parameter ein und füge eine winzige, aber mächtige Komponente hinzu - einen Quantenschaltkreis, der auf einem echten Quantencomputer läuft. Das Ziel war nicht, das gesamte Modell zu ersetzen, sondern ihm eine Art kognitiven Feinschliff zu verpassen, der klassisch so nicht möglich wäre.

Cayley-Adapter: Ein winziger Quantenschaltkreis mit großer Wirkung

Das technische Herzstück des Experiments sind sogenannte Cayley-parametrisierte unitäre Adapter (CUAs). Dabei handelt es sich um mathematische Matrizen, die auf einer speziellen Parametrisierung beruhen und sich klassisch trainieren lassen. Die Forscher fügten diese Adapter in eine bestimmte Schicht des Sprachmodells Llama 3.1 8B von Meta ein - ein Modell mit acht Milliarden Parametern, das als solide Basis gilt. Während des Trainings blieben alle ursprünglichen Gewichte unverändert; nur die Cayley-Parameter wurden optimiert. Anschließend wurde der trainierte Adapter auf einen supraleitenden Quantenprozessor geladen: das 156-Qubit-System IBM Quantum System Two.

Der entscheidende Schritt geschah während der Inferenz, also dann, wenn das Modell tatsächlich Text generiert. Die klassischen Schichten des Llama-Modells liefen auf herkömmlicher Hardware, aber an der Stelle, an der der CUA saß, wurde der Rechenprozess auf den Quantencomputer ausgelagert. Die hybriden Ausgaben konnten dann direkt mit den Ergebnissen des rein klassischen Modells verglichen werden. Das Ergebnis war bemerkenswert: Die Perplexität sank um 1,4 Prozent - und das bei einer Parametererhöhung von lediglich 0,000075 Prozent. „Ihre Bedeutung liegt nicht in der Größe der Perplexitätsverbesserung - die mit der Hardwaretreue und der Qubit-Zahl wachsen wird - , sondern in der Tatsache, dass sie überhaupt existieren“, schreiben die Forscher in ihrer auf arXiv veröffentlichten Studie.

Wenn Quantenphysik Fakten korrigiert

Noch greifbarer wird der Quanteneffekt an konkreten Beispielen. In einem Astronomie-Quiz wählte das unverstärkte Llama-Modell fälschlicherweise die Antwort, nur Saturn besitze Ringe unter den jupiterähnlichen Planeten. Das CUA-erweiterte Modell hingegen erkannte korrekt, dass alle Gasriesen - Jupiter, Saturn, Uranus und Neptun - von Ringsystemen umgeben sind. In einer biologischen Frage zu den populationsgenetischen Folgen von Genfluss tippte das Basismodell auf „Hardy-Weinberg-Störung“, während die hybride Version treffsicher „erhöhte genetische Homogenität“ ausgab.

„Hier sehen wir ein Beispiel, bei dem ein Modell falsch antwortet, und dann fügt man etwas Quantenphysik hinzu, und plötzlich antwortet es richtig“, kommentierte Aizpurua gegenüber Live Science. Diese Korrekturen sind keine Zufallstreffer, sondern Ausdruck einer veränderten internen Repräsentation von Wissen. Offenbar hilft die quantenmechanische Überlagerung und Verschränkung, die in den Cayley-Adaptern steckt, dem Modell, semantische Zusammenhänge präziser zu gewichten - ein Vorgeschmack auf das, was Fachleute als „Quantenvorteil“ bezeichnen.

Rauschen, Fehler und die Kunst der Fehlerkorrektur

Dass dieser Durchbruch auf heutiger, noch fehlerbehafteter Hardware gelang, ist alles andere als selbstverständlich. Quantencomputer kämpfen mit massivem Rauschen: Wechselwirkungen mit benachbarten Qubits, Störungen durch das Erdmagnetfeld, WLAN-Strahlung oder sogar kosmische Teilchen können die empfindlichen Quantenzustände zerstören und Messungen unbrauchbar machen. Je größer der Schaltkreis, desto stärker die Fehleranfälligkeit. Genau deshalb sind die Cayley-Adapter so klein konstruiert - sie umgehen das Rauschen, indem sie nur minimale Quantenressourcen beanspruchen.

Die Forscher betonen, dass die Fehlerkorrektur eine der zentralen Hürden bleibt. IBM selbst hat angekündigt, bis 2029 mit „Starling“ den ersten fehlertoleranten Quantencomputer zu bauen. Mit steigender Qubit-Zahl und besserer Fehlerkorrektur, so die Erwartung, werden sich die Perplexitätsgewinne vervielfachen lassen. Schon jetzt zeigt das Experiment, dass Quantenhardware nicht länger nur ein Spielzeug für Physiker ist, sondern in reale KI-Pipelines integriert werden kann - ein entscheidender Schritt vom Labor in die Anwendung.

Vom Proof-of-Concept zum Quantenvorteil

Die Studie ist ein klassisches Proof-of-Concept, aber eines mit weitreichenden Implikationen. Bislang galt die Kombination von Quantencomputing und großen Sprachmodellen als Zukunftsmusik; nun liegt ein funktionierender hybrider Prototyp vor. Aizpurua sieht den nächsten logischen Schritt darin, nicht nur die Adapter, sondern den gesamten Quantenschaltkreis direkt zu enkodieren. Das könnte zu Modellen führen, die mit deutlich weniger Parametern eine niedrigere Perplexität und höhere Genauigkeit erreichen als jedes rein klassische System.

Der Traum vom Quantenvorteil - also dem Punkt, an dem ein Quantencomputer Aufgaben löst, die für klassische Rechner unerreichbar sind - rückt damit ein Stück näher. Noch ist die Verbesserung von 1,4 Prozent bescheiden, doch sie belegt ein Prinzip: Quantenphysik kann KI nicht nur beschleunigen, sondern auch inhaltlich verbessern. In einer Zeit, in der Sprachmodelle zunehmend an ihre Skalierungsgrenzen stoßen, könnte diese Symbiose aus klassischer und Quantenhardware der Ausweg sein. Vielleicht werden wir bald nicht mehr nur über die Größe eines Modells staunen, sondern über die Eleganz, mit der ein paar Dutzend Qubits sein Denken schärfen.

Quellen:

• Research team awakens ‚hidden oxygen‘ to produce green hydrogen (Phys.org)
• Scientists trained an AI model using an IBM quantum computer - and it answered questions correctly that the base model couldn’t (Live Science)
• 3 things you need to know about quantum computers, from an expert (New Scientist)
• How I eavesdrop on frog conversations (Nature - News)
• AI can take the friction out of life, but some effort can be good (Science News)
• Lunar Robots: NASA Spotlights Moon Base at 2026 FIRST Robotics Competition (NASA - Breaking News)

// weiterlesenKling 4.0 ist da: Features, Preise und Sprachsupport 2026NachrichtenOpenAI Dots: KI-Agenten mit eigenem Computer in der CloudKI-WerkzeugeOpenAI Agents API: Computer Use, Decisions API und PreiseNachrichten

Kinetyra