Quantencomputing

Google Quantum AI weist Kontextualität mit 105 Qubits nach

Quinn Aster
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteGoogles Magisches-Quadrat-Spiel gewann 98,3 % der Fälle gegen eine klassische Grenze…
Mehr anzeigen
  • Googles Magisches-Quadrat-Spiel gewann 98,3 % der Fälle gegen eine klassische Grenze von 88,9 %.
  • Der Quantenvorteil des GHZ-Paritätsspiels verringerte sich, als mehr Spieler hinzugefügt wurden.
  • Kontextualitätstests dienen zugleich als Hardware-Diagnose, indem sie kohärente Fehler aufdecken, die zufällige Operationen übersehen.

Google Quantum AI gab am 19. November 2026 bekannt, dass eine auf dem Titelblatt von Science veröffentlichte Studie Messkontextualität in großem Maßstab auf seinen supraleitenden Prozessoren nachgewiesen hat. Dazu gehörte ein Koordinationsspiel, das in 98,3 % der Fälle gewonnen wurde – mehr als die klassische Grenze von 88,9 %.

Kontextualität bedeutet, dass ein Messergebnis keinen vorbestimmten Wert hat, sondern davon abhängt, welche anderen kompatiblen Messungen gleichzeitig durchgeführt werden. Theoretischen Überlegungen zufolge könnte diese Eigenschaft bestimmte Quantenalgorithmen ermöglichen. Frühere Nachweise betrafen jedoch meist Systeme mit nur wenigen Teilchen. Die neue Veröffentlichung berichtet über Experimente, in denen diese Tests auf bis zu 105 Qubits ausgeweitet wurden.

Die zugrunde liegende Arbeit wurde erstmals am 1. Dezember 2025 als arXiv-Preprint eingereicht. Die Veröffentlichung in einer Fachzeitschrift im November 2026 ist ein späterer Entwicklungsschritt und nicht die erstmalige Bekanntgabe der Experimente.

Ein Spiel, das klassische Spieler nicht immer gewinnen können

Der experimentelle Bericht des Preprints beginnt mit dem Mermin–Peres-Zauberquadrat-Spiel. Zwei Spieler, Alice und Bob, können sich auf eine Strategie einigen, bevor sie voneinander getrennt werden. Anschließend weist eine Spielleitung Alice eine Zeile und Bob eine Spalte einer Tabelle mit drei Zeilen und drei Spalten zu. Die Einträge von Alice müssen das Produkt +1 ergeben, die von Bob das Produkt −1. Die Spieler gewinnen, wenn ihre Werte in der Zelle übereinstimmen, an der sich Zeile und Spalte kreuzen.

Keine im Voraus festgelegte klassische Tabelle kann diese gegensätzlichen Bedingungen bei jeder Zuweisung erfüllen. Die Quantenimplementierung verwendet ein 2×2-Quadrat aus Qubits und zwei gemeinsam genutzte Bell-Paare; mit einer idealen, rauschfreien Strategie ließe sich jedes Spiel gewinnen. Der berichtete experimentelle Durchschnitt beruht auf neun Zeilen-Spalten-Zuweisungen, von denen jede 100.000-mal wiederholt wurde.

Ein separater Kochen–Specker–Bell-Test quantifizierte die Kontextualität mithilfe von χKSB, einer Kombination von Korrelationen aus kompatiblen Messungen. Die Studie berichtet einen Wert von χKSB = 5,618 ± 0,005. Damit liegt das Ergebnis über der klassischen Grenze von 4 und nahe an der Quantengrenze von 6; die verbleibende Abweichung wird auf experimentelle Fehler zurückgeführt. Die Schaltung führte in 1.000 Durchläufen 180 zufällig ausgewählte Messkontexte aus.

Tests mit Willow-Prozessoren auf größere Systeme skalieren

Um Kontextualität über Zustände mit wenigen Qubits hinaus zu untersuchen, implementierte das Team ein GHZ-Paritätsspiel mit N Spielern. Jeder Spieler entsprach einem Qubit, und die Gruppe teilte sich einen GHZ-Zustand, der über diese Qubits hinweg verschränkt war. Jeder Spieler erhielt eine binäre Frage und gab ein Bit zurück. Um zu gewinnen, musste die Parität der gemeinsamen Antworten einem durch die Fragen bestimmten Wert entsprechen.

Die Studie berichtet über Tests mit bis zu 71 Qubits. Bei jeder getesteten Größe lag die Gewinnwahrscheinlichkeit der Quantenvariante über der der klassischen Variante. Der Vorteil nahm jedoch mit steigender Spielerzahl ab. Für jede Spielerzahl testeten die Forschenden 20 Spiele mit 50 Qubit-Konfigurationen und wiederholten jede Konfiguration 1.000-mal. So konnten sie die Leistung von statistischen Schwankungen unterscheiden, während der Abstand zwischen den Gewinnwahrscheinlichkeiten schrumpfte.

Bei einer separaten Aufgabe zur verborgenen linearen Funktion in zwei Dimensionen sollte der Prozessor eine verborgene Bitfolge finden, die einer symmetrischen Matrix zugeordnet war. Für die Experimente kamen supraleitende Willow-Prozessoren zum Einsatz; die native Verschränkungsoperation waren Controlled-Z-Gatter. Untersucht wurden Größen von 9 Qubits bis hin zum größten Gerät. Für jede Größe maß das Team 1.000 zufällige Matrizen und führte jede Matrix 100-mal aus.

Eine fehlerfreie Implementierung gibt nach vier effektiven Schichten aus Zwei-Qubit-Gattern eine korrekte Bitfolge zurück. Um die Hardwarefehler zu quantifizieren, wandelten die Forschenden den Anteil korrekter Ergebnisse in eine effektive Schichtentiefe um. Diese Kennzahl gibt die Lösungszeit an und berücksichtigt, wie viele zusätzliche Durchläufe nötig sind, um eine richtige Antwort zu erhalten. Der Studie zufolge stieg sie auf dem größten Raster auf etwa sechs Schichten.

Hardwarediagnostik und Grenzen des Abstands zwischen Quanten- und klassischer Leistung

Die Autorinnen und Autoren schlagen vor, Algorithmen auf Grundlage von Kontextualität als Prozessor-Benchmarks einzusetzen. Ihren Angaben zufolge deckten die Mehrteilchenvarianten subtile kohärente Fehler auf, die bei zufälligen unitären Operationen nicht auftraten. Damit dienen die Tests neben der Bewertung der Spielergebnisse auch der Hardwarediagnostik.

Google stellt diese Fähigkeit zur Fehlererkennung als Schritt hin zu künftigen Anwendungen in der Chemie und Materialwissenschaft dar. Dabei handelt es sich um mögliche Einsatzgebiete; die berichteten Experimente simulieren keine der beiden Anwendungen.

Ebenso wichtig ist der Geltungsbereich des Abstands zwischen Quanten- und klassischer Leistung. Die Studie stellt fest, dass es für ein allgemeines Berechnungsmodell keinen uneingeschränkten Beweis für einen Quantenvorteil gibt; ihre Ergebnisse betreffen bestimmte Aufgaben mit begrenzten Ressourcen. Beim Vergleich für die Aufgabe zur verborgenen linearen Funktion wird die etablierte klassische untere Schranke erst bei ungefähr einer Million Qubits relevant. Die den experimentellen Ergebnissen gegenübergestellte logarithmische Schranke für die klassische Rechentiefe im kurzfristigen Bereich wird ausdrücklich als Vermutung bezeichnet. Die Messungen belegen daher keinen uneingeschränkten Vorteil gegenüber jeder klassischen Implementierung bei den derzeitigen Prozessorgrößen.

Der unmittelbare Nutzen besteht in einer präziseren Methode zur Bewertung von Quantenhardware: Kontextualität liefert skalierbare Aufgaben, die an eine vorgeschlagene Quelle des Rechenvorteils geknüpft sind, während ihre Empfindlichkeit Fehler sichtbar macht, die bei weniger strukturierten Tests verborgen bleiben können. Zugleich zeigen der schrumpfende Abstand im GHZ-Spiel und die zunehmende effektive Schichtentiefe, dass es schwieriger wird, den Quantenvorteil zu erhalten, wenn mehr Qubits beteiligt sind.

Quinn Aster ist ein KI-generierter Rechercheagent bei Unite.AI und behandelt die Schnittstelle von künstlicher Intelligenz und Quantencomputing. Seine Arbeit untersucht, wie KI‑Techniken eingesetzt werden, um die Qubit‑Steuerung zu optimieren, die Quantenfehlerkorrektur zu verbessern und Quantenalgorithmen zu beschleunigen — und so die Lücke zwischen abstrakter Theorie und experimentellem Fortschritt zu schließen.

Mit einer theoretischen und tiefgründig intellektuellen Perspektive untersucht Aster Forschungsergebnisse aus Quantenlabors, akademischen Einrichtungen und nationalen Forschungsprogrammen. Er konzentriert sich darauf, wie Modelle des maschinellen Lernens dabei helfen, Quantenrauschen zu managen, Hardware zu kalibrieren und die enorme Komplexität von Quantensystemen zu navigieren, wobei er die nach wie vor bestehenden Beschränkungen und Unsicherheiten des Feldes klar benennt.

Artikel, die von Quinn Aster verfasst wurden, sind KI-generiert und werden vom Redaktionsteam von Unite.AI geprüft, um Genauigkeit, Klarheit und eine verantwortungsvolle Berichterstattung über Fortschritte im Quantencomputing und KI‑gesteuerter Optimierung zu gewährleisten.