Partially Observable Quantum Environments, kurz POQEs, bezeichnen in dieser Abhandlung quantenmechanische oder hybride Umgebungen, in denen ein handelndes System Entscheidungen treffecht direkt zugänglich ist. Der Begriff dient dabei als präziser Arbeitsbegriff. Er verbindet Erkenntnisse aus der Theorie offener Quantensysteme, der Quantenmessung, der Zustandsabschätzung, der Quantenkontrolle und den Quantum Partially Observable Markov Decision Processes.

Partielle Beobachtbarkeit ist in der Quantentechnologie kein Sonderfall. Sie ist der Normalzustand. Ein Quantenprozessor kennt seine tatsächlichen Fehler nicht unmittelbar. Ein Quantensensor empfängt nur verrauschte Messsignale. Ein Knoten in einem Quantennetzwerk besitzt keine vollständige Information über entfernte Speicher und Übertragungskanäle. Ein autonomes Experiment muss aus begrenzten Daten entscheiden, welche Messung oder Kontrolloperation als Nächstes sinnvoll ist.

Das entscheidende Problem lautet deshalb nicht, wie vollständige Information erzwungen werden kann. In realen Quantensystemen ist dies häufig unmöglich oder unzweckmäßig. Die zentrale Frage lautet vielmehr, wie aus unvollständigen, verrauschten und durch Messrückwirkung beeinflussten Beobachtungen verlässliche Entscheidungen entstehen können.

Einleitung: Entscheidungen ohne vollständige Zustandskenntnis

Ausgangslage

Die klassische Regelungstechnik geht häufig davon aus, dass der relevante Zustand eines Systems entweder direkt messbar oder aus Sensordaten ausreichend genau rekonstruierbar ist. Diese Annahme gilt für Quantensysteme nur eingeschränkt. Der Zustand eines einzelnen Quantensystems ist keine unmittelbar ablesbare Eigenschaft. Er beschreibt die Wahrscheinlichkeiten möglicher Messergebnisse und die zwischen ihnen bestehenden quantenmechanischen Beziehungen.

Eine einzelne Messung liefert deshalb nicht den vollständigen Zustand. Sie erzeugt ein konkretes Ergebnis, das nur einen Teil der vorhandenen Information offenlegt. Soll ein unbekannter Zustand vollständig rekonstruiert werden, sind viele gleichartig präparierte Systeme und Messungen in unterschiedlichen Basen erforderlich. Für ein einzelnes laufendes System, das in Echtzeit kontrolliert werden soll, ist dieses Vorgehen oft ungeeignet.

Zusätzlich beeinflusst eine Messung gewöhnlich den Zustand. Die Beobachtung ist damit kein neutraler Blick auf ein unverändertes Objekt. Messung, Informationsgewinn und physikalische Veränderung bilden einen gemeinsamen Prozess. Wer ein Quantensystem beobachtet, greift in dessen weitere Entwicklung ein.

Technische Einschränkungen verschärfen die Situation. Detektoren besitzen endliche Effizienz, Messverstärker erzeugen Rauschen, Kontrollpulse sind nicht perfekt kalibriert und Umgebungsparameter können driften. Ein Agent erhält daher meist nur indirekte Hinweise auf den tatsächlichen Zustand.

Problemstellung

Ein POQE stellt einen Agenten vor drei miteinander verbundene Aufgaben. Erstens muss er aus einer Folge von Beobachtungen einen internen Informationszustand bilden. Zweitens muss er entscheiden, ob er weitere Information gewinnen oder unmittelbar auf sein Ziel hinarbeiten soll. Drittens muss er berücksichtigen, dass seine Aktionen und Messungen die zukünftigen Zustände und Beobachtungsmöglichkeiten verändern.

Diese Aufgaben treten beispielsweise auf, wenn ein Qubit in einen Zielzustand gebracht, ein unbekanntes Magnetfeld geschätzt, ein Fehler in einem Quantenregister korrigiert oder eine Verschränkungsverbindung in einem Quantennetzwerk aufgebaut werden soll. In keinem dieser Fälle muss der Agent den vollständigen Zustand kennen. Er benötigt jedoch genügend relevante Information, um zwischen sinnvollen und schädlichen Handlungen unterscheiden zu können.

Die Schwierigkeit liegt darin, dass klassische Unsicherheit und Quantenunsicherheit gleichzeitig auftreten können. Der Agent kann unsicher sein, weil ein technischer Parameter unbekannt ist. Zugleich kann das System in einer Superposition vorliegen, die nicht als bloßes Unwissen über einen bereits feststehenden klassischen Zustand verstanden werden darf. Ein geeignetes Modell muss beide Ebenen voneinander unterscheiden und dennoch gemeinsam verarbeiten.

Ziel und Leitthese

Diese Abhandlung erklärt die physikalischen und mathematischen Grundlagen partiell beobachtbarer Quantenumgebungen. Sie untersucht, wie Quantenzustände beschrieben, Messinformationen verarbeitet, Entscheidungen geplant und lernende Kontrollverfahren eingesetzt werden können. Anschließend werden konkrete Anwendungen und die wichtigsten Grenzen des Ansatzes dargestellt.

Die Leitthese lautet: Partielle Beobachtbarkeit ist keine vorübergehende technische Schwäche der Quantentechnologie, sondern eine grundlegende Bedingung ihrer praktischen Nutzung. Leistungsfähige Quantensysteme benötigen daher nicht zwingend vollständige Zustandsrekonstruktionen. Sie benötigen Verfahren, die mit begrenzter Information robust, adaptiv und überprüfbar handeln.

Physikalische Grundlagen partiell beobachtbarer Quantensysteme

Quantenzustände und Zustandsräume

Der Zustand eines abgeschlossenen Quantensystems wird im einfachsten Fall durch einen normierten Vektor in einem komplexen Hilbertraum beschrieben. Für einen reinen Zustand gilt die Normierungsbedingung \(\langle\psi|\psi\rangle = 1\). Der Zustandsvektor enthält nicht die Gewissheit eines bestimmten Messergebnisses, sondern die Amplituden der möglichen Ergebnisse.

Allgemeiner wird ein Quantenzustand durch einen Dichteoperator dargestellt. Für ein statistisches Gemisch reiner Zustände lautet er \(\rho = \sum_i p_i |\psi_i\rangle\langle\psi_i|\), wobei die Gewichte die Bedingungen \(p_i \geq 0\) und \(\sum_i p_i = 1\) erfüllen. Ein gültiger Dichteoperator ist positiv semidefinit und besitzt die Spur \(\mathrm{Tr}(\rho)=1\).

Die Dichtematrix ist für POQEs besonders wichtig. Sie kann sowohl quantenmechanische Kohärenz als auch klassisches Unwissen darstellen. Außerdem lässt sie sich für offene Systeme, unvollständige Messungen und bedingte Zustandsschätzungen verwenden.

Besteht ein System aus zwei Teilsystemen, wird der gemeinsame Zustandsraum durch \(\mathcal{H}_{AB}=\mathcal{H}_A\otimes\mathcal{H}_B\) beschrieben. Ist nur das Teilsystem A zugänglich, erhält man dessen reduzierten Zustand durch die partielle Spur \(\rho_A=\mathrm{Tr}_B(\rho_{AB})\). Dabei können Informationen über Korrelationen mit dem nicht beobachteten Teilsystem verloren gehen.

Diese Reduktion ist ein elementares Beispiel partieller Beobachtbarkeit. Ein lokaler Beobachter sieht nur einen reduzierten Zustand. Verschiedene globale Zustände können denselben lokalen Zustand erzeugen. Aus lokalen Messdaten lässt sich der vollständige gemeinsame Zustand daher nicht allgemein eindeutig rekonstruieren.

Superposition und Interferenz

Ein Qubit kann sich in einer Superposition seiner Basiszustände befinden. Ein allgemeiner reiner Zustand lässt sich als \(|\psi\rangle=\alpha|0\rangle+\beta|1\rangle\) schreiben, wobei \(|\alpha|^2+|\beta|^2=1\) gilt. Bei einer Messung in der entsprechenden Basis treten die Ergebnisse mit den Wahrscheinlichkeiten \(|\alpha|^2\) und \(|\beta|^2\) auf.

Die Koeffizienten enthalten jedoch mehr als diese Wahrscheinlichkeiten. Ihre relative Phase beeinflusst Interferenzexperimente. Zwei Zustände können bei einer Messung dieselben Ergebniswahrscheinlichkeiten zeigen und sich in einer anderen Messbasis dennoch klar unterscheiden. Eine einzelne Beobachtungsart reicht deshalb meist nicht aus, um alle entscheidungsrelevanten Eigenschaften eines Quantenzustands zu erfassen.

Für einen Agenten bedeutet dies, dass die Wahl der Messbasis Teil des Entscheidungsproblems ist. Wer ausschließlich in einer festen Basis misst, kann gegenüber bestimmten Phaseninformationen blind bleiben. Eine geeignete Beobachtungsstrategie muss berücksichtigen, welche Merkmale des Zustands für das Ziel relevant sind und welche Messungen diese Merkmale sichtbar machen.

Verschränkung

Verschränkte Systeme besitzen Korrelationen, die sich nicht durch voneinander unabhängige lokale Zustände erklären lassen. Ein typischer Zweiqubitzustand ist \(|\Phi^+\rangle=(|00\rangle+|11\rangle)/\sqrt{2}\). Der gemeinsame Zustand ist rein, während jedes einzelne Qubit durch einen maximal gemischten reduzierten Zustand beschrieben wird.

Ein Beobachter, der nur eines der beiden Qubits kontrolliert, sieht daher keine lokale Eigenschaft, aus der sich die vollständige Verschränkungsstruktur ablesen ließe. Erst gemeinsame Messungen oder der Vergleich korrelierter Ergebnisse legen die globale Struktur offen.

In Quantennetzwerken ist diese Situation grundlegend. Ein Knoten kennt den Zustand entfernter Speicher oder Übertragungskanäle nur indirekt. Lokale Signale können anzeigen, dass eine Verschränkungserzeugung wahrscheinlich erfolgreich war. Sie liefern jedoch möglicherweise keine vollständige Beschreibung der gemeinsam erzeugten Ressource. Entscheidungen über Speicherung, Reinigung oder Weiterleitung müssen deshalb auf partieller Information beruhen.

Quantenmessungen

Eine projektive Messung wird durch orthogonale Projektoren beschrieben. Für den Projektor \(P_o\) ergibt sich die Wahrscheinlichkeit des Ergebnisses aus \(p(o)=\mathrm{Tr}(P_o\rho)\). Nach einem beobachteten Ergebnis wird der bedingte Zustand im idealen Fall zu \(\rho_o=P_o\rho P_o/p(o)\).

Allgemeinere Messungen werden durch positive operatorwertige Maße beschrieben. Eine Menge von Effekten erfüllt \(E_o\geq 0\) und \(\sum_o E_o=I\). Die Ergebniswahrscheinlichkeit lautet dann \(p(o)=\mathrm{Tr}(E_o\rho)\). Solche POVM-Messungen erfassen unvollständige, verrauschte oder indirekte Messvorgänge besser als rein projektive Modelle.

Die Wahrscheinlichkeit eines Ergebnisses beschreibt noch nicht vollständig, wie sich der Zustand verändert. Dafür werden Messoperatoren oder Quanteninstrumente benötigt. Gilt \(E_o=M_o^\dagger M_o\), kann die bedingte Aktualisierung als \(\rho_o=M_o\rho M_o^\dagger/p(o)\) geschrieben werden.

In einem POQE ist diese Aktualisierung entscheidend. Das Messergebnis liefert Information, während der Messoperator gleichzeitig festlegt, wie die Beobachtung die weitere Dynamik verändert. Zwei Messverfahren können dieselben Ergebniswahrscheinlichkeiten besitzen und dennoch unterschiedliche Nachzustände erzeugen.

Offene Quantensysteme

Reale Quantensysteme sind nie vollständig von ihrer Umgebung isoliert. Sie koppeln an elektromagnetische Felder, Gitterschwingungen, Materialdefekte, Steuerelektronik und weitere Freiheitsgrade. Wird nur das technische Zielsystem betrachtet, erscheint seine Dynamik deshalb im Allgemeinen nichtunitär.

Für ein geschlossenes System wird die zeitliche Entwicklung durch \(\rho(t)=U(t)\rho(0)U^\dagger(t)\) beschrieben, wobei der unitäre Operator aus dem Hamiltonoperator folgt. In einem offenen System wird die Entwicklung stattdessen als Quantenkanal oder durch eine Mastergleichung dargestellt.

Eine häufig verwendete Markovsche Beschreibung ist die Lindblad-Gleichung

\(\frac{d\rho}{dt}=-\frac{i}{\hbar}[H,\rho]+\sum_k\left(L_k\rho L_k^\dagger-\frac{1}{2}L_k^\dagger L_k\rho-\frac{1}{2}\rho L_k^\dagger L_k\right).\)

Der Hamiltonterm beschreibt die kohärente Entwicklung. Die Operatoren \(L_k\) modellieren Prozesse wie Energieverlust, Dephasierung oder andere dissipative Einflüsse. Die Gleichung beschreibt den unbedingten Zustand, wenn die einzelnen Umweltereignisse nicht beobachtet werden.

Werden Teile der Umgebung kontinuierlich gemessen, kann eine bedingte stochastische Entwicklung entstehen. Unterschiedliche Messsignale führen dann zu unterschiedlichen Quantentrajektorien. Der beobachtete Verlauf enthält mehr Information als die gemittelte Mastergleichung, bleibt aber durch Messrauschen und nicht beobachtete Kanäle unvollständig.

Warum vollständige Beobachtung nicht möglich ist

Die begrenzte Beobachtbarkeit eines Quantensystems hat mehrere Ursachen. Erstens liefert eine einzelne Messung nur ein Ergebnis. Der zugrunde liegende Zustand muss aus einer Statistik vieler Messungen erschlossen werden. Zweitens sind nichtkommutierende Observablen nicht gleichzeitig beliebig genau bestimmbar. Für zwei Observablen gilt allgemein eine Unschärferelation der Form \(\Delta A\,\Delta B\geq\frac{1}{2}|\langle[A,B]\rangle|\).

Drittens kann ein unbekannter Quantenzustand nicht beliebig kopiert werden. Der No-Cloning-Satz verhindert eine universelle Operation, die aus \(|\psi\rangle|0\rangle\) für jeden unbekannten Zustand den Zustand \(|\psi\rangle|\psi\rangle\) erzeugt. Ein Agent kann daher nicht unbegrenzt identische Kopien eines laufenden Zustands herstellen und anschließend sämtliche Eigenschaften zerstörungsfrei prüfen.

Viertens bleiben Teile der Umgebung praktisch unzugänglich. Ein technisches System registriert nur ausgewählte Ausgangskanäle. Nicht gemessene Photonen, thermische Freiheitsgrade oder mikroskopische Defekte tragen dennoch zur Dynamik bei.

Fünftens ist vollständige Tomografie bei vielen Qubits extrem aufwendig. Eine allgemeine Dichtematrix eines Systems mit \(n\) Qubits besitzt eine Dimension von \(2^n\times 2^n\). Die Zahl ihrer unabhängigen reellen Parameter wächst wie \(4^n-1\). Dieses Wachstum macht eine fortlaufende vollständige Rekonstruktion für große Systeme praktisch ungeeignet.

Definition und Abgrenzung von POQEs

Arbeitsdefinition

Ein Partially Observable Quantum Environment ist eine Umgebung mit quantenmechanischen Zuständen, Übergängen oder Messprozessen, in der ein Agent wiederholt zwischen verfügbaren Aktionen wählt, aber den entscheidungsrelevanten Gesamtzustand nicht direkt kennt. Der Agent erhält stattdessen Beobachtungen, die nur probabilistisch mit dem Zustand verbunden sind und ihn möglicherweise verändern.

Der Begriff Umgebung ist dabei funktional zu verstehen. Er kann einen einzelnen kontrollierten Quantensensor, einen Quantencomputer, ein Kommunikationsnetz, ein Experiment oder ein gekoppeltes quantenklassisches System bezeichnen. Der Agent kann ein klassischer Rechner, ein Quantencontroller, ein lernender Algorithmus oder eine hybride Architektur sein.

Entscheidend ist nicht, ob irgendein Teil des Systems beobachtet wird. Entscheidend ist, ob die verfügbaren Beobachtungen ausreichen, um den tatsächlichen entscheidungsrelevanten Zustand eindeutig zu bestimmen. Ist dies nicht der Fall, muss der Agent mit einem Informationszustand arbeiten, der mögliche physikalische Zustände und ihre Plausibilität zusammenfasst.

Zentrale Bestandteile

Ein POQE umfasst mindestens einen Zustandsraum, einen Aktionsraum, einen Beobachtungsraum und eine Zieldimension. Der physikalische Zustand kann als Dichteoperator dargestellt werden. Eine Aktion kann eine unitäre Operation, ein Kontrollpuls, die Auswahl einer Messbasis, das Aktivieren eines Detektors oder eine zusammengesetzte Quantenoperation sein.

Nach einer Aktion entwickelt sich das System weiter und erzeugt gegebenenfalls eine Beobachtung. Die Beobachtung kann ein binäres Messergebnis, eine Photonenzahl, ein kontinuierlicher Strom, ein Fehlersyndrom oder ein klassisches Statussignal sein. Aus der bisherigen Folge von Aktionen und Beobachtungen bildet der Agent seine aktuelle Zustandsschätzung.

Eine Zielfunktion bewertet die Folgen der Handlungen. Sie kann die Treue zu einem Zielzustand maximieren, den Energieverbrauch senken, die Fehlerwahrscheinlichkeit reduzieren, den Informationsgewinn erhöhen oder die Zeit bis zum Erreichen eines Ziels minimieren.

Damit unterscheidet sich ein POQE von einer bloßen Zustandsmessung. Es geht nicht nur darum, Information zu sammeln. Es geht um eine Folge gekoppelter Entscheidungen, bei der jede Handlung beeinflusst, welche Zustände und Beobachtungen später möglich sind.

Formen partieller Beobachtbarkeit

Fundamentale partielle Beobachtbarkeit

Fundamentale partielle Beobachtbarkeit entsteht aus der Struktur der Quantenmechanik. Der Quantenzustand ist nicht als vollständiger Satz gleichzeitig existierender, direkt ablesbarer Messwerte verfügbar. Unterschiedliche Observablen können inkompatibel sein, und Messungen verändern den Zustand.

Diese Form lässt sich nicht durch bessere Sensoren vollständig beseitigen. Präzisere Messgeräte können technische Verluste reduzieren, aber nicht sämtliche nichtkommutierenden Eigenschaften eines einzelnen unbekannten Zustands gleichzeitig offenlegen.

Technische partielle Beobachtbarkeit

Technische Begrenzungen entstehen durch unvollkommene Hardware. Dazu gehören endliche Detektionseffizienz, Dunkelzählraten, Verstärkerrauschen, begrenzte Bandbreite, digitale Abtastfehler und Verzögerungen in der Signalverarbeitung.

Solche Einschränkungen sind prinzipiell reduzierbar, aber selten vollständig vermeidbar. Ein realistisches POQE-Modell muss deshalb berücksichtigen, dass Beobachtungen nicht nur unvollständig, sondern auch fehlerhaft sein können.

Strukturelle partielle Beobachtbarkeit

Strukturelle partielle Beobachtbarkeit liegt vor, wenn bestimmte Freiheitsgrade absichtlich oder unvermeidbar außerhalb des Messzugriffs liegen. Beispiele sind verborgene Umgebungsmoden, entfernte Netzwerkknoten, unbekannte Kopplungen und interne Zustände eines Messgeräts.

Ein reduziertes Modell kann diese Freiheitsgrade zusammenfassen, verliert dabei aber möglicherweise Gedächtniseffekte. Das beobachtete Teilsystem scheint dann nichtmarkovsch zu reagieren, obwohl das größere Gesamtsystem einer einfacheren Dynamik folgt.

Strategische partielle Beobachtbarkeit

In strategischen Situationen hängt die verfügbare Information von den Handlungen des Agenten ab. Er kann beispielsweise zwischen einer starken Messung mit deutlicher Zustandsstörung und einer schwachen Messung mit geringem Informationsgewinn wählen.

Auch in Netzwerken ist Beobachtung eine strategische Ressource. Eine Überprüfung kann Speicherzeit, Verschränkung oder Übertragungskapazität verbrauchen. Der Agent muss deshalb entscheiden, wann zusätzliche Information ihren Preis wert ist.

Abgrenzung zu klassischen POMDPs

Ein klassischer Partially Observable Markov Decision Process beschreibt einen verborgenen klassischen Zustand. Der Agent verwaltet eine Wahrscheinlichkeitsverteilung über mögliche Zustände. Diese Verteilung wird nach einer Aktion und einer Beobachtung mit der Bayesschen Regel aktualisiert.

Ein quantenmechanisches Modell ersetzt diese klassische Zustandsverteilung nicht einfach durch eine weitere Wahrscheinlichkeitsliste. Der Informationszustand kann ein Dichteoperator sein, der sowohl Wahrscheinlichkeiten als auch Kohärenzen enthält. Aktionen werden durch Quantenkanäle oder Instrumente beschrieben. Beobachtungen folgen der Bornschen Regel, und ihre Reihenfolge kann entscheidend sein.

Im klassischen Fall kann eine Beobachtung idealerweise Information liefern, ohne den beobachteten Zustand physikalisch zu verändern. Im Quantenfall ist die Zustandsänderung häufig untrennbar mit dem Messprozess verbunden. Das macht die Auswahl einer Messung zugleich zu einer Kontrollhandlung.

Dennoch bleibt die strukturelle Analogie nützlich. In beiden Fällen entscheidet der Agent nicht auf Basis eines vollständig bekannten Weltzustands, sondern auf Basis eines Informationszustands. In beiden Fällen müssen unmittelbare Belohnungen gegen langfristige Informationsvorteile abgewogen werden.

Abgrenzung zu vollständig beobachtbaren Quantensystemen

Von vollständiger Beobachtbarkeit kann in einem begrenzten operationellen Sinn gesprochen werden, wenn alle für die konkrete Entscheidung relevanten Zustandsgrößen bekannt sind. Dies bedeutet nicht, dass der vollständige mikroskopische Zustand des Universums oder selbst des technischen Geräts bekannt sein muss.

Ein Quantenexperiment kann beispielsweise vollständig kontrollierbar erscheinen, wenn der Anfangszustand zuverlässig präpariert, die Dynamik gut kalibriert und die Messung ausreichend informativ ist. Sobald jedoch unbekanntes Rauschen, Drift oder nicht beobachtete Umwelteinflüsse relevant werden, entsteht erneut partielle Beobachtbarkeit.

Wichtig ist die Trennung von Modellkenntnis und Zustandskenntnis. Ein exakt bekannter Hamiltonoperator sagt, wie sich ein Zustand entwickelt. Er verrät aber nicht automatisch, welcher Zustand tatsächlich vorliegt. Umgekehrt kann eine gute Zustandsschätzung vorhanden sein, obwohl einzelne Modellparameter unsicher sind.

Mathematische Modellierung partiell beobachtbarer Quantenumgebungen

Formale Beschreibung

Ein diskretes POQE-Modell kann durch einen Hilbertraum, eine Menge möglicher Aktionen, eine Menge beobachtbarer Ergebnisse, eine Familie von Quanteninstrumenten und eine Bewertungsfunktion beschrieben werden. Der Zustand zum Zeitpunkt \(t\) sei \(\rho_t\). Der Agent wählt eine Aktion \(a_t\) und erhält anschließend eine Beobachtung \(o_{t+1}\).

Für jede Kombination aus Aktion und Beobachtung kann eine vollständig positive, im Allgemeinen nicht spurerhaltende Abbildung \(\mathcal{I}_{o|a}\) definiert werden. Die Wahrscheinlichkeit der Beobachtung lautet

\(p(o|\rho,a)=\mathrm{Tr}\left(\mathcal{I}_{o|a}(\rho)\right).\)

Der bedingte Nachzustand ergibt sich aus

\(\rho'=\frac{\mathcal{I}_{o|a}(\rho)}{\mathrm{Tr}\left(\mathcal{I}_{o|a}(\rho)\right)}.\)

Die Summe über alle möglichen Ergebnisse erzeugt den unbedingten Kanal

\(\mathcal{E}_a=\sum_o\mathcal{I}_{o|a}.\)

Diese Darstellung verbindet Dynamik, Messwahrscheinlichkeit und Zustandsaktualisierung in einem einheitlichen Modell.

Quantenkanäle und Kraus-Darstellung

Eine physikalisch zulässige unbedingte Transformation eines Quantenzustands wird durch eine vollständig positive, spurerhaltende Abbildung beschrieben. Sie besitzt eine Kraus-Darstellung der Form

\(\mathcal{E}(\rho)=\sum_k K_k\rho K_k^\dagger,\)

wobei die Operatoren die Vollständigkeitsbedingung

\(\sum_k K_k^\dagger K_k=I\)

erfüllen. Unterschiedliche Kraus-Darstellungen können denselben Kanal beschreiben. Die einzelnen Indizes müssen daher nicht zwingend direkt beobachtbaren physikalischen Ereignissen entsprechen.

In einem POQE kann jede Aktion einen anderen Kanal auswählen. Ein Kontrollpuls verändert beispielsweise den Hamiltonanteil, während eine Messentscheidung zusätzlich festlegt, welcher Ausgangskanal beobachtet wird. Rauschprozesse können in die Kraus-Operatoren integriert oder separat modelliert werden.

Typische Kanäle sind Dephasierung, Depolarisierung und Amplitudendämpfung. Bei einer Amplitudendämpfung eines Qubits kann der Verlust eines angeregten Zustands durch geeignete Kraus-Operatoren beschrieben werden. Wird das emittierte Quant beobachtet, erhält der Agent Information über den Sprung. Bleibt es unbeobachtet, sieht er nur den gemittelten Dämpfungsprozess.

Quanteninstrumente

Ein Quanteninstrument ordnet jedem möglichen Messergebnis eine zustandsverändernde Abbildung zu. Es beschreibt damit mehr als eine POVM. Die POVM bestimmt die Statistik, während das Instrument zusätzlich den bedingten Zustand festlegt.

Diese Unterscheidung ist für sequenzielle Entscheidungen unverzichtbar. Der Agent interessiert sich nicht nur für die Wahrscheinlichkeit eines aktuellen Ergebnisses. Er muss wissen, wie dieses Ergebnis die Erfolgschancen späterer Aktionen verändert.

Ein Instrument kann außerdem unvollkommene Detektion modellieren. Mehrere mikroskopische Ereignisse können zum gleichen registrierten Ergebnis zusammengefasst werden. Die konditionierte Abbildung enthält dann ein Gemisch möglicher physikalischer Verläufe.

Messungen können auch absichtlich schwach gestaltet werden. Dabei sind die bedingten Zustandsänderungen klein, und ein einzelnes Ergebnis liefert nur wenig Information. Eine lange Folge solcher Ergebnisse kann jedoch eine fortlaufende Zustandsschätzung ermöglichen.

Diskrete und kontinuierliche Dynamik

Diskrete Modelle eignen sich für Quantenschaltkreise, getaktete Fehlerkorrektur und einzelne Messzyklen. Jeder Schritt enthält eine Aktion, einen Kanal und ein beobachtetes Ergebnis. Die Historie hat die Form \(h_t=(a_0,o_1,a_1,o_2,\ldots,a_{t-1},o_t)\).

Kontinuierliche Modelle werden benötigt, wenn ein System fortlaufend gemessen und geregelt wird. Ein vereinfachtes stochastisches Modell einer diffusionsartigen Messung kann als

\(d\rho_t=\mathcal{L}(\rho_t)\,dt+\mathcal{H}[C](\rho_t)\,dW_t\)

geschrieben werden. Der erste Term beschreibt die mittlere Dynamik, der zweite die vom Messsignal abhängige Aktualisierung. Das Wiener-Inkrement erfüllt \(\mathbb{E}[dW_t]=0\) und \(dW_t^2=dt\).

Bei Photonenzählungen treten statt kontinuierlicher diffusionsartiger Signale diskrete Sprünge auf. Der Agent beobachtet Zählereignisse, deren Wahrscheinlichkeitsrate vom Zustand abhängt. Die bedingte Zustandsschätzung springt nach einem registrierten Ereignis und entwickelt sich zwischen den Ereignissen kontinuierlich weiter.

Informationszustand und Quantenglaubenszustand

Der tatsächliche physikalische Zustand ist dem Agenten nicht direkt bekannt. Für seine Entscheidungen benötigt er deshalb einen Informationszustand. In einem ideal modellierten quantenmechanischen Filter kann dieser Informationszustand selbst als konditionierte Dichtematrix dargestellt werden.

Nach jeder Aktion und Beobachtung wird die Schätzung entsprechend dem gewählten Instrument aktualisiert. Ist die bisherige Schätzung \(\hat{\rho}_t\), lautet die Aktualisierung

\(\hat{\rho}_{t+1}=\frac{\mathcal{I}_{o_{t+1}|a_t}(\hat{\rho}_t)}{\mathrm{Tr}\left(\mathcal{I}_{o_{t+1}|a_t}(\hat{\rho}_t)\right)}.\)

Diese Matrix ist nicht zwingend mit dem objektiven mikroskopischen Gesamtzustand identisch. Sie repräsentiert den bestmöglichen Zustand des Wissens innerhalb des verwendeten Modells und anhand der verfügbaren Messhistorie.

Bei zusätzlicher klassischer Modellunsicherheit kann ein einzelner Dichteoperator unzureichend sein. Dann kann der Agent eine Verteilung über mögliche Parameter und zugehörige Dichtematrizen verwalten. Der Informationszustand wird dadurch zu einem hybriden Objekt aus klassischer Wahrscheinlichkeit und quantenmechanischem Zustand.

Quantum Partially Observable Markov Decision Processes

Quantum Partially Observable Markov Decision Processes, häufig QOMDPs genannt, übertragen die Struktur klassischer POMDPs auf quantenmechanische Informationszustände. Der Agent wählt eine Superoperator- oder Instrumentenaktion. Das Ergebnis bestimmt den aktualisierten Quantenzustand und gegebenenfalls eine Belohnung.

Eine Policy ist eine Regel, die aus dem aktuellen Informationszustand oder der vollständigen Historie eine Aktion auswählt. Formal kann sie als \(\pi(a|\hat{\rho})\) oder allgemeiner als \(\pi(a|h_t)\) geschrieben werden.

Bei einem endlichen Zeithorizont maximiert der Agent beispielsweise den erwarteten Rückgabewert

\(J^\pi=\mathbb{E}_\pi\left[\sum_{t=0}^{T-1}\gamma^t r_t+\gamma^T r_T\right],\)

wobei \(\gamma\) zukünftige Belohnungen gewichtet. Alternativ können Zielerreichbarkeit, minimale Fehlerwahrscheinlichkeit oder beschränkte Kontrollkosten betrachtet werden.

QOMDPs machen deutlich, dass die Schwierigkeit nicht allein im großen Hilbertraum liegt. Auch der Raum möglicher Informationszustände ist kontinuierlich. Selbst ein einzelnes Qubit kann durch unendlich viele Dichtematrizen beschrieben werden. Exakte Planung muss daher über einen kontinuierlichen Zustandsraum erfolgen.

Markovsche und nichtmarkovsche Umgebungen

Ein Prozess ist im relevanten Zustand markovsch, wenn die Zukunft bei bekanntem gegenwärtigem Zustand nicht zusätzlich von der früheren Geschichte abhängt. Für eine kontrollierte Quantendynamik bedeutet dies, dass die nächste Zustandsverteilung durch den aktuellen Zustand und die aktuelle Aktion bestimmt wird.

Bei partieller Beobachtbarkeit ist die Folge sichtbarer Beobachtungen gewöhnlich nicht markovsch. Der aktuelle Messwert allein enthält nicht alle entscheidungsrelevanten Informationen. Erst ein geeigneter Informationszustand kann die vergangene Historie so zusammenfassen, dass eine Markovstruktur wiederhergestellt wird.

Nichtmarkovsche Quantendynamik entsteht, wenn die Umgebung Gedächtnis besitzt und frühere System-Umwelt-Korrelationen später zurückwirken. Dann reicht eine Dichtematrix des beobachteten Systems möglicherweise nicht aus. Der Agent benötigt ein erweitertes Modell, zusätzliche verborgene Variablen oder eine Repräsentation der Prozesshistorie.

Eine wichtige formale Möglichkeit ist die Beschreibung mehrzeitiger Prozesse durch Prozess-Tensoren. Sie stellen dar, wie eine Folge von Eingriffen mit zukünftigen Ergebnissen zusammenhängt. Praktisch wächst jedoch auch hier der Rechenaufwand schnell mit der Zahl der Zeitschritte und der Systemdimension.

Ziel- und Bewertungsfunktionen

Die Wahl der Zielfunktion entscheidet, was eine gute Policy bedeutet. Bei der Zustandspräparation kann die Treue zum Zielzustand verwendet werden. Für einen reinen Zielzustand lautet sie vereinfacht \(F=\langle\psi_{\mathrm{Ziel}}|\rho|\psi_{\mathrm{Ziel}}\rangle\).

In der Quantenfehlerkorrektur kann die logische Fehlerrate minimiert werden. In der Metrologie steht häufig die Schätzgenauigkeit eines unbekannten Parameters im Mittelpunkt. In Netzwerken können Erfolgswahrscheinlichkeit, Verschränkungsqualität, Speicherzeit und Ressourcenverbrauch gemeinsam eingehen.

Eine realistische Zielfunktion muss Zielkonflikte abbilden. Eine starke Messung kann hohen Informationsgewinn liefern, aber den Zustand stark stören. Ein langer Kontrollpuls kann präzise sein, aber mehr Zeit für Dekohärenz lassen. Eine robuste Policy muss solche Kosten nicht nachträglich, sondern bereits während der Planung berücksichtigen.

Neben dem Erwartungswert kann auch das Risiko wichtig sein. Zwei Policies mit gleicher mittlerer Leistung können sich deutlich in ihrer Ausfallwahrscheinlichkeit unterscheiden. Für sicherheitskritische Anwendungen können daher Worst-Case-Kosten, Quantile oder Nebenbedingungen geeigneter sein als eine reine Mittelwertoptimierung.

Berechenbarkeit und Komplexität

Die exakte Lösung eines POQE kann aus mehreren Gründen schwierig sein. Der Hilbertraum wächst exponentiell mit der Zahl der Teilsysteme. Der Raum der Dichtematrizen ist kontinuierlich. Die Zahl möglicher Aktions- und Beobachtungsfolgen wächst mit dem Planungshorizont. Nichtmarkovsche Effekte erhöhen die notwendige Gedächtnislänge.

Für allgemeine QOMDPs existieren zudem grundlegende Grenzen der Entscheidbarkeit. Bestimmte Fragen zur sicheren Erreichbarkeit eines Zielzustands sind nicht für alle möglichen Instanzen algorithmisch entscheidbar. Das bedeutet nicht, dass konkrete Laborprobleme unlösbar sind. Es zeigt jedoch, dass kein universelles exaktes Verfahren für sämtliche denkbaren Modelle erwartet werden kann.

Die Praxis benötigt deshalb Näherungen. Dazu gehören reduzierte Zustandsmodelle, kurze Planungshorizonte, Monte-Carlo-Verfahren, Funktionsapproximation, Tensor-Netzwerke und lernende Policies. Die entscheidende Frage ist nicht, ob ein Verfahren exakt ist, sondern ob seine Näherungsfehler bekannt, kontrollierbar und für die Anwendung vertretbar sind.

Beobachtung, Zustandsschätzung und Quantenfilterung

Bedeutung der Zustandsschätzung

Ein Agent kann nur auf der Grundlage der Information handeln, die ihm tatsächlich zur Verfügung steht. Der unbekannte reale Zustand ist keine zulässige Eingabe für eine implementierbare Policy. Praktische Kontrolle benötigt deshalb eine Zustandsschätzung, ein komprimiertes Gedächtnis oder eine direkt aus Messhistorien arbeitende Policy.

Eine gute Zustandsschätzung muss drei Anforderungen erfüllen. Sie muss neue Messdaten korrekt einbeziehen, die bekannte Dynamik zwischen den Messungen berücksichtigen und ihre eigene Unsicherheit angemessen darstellen. Ein einzelner Punktwert ohne Unsicherheitsinformation kann zu übermäßig aggressiven Entscheidungen führen.

Die Schätzung ist außerdem modellabhängig. Ein Filter kann mathematisch korrekt rechnen und dennoch falsche Ergebnisse liefern, wenn das angenommene Rauschmodell, der Messoperator oder die Detektionseffizienz nicht zur Hardware passt.

Quantenzustandstomografie

Die Quantenzustandstomografie rekonstruiert einen unbekannten Zustand aus Messstatistiken vieler gleichartig präparierter Exemplare. Dafür werden unterschiedliche Messbasen verwendet, sodass genügend unabhängige Informationen über die Dichtematrix gesammelt werden.

Eine lineare Rekonstruktion kann aus geschätzten Erwartungswerten eine Matrix bestimmen. Wegen endlicher Stichproben kann das direkte Ergebnis jedoch unphysikalisch sein, etwa negative Eigenwerte besitzen. Maximum-Likelihood- oder Bayessche Verfahren erzwingen deshalb die Bedingungen eines gültigen Dichteoperators.

Tomografie ist wertvoll für Kalibrierung, Validierung und Grundlagenexperimente. Für eine Echtzeitsteuerung ist sie jedoch oft zu langsam. Sie setzt normalerweise viele Wiederholungen desselben Präparationsprozesses voraus und skaliert für allgemeine Vielteilchensysteme ungünstig.

In einem POQE wird vollständige Tomografie daher häufig durch zielgerichtete Schätzung ersetzt. Der Agent rekonstruiert nur diejenigen Observablen, Parameter oder latenten Merkmale, die für die nächste Entscheidung relevant sind.

Kontinuierliche Quantenmessung

Bei einer kontinuierlichen Messung koppelt das System schwach an ein Messfeld. Das ausgehende Feld wird fortlaufend registriert. Jeder kurze Zeitabschnitt liefert nur wenig Information, sodass der Zustand nicht abrupt vollständig projiziert werden muss.

Ein typisches diffusionsartiges Messsignal kann schematisch als

\(dY_t=\sqrt{\eta}\,\mathrm{Tr}\left[(C+C^\dagger)\rho_t\right]dt+dW_t\)

geschrieben werden. Dabei beschreibt \(\eta\) die Detektionseffizienz, \(C\) die gemessene Kopplung und \(dW_t\) das unvermeidliche Messrauschen.

Der Agent vergleicht das beobachtete Signal mit dem erwarteten Signal seiner aktuellen Zustandsschätzung. Die Differenz bildet die Innovation. Sie enthält die neue Information, die noch nicht durch das bisherige Modell erklärt wurde.

Kontinuierliche Messungen eignen sich für Echtzeitfeedback. Ihre praktische Nutzung erfordert jedoch schnelle Elektronik, geringe Verzögerung und ein stabiles Modell. Ist die Rückkopplung langsamer als die relevante Systemdynamik, kann selbst eine gute Schätzung zu spät eintreffen.

Quantenfilter

Ein Quantenfilter berechnet den auf die Messhistorie konditionierten Zustand. Er ist das quantenmechanische Gegenstück zu klassischen nichtlinearen Filtern. Für jeden neuen Messwert wird die Schätzung aktualisiert und anschließend für Kontrolle oder Vorhersage genutzt.

Die unbedingte Mastergleichung beschreibt den Mittelwert über alle möglichen Messverläufe. Der Quantenfilter beschreibt dagegen die konkrete Trajektorie unter dem tatsächlich beobachteten Signal. Der Mittelwert vieler gefilterter Trajektorien ergibt unter passenden Bedingungen wieder die unbedingte Entwicklung.

Bei homodynen Messungen entstehen stochastische Differentialgleichungen mit diffusionsartigem Rauschen. Bei Photonenzählungen entstehen Sprunggleichungen. Beide Varianten kombinieren die physikalische Dynamik mit einem informationsabhängigen Aktualisierungsterm.

Ein Filter kann nur die Information nutzen, die im beobachteten Kanal vorhanden ist. Nicht registrierte Umweltereignisse führen weiterhin zu gemischten Zuständen. Eine Detektionseffizienz kleiner als eins bedeutet, dass ein Teil der prinzipiell verfügbaren Information verloren geht.

Bayessche Verfahren

Bayessche Zustandsschätzung verbindet Vorwissen mit neuen Beobachtungen. Für einen unbekannten klassischen Parameter \(\theta\) gilt

\(p(\theta|D)=\frac{p(D|\theta)p(\theta)}{p(D)}.\)

Die Daten können eine Folge quantenmechanischer Messergebnisse sein. Die Likelihood wird dann aus dem angenommenen Quantenzustand, der Dynamik und den Messoperatoren berechnet.

Besonders nützlich ist die gemeinsame Schätzung von Zustand und Modellparametern. Ein Agent kann beispielsweise gleichzeitig den Zustand eines Qubits und eine unbekannte Resonanzfrequenz schätzen. Dazu verwaltet er für verschiedene Parameterhypothesen jeweils eine konditionierte Dichtematrix und aktualisiert deren klassische Gewichte.

Bayessche Verfahren liefern eine explizite Unsicherheitsdarstellung. Ihr Nachteil ist der hohe Rechenaufwand, wenn viele Parameter oder komplexe Zustände berücksichtigt werden müssen.

Partikelfilter und approximative Verfahren

Ein Partikelfilter approximiert eine Wahrscheinlichkeitsverteilung durch gewichtete Stichproben. Jedes Partikel kann einen möglichen Parameterwert und eine zugehörige Quantenzustandsschätzung enthalten. Nach einer Beobachtung werden die Gewichte anhand der Likelihood aktualisiert.

Wenn nur wenige Partikel fast das gesamte Gewicht tragen, wird neu abgetastet. Dadurch konzentriert sich die Rechenleistung auf plausible Hypothesen. Gleichzeitig besteht das Risiko, seltene, aber richtige Hypothesen zu früh zu verlieren.

Weitere Näherungen arbeiten mit Gaußverteilungen, Momentengleichungen, niedrigrangigen Matrizen oder neuronalen Zustandsschätzern. Ihre Eignung hängt von der Struktur des Systems ab. Ein Gaußfilter kann bei linearen Quantensystemen sehr effizient sein, ist aber für stark nichtlineare oder mehrmodale Unsicherheit ungeeignet.

Beobachtbarkeit

Beobachtbarkeit fragt, ob sich relevante Zustandsinformationen aus den verfügbaren Ausgängen rekonstruieren lassen. Ein System kann technisch präzise gemessen werden und dennoch unbeobachtbare Freiheitsgrade besitzen, wenn diese die Messsignale nicht beeinflussen.

Die Beobachtbarkeit hängt von der Kombination aus Dynamik und Messung ab. Eine Observable, die im aktuellen Moment nicht direkt gemessen wird, kann später durch die Hamiltondynamik in einen sichtbaren Messkanal überführt werden. Kontrolloperationen können deshalb die Beobachtbarkeit aktiv verbessern.

Umgekehrt können Symmetrien verschiedene Zustände ununterscheidbar machen. Erzeugen zwei Zustände unter allen zulässigen Aktionen dieselben Beobachtungsstatistiken, kann kein Agent sie innerhalb dieses Modells unterscheiden. Dann muss die Zielsetzung so formuliert werden, dass diese Unterscheidung nicht erforderlich ist, oder der Messzugang muss erweitert werden.

Unsicherheit und Modellprüfung

Unsicherheit entsteht durch endliche Daten, unbekannte Anfangszustände, fehlerhafte Kalibrierung, Drift und unvollständige Modelle. Ein belastbarer Agent sollte diese Quellen nicht in einer einzigen Zahl verbergen.

Messstatistische Unsicherheit kann durch Konfidenz- oder Glaubwürdigkeitsbereiche beschrieben werden. Modellunsicherheit verlangt dagegen den Vergleich alternativer Dynamiken. Ein Filter, der nur ein festes Modell kennt, kann bei systematischen Abweichungen übermäßig sicher werden.

Innovationssignale bieten eine praktische Prüfmöglichkeit. Sind die Abweichungen zwischen vorhergesagtem und gemessenem Signal dauerhaft strukturiert, ist das Modell wahrscheinlich unvollständig. Ein adaptives System sollte dann Parameter neu schätzen, sein Modell erweitern oder in einen konservativen Betriebsmodus wechseln.

Entscheidungsfindung und adaptive Kontrolle

Policies in POQEs

Eine Policy legt fest, welche Aktion der Agent unter einer gegebenen Informationslage auswählt. Eine deterministische Policy ordnet jedem Informationszustand genau eine Aktion zu. Eine stochastische Policy definiert eine Verteilung über mögliche Aktionen.

Stochastische Policies können während des Lernens Exploration ermöglichen und in unsicheren Situationen robuste Mischstrategien darstellen. Für sicherheitskritische Systeme ist jedoch zu klären, ob zufällige Aktionen innerhalb harter Grenzen zulässig sind.

Eine Policy kann direkt auf der geschätzten Dichtematrix arbeiten. Alternativ kann sie Erwartungswerte ausgewählter Observablen, Parameterposterioren oder eine komprimierte Darstellung der Messhistorie verwenden. Je kleiner die Eingabedarstellung, desto effizienter kann die Entscheidung sein. Eine zu starke Kompression kann jedoch entscheidende Information verlieren.

Offene und geschlossene Regelkreise

Bei einer offenen Steuerung wird eine Kontrollsequenz vor Beginn festgelegt. Sie reagiert nicht auf spätere Messungen. Dieses Vorgehen ist einfach und kann sehr präzise sein, wenn Anfangszustand, Dynamik und Störungen gut bekannt sind.

Bei einer geschlossenen Regelung werden laufende Beobachtungen ausgewertet. Die nächsten Aktionen hängen vom geschätzten Zustand ab. Dadurch kann der Controller auf zufällige Sprünge, Drift oder unbekannte Störungen reagieren.

Feedback ist jedoch nicht automatisch überlegen. Messungen verursachen Rauschen und Rückwirkung. Signalverarbeitung erzeugt Verzögerung. Eine schlecht abgestimmte Rückkopplung kann das System destabilisieren oder zusätzliche Dekohärenz verursachen.

In der Praxis werden offene und geschlossene Verfahren oft kombiniert. Ein optimierter Grundpuls übernimmt die schnelle Hauptsteuerung. Langsamere Rückkopplung korrigiert Drift oder wählt zwischen vorbereiteten Pulsvarianten.

Messung als Handlung

In einem POQE ist eine Messung nicht nur eine Informationsquelle. Sie ist eine Aktion mit physikalischen Folgen. Der Agent muss daher entscheiden, was gemessen wird, wie stark gemessen wird und zu welchem Zeitpunkt die Messung erfolgt.

Eine Messung in der falschen Basis kann für das Ziel nutzlos sein oder relevante Kohärenz zerstören. Eine zu schwache Messung liefert möglicherweise nicht rechtzeitig genügend Information. Eine zu starke Messung kann das System in einen unerwünschten Eigenzustand projizieren.

Diese Kopplung erzeugt ein duales Kontrollproblem. Eine Handlung kann gleichzeitig das System in Richtung des Ziels bewegen und Information über unbekannte Zustände oder Parameter erzeugen. Gute Strategien nutzen diese Doppelwirkung gezielt.

Exploration und Exploitation

Exploration dient dem Informationsgewinn. Exploitation nutzt das vorhandene Wissen zur unmittelbaren Zielerreichung. In klassischen Lernproblemen ist dieser Konflikt bereits zentral. Im Quantenfall kommt hinzu, dass Exploration den physikalischen Zustand irreversibel verändern kann.

Ein Quantensensor kann beispielsweise eine Messzeit verlängern, um einen Parameter genauer zu schätzen. Dadurch steigt jedoch das Risiko, dass Dekohärenz die gespeicherte Information zerstört. Ein Quantencontroller kann einen diagnostischen Puls einsetzen, verliert dadurch aber Zeit für die eigentliche Zustandspräparation.

Eine rationale Strategie bewertet nicht nur den aktuellen Informationsgewinn, sondern dessen erwarteten Einfluss auf spätere Entscheidungen. Information besitzt nur dann einen praktischen Wert, wenn sie die Wahl zukünftiger Aktionen verbessern kann.

Dynamische Programmierung

Die dynamische Programmierung zerlegt ein mehrstufiges Entscheidungsproblem in Teilprobleme. Für eine Wertfunktion über Informationszustände kann eine Bellman-Gleichung der Form

\(V_t(\hat{\rho})=\max_a\left[r(\hat{\rho},a)+\gamma\sum_o p(o|\hat{\rho},a)V_{t+1}(\hat{\rho}_{a,o})\right]\)

verwendet werden. Die Größe \(\hat{\rho}_{a,o}\) bezeichnet den nach Aktion und Beobachtung aktualisierten Informationszustand.

Die Gleichung zeigt den Kern der Planung. Eine Aktion wird nicht allein anhand ihrer unmittelbaren Belohnung beurteilt. Berücksichtigt werden auch die möglichen Beobachtungen und deren Einfluss auf die zukünftige Entscheidungsqualität.

Exakte Berechnung ist meist nur für kleine Modelle möglich. Für größere Systeme werden Wertfunktionen approximiert, der Aktionsraum eingeschränkt oder nur wahrscheinlich relevante Beobachtungszweige verfolgt.

Modellprädiktive Quantenkontrolle

Die modellprädiktive Kontrolle plant über einen begrenzten Zeithorizont. Ausgehend von der aktuellen Schätzung simuliert der Controller mögliche Kontrollfolgen, wählt die beste erste Aktion und wiederholt den Prozess nach der nächsten Beobachtung.

Dieses Vorgehen verbindet Planung und Feedback. Es kann technische Nebenbedingungen wie maximale Pulsstärken, begrenzte Messzeiten oder verbotene Zustandsbereiche direkt berücksichtigen.

Der begrenzte Horizont reduziert den Rechenaufwand, kann aber langfristige Folgen übersehen. Eine Endkostenfunktion oder ein stabilisierender Basiskontroller kann diesen Nachteil teilweise ausgleichen.

Für schnelle Quantensysteme ist die Rechenzeit kritisch. Vorberechnete Modelle, parallele Optimierung und reduzierte Zustandsdarstellungen sind erforderlich, damit die Entscheidung vor der nächsten relevanten Zustandsänderung verfügbar ist.

Robuste Kontrolle

Robuste Kontrolle berücksichtigt, dass das verwendete Modell nicht exakt ist. Statt eine Policy nur für einen nominellen Hamiltonoperator oder einen festen Rauschwert zu optimieren, betrachtet sie eine Menge plausibler Modelle.

Eine Worst-Case-Formulierung kann als \(\max_\pi\min_{\theta\in\Theta}J(\pi,\theta)\) geschrieben werden. Sie sucht eine Policy, deren schlechteste Leistung innerhalb der Unsicherheitsmenge möglichst hoch ist.

Diese Strategie kann konservativ sein. Ist die Unsicherheitsmenge zu groß, opfert der Controller viel Leistung für seltene Extremfälle. Verteilungsrobuste oder risikosensitive Ansätze bieten Zwischenlösungen.

Robustheit kann außerdem durch Training unter variierenden Rauschmodellen entstehen. Eine Policy lernt dann nicht einen einzigen idealen Ablauf, sondern eine Reaktion auf unterschiedliche plausible Störungen.

Sicherheitsorientierte Kontrolle

Ein leistungsfähiger Agent ist nicht automatisch ein sicherer Agent. In empfindlichen Quantensystemen können einzelne ungeeignete Pulse den Zustand zerstören, Hardware erhitzen oder Kalibrierungsgrenzen überschreiten.

Sicherheitsbedingungen können als harte Aktionsgrenzen, Zustandsnebenbedingungen oder Abbruchregeln formuliert werden. Eine Policy darf beispielsweise nur Kontrollamplituden innerhalb eines geprüften Bereichs verwenden.

Bei unsicherer Zustandsschätzung sollte nicht nur der geschätzte Mittelwert geprüft werden. Entscheidend ist, ob auch plausible alternative Zustände die Sicherheitsbedingungen erfüllen. Eine konservative Policy kann bei großer Unsicherheit zunächst zusätzliche Diagnosemessungen vornehmen oder in einen bekannten Referenzzustand zurückkehren.

Für autonome Systeme sind unabhängige Überwachungsebenen sinnvoll. Ein lernender Controller trifft die normalen Entscheidungen, während ein einfacher verifizierter Schutzmechanismus gefährliche Aktionen blockiert.

Maschinelles Lernen und Quantum Reinforcement Learning in POQEs

Rolle des maschinellen Lernens

Maschinelles Lernen wird relevant, wenn exakte Modelle fehlen, zu komplex sind oder nicht schnell genug ausgewertet werden können. Lernverfahren können unbekannte Dynamiken approximieren, Messhistorien komprimieren und Policies direkt aus Experimentdaten ableiten.

Dabei muss zwischen Lernen für Quantensysteme und Lernen auf Quantenhardware unterschieden werden. Ein klassisches neuronales Netz kann einen Quantenprozessor kontrollieren. Ein variationaler Quantenschaltkreis kann Teil eines Lernmodells sein. Beide Fälle werden häufig unter ähnlichen Bezeichnungen diskutiert, verfolgen aber unterschiedliche technische Ziele.

Für POQEs ist vor allem entscheidend, ob ein Verfahren mit unvollständigen Beobachtungen umgehen kann. Ein Modell, das während des Trainings den vollständigen simulierten Zustand erhält, kann im Labor versagen, wenn dort nur Messsignale verfügbar sind.

Reinforcement Learning unter partieller Beobachtbarkeit

Beim Reinforcement Learning lernt ein Agent aus wiederholter Interaktion. Nach einer Aktion erhält er eine Beobachtung und eine Belohnung. Ziel ist eine Policy, die den erwarteten langfristigen Rückgabewert maximiert.

Unter partieller Beobachtbarkeit ist der aktuelle Messwert im Allgemeinen kein vollständiger Markovzustand. Ein zustandsloser Agent kann identische Beobachtungen in Situationen erhalten, die unterschiedliche Handlungen verlangen. Er benötigt deshalb Gedächtnis oder eine Zustandsschätzung.

Eine Möglichkeit besteht darin, zunächst einen Quantenfilter auszuführen und dessen Schätzung an den Lernagenten zu übergeben. Eine andere Möglichkeit ist ein End-to-End-System, das direkt aus einer Folge roher Messdaten eine Aktion erzeugt.

Der erste Ansatz ist leichter physikalisch zu interpretieren. Der zweite kann Modellfehler umgehen, benötigt aber meist mehr Daten und ist schwieriger zu überprüfen.

Gedächtnisbasierte Agenten

Rekurrente neuronale Netze verarbeiten Beobachtungen nacheinander und halten einen internen verborgenen Zustand. Dieser kann relevante Informationen aus der Vergangenheit speichern. LSTM- und GRU-Architekturen wurden entwickelt, um längerfristige Abhängigkeiten stabiler zu lernen.

Transformer-Modelle verarbeiten Messhistorien über Aufmerksamkeitsmechanismen. Sie können weit auseinanderliegende Ereignisse verknüpfen, benötigen aber bei langen Sequenzen erhebliche Rechenressourcen.

Der interne Zustand eines solchen Netzes ist nicht automatisch eine physikalische Dichtematrix. Er kann eine zweckmäßige latente Repräsentation sein, deren einzelne Komponenten keine direkte physikalische Bedeutung besitzen.

Das kann leistungsfähig sein, erschwert jedoch die Diagnose. Ein guter Ansatz verbindet deshalb lernbare Gedächtnismodelle mit bekannten physikalischen Nebenbedingungen oder prüfbaren Ausgangsgrößen.

Modellfreie Verfahren

Modellfreie Verfahren lernen eine Policy oder Wertfunktion ohne explizites vollständiges Dynamikmodell. Sie können eingesetzt werden, wenn der Hamiltonoperator, das Rauschen oder die Messantwort nur unzureichend bekannt sind.

Ihr Vorteil liegt in der direkten Optimierung des tatsächlichen Ziels. Der Agent muss nicht zuerst ein universell genaues Modell lernen. Es genügt, Handlungen zu finden, die unter den beobachteten Bedingungen zuverlässig funktionieren.

Der Nachteil ist der Datenbedarf. Experimente auf realer Quantenhardware können langsam, teuer oder zerstörend sein. Ungeprüfte Exploration kann außerdem gefährliche Kontrollsequenzen erzeugen.

Praktische Systeme begrenzen daher den Aktionsraum, trainieren zunächst in Simulationen oder verwenden vorhandene Kontrollverfahren als sicheren Ausgangspunkt.

Modellbasierte Verfahren

Modellbasierte Agenten lernen oder verwenden ein internes Dynamikmodell. Sie können mögliche Zukunftsverläufe simulieren und Aktionen planen, bevor diese auf der realen Hardware ausgeführt werden.

Ein gutes Modell verbessert die Dateneffizienz. Aus einer einzelnen Beobachtung lassen sich mehrere hypothetische Planungsfolgen berechnen. Gleichzeitig können Modellfehler systematisch ausgenutzt werden. Eine Policy kann in der Simulation hervorragend erscheinen und auf der Hardware scheitern.

Für Quantensysteme sind hybride Modelle besonders sinnvoll. Bekannte physikalische Terme werden analytisch festgelegt. Nur unbekannte Rauschkomponenten, Driftparameter oder Messverzerrungen werden gelernt.

Das Modell sollte nicht nur Punktvorhersagen erzeugen, sondern auch Unsicherheit darstellen. Bei hoher Unsicherheit kann der Agent konservativer handeln oder gezielt neue Daten sammeln.

Hybride quantenklassische Lernsysteme

Die meisten praktischen Kontrollarchitekturen werden auf absehbare Zeit hybrid bleiben. Klassische Elektronik verarbeitet Messsignale und optimiert Parameter. Der Quantenprozessor stellt das kontrollierte System oder einen Teil des Lernmodells dar.

Variationale Quantenschaltkreise können als Funktionsapproximatoren eingesetzt werden. Ihre Parameter werden durch einen klassischen Optimierer angepasst. Ein möglicher Policy-Ausgang lautet schematisch \(\pi_\theta(a|o)=f_a(\langle O_1\rangle_\theta,\ldots,\langle O_m\rangle_\theta)\).

Ein praktischer Vorteil solcher Modelle ist nicht automatisch gegeben. Messrauschen, begrenzte Schaltungstiefe und Optimierungsprobleme können klassische Alternativen überlegen machen. Der Einsatz eines Quantenmodells sollte deshalb durch eine konkrete Ressourcenaussage begründet werden.

Für POQEs kann eine hybride Architektur dennoch sinnvoll sein, wenn quantenmechanische Zustände direkt als interne Gedächtnisressource genutzt oder bestimmte Wahrscheinlichkeitsstrukturen effizient erzeugt werden können.

Training in Simulationen

Simulationen ermöglichen große Mengen kontrollierter Trainingsdaten. Der vollständige Zustand kann während des Trainings bekannt sein, Rauschmodelle lassen sich variieren und gefährliche Aktionen verursachen keinen Hardwareschaden.

Genau darin liegt jedoch ein Risiko. Ein Agent kann Informationen verwenden, die im realen Einsatz nicht verfügbar sind. Deshalb müssen Beobachtungsschnittstelle, Verzögerungen und Messrauschen bereits im Training realistisch eingeschränkt werden.

Domain Randomization variiert unbekannte Parameter während des Trainings. Der Agent lernt dadurch eine Policy, die nicht nur in einer einzigen idealen Simulation funktioniert. Für besonders unsichere Parameter kann ein Ensemble unterschiedlicher Simulatoren eingesetzt werden.

Nach dem Transfer auf die Hardware ist eine vorsichtige Feinabstimmung sinnvoll. Dabei sollten sichere Aktionsgrenzen, kleine Lernschritte und ein unabhängiges Monitoring verwendet werden.

Grenzen lernender Systeme

Lernende Policies können hohe Leistung erreichen, ohne verständliche Entscheidungsregeln offenzulegen. Das erschwert wissenschaftliche Interpretation, Zertifizierung und Fehlersuche.

Ein weiteres Problem ist die Nichtstationarität. Quantenhardware driftet. Eine Policy, die auf Daten eines bestimmten Zeitraums trainiert wurde, kann später schlechter funktionieren. Kontinuierliches Nachlernen kann helfen, erzeugt aber neue Risiken für Stabilität und Reproduzierbarkeit.

Belohnungsfunktionen können unbeabsichtigte Strategien fördern. Wird nur die kurzfristige Messleistung belohnt, kann der Agent Zustände erzeugen, die die Metrik verbessern, aber das eigentliche technische Ziel verfehlen.

Reinforcement Learning ersetzt daher weder physikalische Modellierung noch Sicherheitsprüfung. Es ist ein Werkzeug für Probleme, in denen klassische Optimierung oder exakte Planung nicht ausreichen.

Technologische Anwendungsfelder

Quantencomputer

Ein Quantencomputer ist in mehrfacher Hinsicht partiell beobachtbar. Der vollständige Zustand eines laufenden Registers kann nicht fortlaufend tomografiert werden, ohne die Berechnung zu zerstören. Kontrollfehler, Übersprechen und zeitlich veränderliche Rauschquellen sind nur indirekt sichtbar.

POQE-Verfahren können bei der Kalibrierung von Qubits und Gattern eingesetzt werden. Ein Agent wählt Kontrollpulse, beobachtet ausgewählte Messstatistiken und passt seine Parameter an. Statt die gesamte Prozessmatrix zu rekonstruieren, optimiert er direkt eine relevante Leistungskennzahl.

Auch bei variationalen Quantenalgorithmen liegt partielle Beobachtbarkeit vor. Der Optimierer sieht nicht den vollständigen Quantenzustand, sondern geschätzte Erwartungswerte mit endlicher Stichprobenzahl. Die Wahl der nächsten Parameter und der Messverteilung ist deshalb eine Entscheidung unter Unsicherheit.

Robuste Policies können außerdem Pulssequenzen finden, die gegenüber unbekannten Hamiltonabweichungen und Rauschen weniger empfindlich sind. Ihr Erfolg hängt davon ab, ob das Training die realen Störungsbereiche ausreichend abdeckt.

Quantenfehlerkorrektur

Quantenfehlerkorrektur ist ein besonders klares POQE-Beispiel. Der logische Quantenzustand darf nicht direkt ausgelesen werden, weil eine solche Messung die gespeicherte Quanteninformation zerstören könnte. Stattdessen werden Fehlersyndrome gemessen.

Stabilisatormessungen zeigen, ob bestimmte Paritätsbedingungen verletzt sind. Sie verraten jedoch nicht immer eindeutig, welcher physikalische Fehler aufgetreten ist. Verschiedene Fehlerketten können dasselbe Syndrom erzeugen.

Ein Decoder verarbeitet daher die aktuelle und frühere Syndromhistorie und schätzt eine plausible Fehlerkonfiguration. Anschließend bestimmt er eine Korrektur oder aktualisiert einen logischen Bezugsrahmen.

Messfehler machen die Aufgabe zeitlich partiell beobachtbar. Ein einzelnes auffälliges Syndrom kann durch einen Datenfehler oder durch eine fehlerhafte Syndrommessung entstehen. Erst mehrere Zyklen liefern ausreichend Kontext.

Lernende Decoder können komplexe räumliche und zeitliche Korrelationen erfassen. Sie müssen jedoch bei größeren Codes, veränderten Rauschmodellen und seltenen Fehlerkombinationen zuverlässig bleiben.

Quantenkommunikation

In der Quantenkommunikation sind Kanalverluste, Phasenrauschen und Speicherfehler nur begrenzt bekannt. Sender und Empfänger beobachten Stichproben, Detektionsereignisse und klassische Bestätigungssignale.

Bei der Quantenschlüsselverteilung werden Teile der übertragenen Daten zur Parameterschätzung verwendet. Aus den beobachteten Fehlerraten werden Grenzen für mögliche Angriffe und die erzeugbare sichere Schlüssellänge abgeleitet. Der vollständige Zustand des Kanals oder eines möglichen Angreifers bleibt unbekannt.

In Quantenrepeatern müssen Knoten entscheiden, ob erzeugte Verschränkungen gespeichert, gereinigt, gekoppelt oder verworfen werden. Die Qualität einzelner Paare ist häufig nur statistisch oder indirekt bekannt.

Eine POQE-Policy kann lokale Beobachtungen, Speicherzeiten und Erfolgswahrscheinlichkeiten kombinieren. Ziel ist eine hohe Rate nutzbarer Verschränkung bei begrenztem Speicher und unzuverlässigen Verbindungen.

Quantensensorik und Metrologie

Ein Quantensensor soll einen unbekannten Parameter wie ein Magnetfeld, eine Frequenz oder eine Beschleunigung schätzen. Der gesuchte Parameter ist definitionsgemäß nicht direkt bekannt. Er beeinflusst die Quantendynamik und wird aus Messergebnissen erschlossen.

Adaptive Metrologie wählt Präparationszeit, Kontrollpulse und Messbasis anhand der bisherigen Daten. Bei hoher Unsicherheit können breite, robuste Messungen sinnvoll sein. Später kann der Agent empfindlichere Einstellungen verwenden.

Die Fisher-Information beschreibt, wie stark eine Beobachtungsverteilung von einem Parameter abhängt. Für eine klassische Messverteilung lautet sie

\(I(\theta)=\sum_o p(o|\theta)\left(\frac{\partial}{\partial\theta}\ln p(o|\theta)\right)^2.\)

Eine adaptive Strategie kann Messungen auswählen, die im aktuell plausiblen Parameterbereich besonders informativ sind. Sie muss jedoch Dekohärenz, begrenzte Messzeit und mögliche Mehrdeutigkeiten berücksichtigen.

Quantennetzwerke

Ein Quantennetzwerk besteht aus Knoten, Speichern und probabilistischen Verbindungen. Kein einzelner Knoten besitzt zwangsläufig vollständige globale Zustandsinformation. Klassische Statusmeldungen treffen verzögert ein, während gespeicherte Verschränkung bereits zerfällt.

Routingentscheidungen können daher nicht wie in einem idealen klassischen Netzwerk allein auf statischen Verbindungskosten beruhen. Der relevante Zustand umfasst Erfolgswahrscheinlichkeiten, Speicherqualität, bereits vorhandene Verschränkung und erwartete Kommunikationsverzögerung.

Lokale Policies sind skalierbar, können aber globale Chancen übersehen. Zentrale Policies besitzen mehr Information, leiden jedoch unter Verzögerung und Kommunikationsaufwand. Eine hierarchische Architektur kann lokale schnelle Entscheidungen mit einer langsameren globalen Planung verbinden.

Autonome Quantenexperimente

Ein autonomes Quantenexperiment wählt Messungen, Kontrollparameter und Hypothesen ohne ständige manuelle Eingriffe. Es kann unbekannte Phasenübergänge suchen, Hamiltonparameter bestimmen oder eine Apparatur automatisch kalibrieren.

Die Umgebung ist partiell beobachtbar, weil jede Messung nur einen Ausschnitt des experimentellen Systems zeigt. Gleichzeitig ist die Zahl möglicher Einstellungen häufig so groß, dass vollständiges Durchprobieren ausgeschlossen ist.

Ein geeigneter Agent priorisiert Experimente nach erwartetem Informationswert. Er vermeidet redundante Messungen und konzentriert Ressourcen auf Bereiche, in denen konkurrierende Modelle unterschiedliche Vorhersagen machen.

Autonomie setzt klare Abbruchregeln und Plausibilitätsprüfungen voraus. Ein System darf aus einem statistischen Ausreißer keine unbeschränkte Kette riskanter Folgeexperimente ableiten.

Zentrale Herausforderungen und Grenzen

Skalierbarkeit

Die größte technische Hürde ist das exponentielle Wachstum allgemeiner Quantenzustände. Eine exakte Dichtematrix ist für große Register weder leicht zu speichern noch schnell zu aktualisieren.

Teilbeobachtbarkeit reduziert dieses Problem nicht automatisch. Im Gegenteil kann eine Verteilung über viele mögliche Quantenzustände noch aufwendiger sein als die Beschreibung eines bekannten Zustands.

Skalierbare Verfahren müssen Struktur ausnutzen. Dazu gehören Lokalität, schwache Verschränkung, Symmetrien, begrenzte Korrelationslängen und niedrige effektive Dimensionen. Ohne solche Annahmen bleibt eine vollständige allgemeine Lösung praktisch unerreichbar.

Modellfehler

Ein POQE-Modell ist nur eine Näherung der Hardware. Unbekannte Kopplungen, Drift, Alterung und nicht modellierte Umwelteinflüsse können die Vorhersagen verfälschen.

Besonders gefährlich sind Fehler, die im verfügbaren Datensatz kaum sichtbar sind. Ein Agent kann scheinbar zuverlässig arbeiten, bis eine seltene Kombination von Parametern auftritt.

Modelle sollten deshalb regelmäßig gegen neue Messdaten geprüft werden. Ein Betriebssystem für Quantentechnologie benötigt nicht nur eine Policy, sondern auch Verfahren zur Erkennung, wann diese Policy ihren gültigen Bereich verlässt.

Messkosten und Messrückwirkung

Mehr Information ist nicht kostenlos. Messungen benötigen Zeit, Energie, Bandbreite und experimentelle Wiederholungen. Sie können Kohärenz zerstören oder den Zustand vollständig beenden.

Ein Agent, der Unsicherheit ausschließlich durch zusätzliche Messungen reduziert, kann sein eigentliches Ziel verfehlen. Die optimale Strategie akzeptiert häufig eine verbleibende Unsicherheit und handelt dennoch.

Der relevante Maßstab ist daher nicht maximale Information, sondern maximaler entscheidungsbezogener Nutzen der Information.

Verifikation

Die Leistung einer Policy ist schwer zu überprüfen, wenn der tatsächliche Zustand selbst verborgen ist. Gemessene Erfolgsraten können durch Selektionsfehler, unbemerkte Drift oder ungeeignete Kennzahlen verzerrt sein.

Eine belastbare Evaluation benötigt unabhängige Tests, unterschiedliche Anfangszustände und Rauschmodelle sowie klar getrennte Trainings- und Prüfdaten. Bei realer Hardware sollten Ergebnisse über verschiedene Kalibrierungsphasen hinweg untersucht werden.

Formale Verifikation ist für kleine oder abstrahierte Modelle möglich. Für große neuronale Policies und kontinuierliche Quantendynamiken bleibt sie schwierig. Praktisch sind deshalb mehrstufige Nachweise erforderlich: mathematische Garantien für Teilkomponenten, statistische Tests für das Gesamtsystem und Hardwaregrenzen als letzte Schutzebene.

Interpretierbarkeit

Ein lernender Agent kann eine erfolgreiche Strategie finden, deren innere Logik nicht unmittelbar verständlich ist. In der Grundlagenforschung kann dies den wissenschaftlichen Erkenntniswert begrenzen. In sicherheitskritischen Anwendungen erschwert es die Zulassung.

Interpretierbarkeit bedeutet nicht zwingend, dass jede Netzwerkaktivierung erklärt werden muss. Wichtiger ist, dass relevante Abhängigkeiten sichtbar werden: Welche Beobachtungen beeinflussen die Entscheidung? Wie reagiert die Policy auf Unsicherheit? Welche Zustandsbereiche führen zu einem Moduswechsel?

Physikalisch strukturierte Modelle, Sensitivitätsanalysen und Gegenbeispiele können dabei helfen. Eine Policy sollte nicht nur anhand erfolgreicher Mittelwerte, sondern gezielt an kritischen Grenzfällen untersucht werden.

Sicherheit und Fehlertoleranz

POQE-Agenten handeln unter Unsicherheit. Fehler können daher nie vollständig ausgeschlossen werden. Sicherheit muss als systemische Eigenschaft entworfen werden.

Dazu gehören begrenzte Aktionsräume, unabhängige Sensoren, Plausibilitätsprüfungen, Rückfallstrategien und protokollierte Entscheidungen. Bei hoher Unsicherheit sollte ein System nicht automatisch die aggressivste erfolgversprechende Aktion wählen.

Fehlertoleranz verlangt außerdem, dass einzelne fehlerhafte Beobachtungen nicht sofort zu katastrophalen Handlungen führen. Zeitliche Konsistenzprüfungen und robuste Filter können Ausreißer abfangen.

Forschungsrichtungen und technologische Perspektiven

Effiziente Zustandsrepräsentationen

Für große Systeme werden kompakte Repräsentationen benötigt. Tensor-Netzwerke können Zustände mit begrenzter Verschränkungsstruktur effizient darstellen. Niedrigrangige Dichtematrizen sind geeignet, wenn nur wenige dominante Eigenzustände relevant sind.

Latente neuronale Modelle können Messhistorien in niedrigdimensionale Zustände komprimieren. Damit diese Repräsentationen zuverlässig bleiben, sollten physikalische Bedingungen und Unsicherheiten berücksichtigt werden.

Eine universelle kompakte Darstellung für beliebige stark verschränkte, verrauschte Systeme ist nicht zu erwarten. Der Fortschritt wird daher anwendungsspezifisch sein und die jeweilige physikalische Struktur ausnutzen müssen.

Adaptive Messstrategien

Künftige Systeme werden Messung und Kontrolle gemeinsam optimieren. Der Agent entscheidet nicht nur, welcher Puls angewendet wird, sondern auch, welcher Messkanal zu welchem Zeitpunkt den größten Nutzen liefert.

Active-Learning-Verfahren können jene Messungen auswählen, bei denen konkurrierende Modelle besonders unterschiedliche Vorhersagen erzeugen. In der Metrologie können Messbasen an den aktuellen Parameterposterior angepasst werden.

Der wesentliche Fortschritt liegt darin, nicht jede theoretisch verfügbare Information zu sammeln. Ziel ist eine kleine Menge gezielter Daten, die eine konkrete Entscheidung zuverlässig verbessert.

Hybride Modellarchitekturen

Rein analytische Modelle können zu starr sein, rein datengetriebene Modelle zu intransparent. Hybride Architekturen verbinden bekannte Quantendynamik mit lernbaren Korrekturtermen.

Der Hamiltonanteil, Erhaltungssätze und erlaubte Messoperatoren können fest vorgegeben werden. Ein neuronales Modell approximiert nur nicht bekannte Drift- oder Rauschkomponenten. Dadurch sinkt der Datenbedarf, und unphysikalische Vorhersagen werden begrenzt.

Solche Modelle können während des Betriebs aktualisiert werden, ohne die gesamte Kontrollarchitektur neu zu trainieren. Voraussetzung ist eine klare Trennung zwischen stabil bekannten und veränderlichen Komponenten.

Sichere und verifizierbare Quantenagenten

Ein wichtiges Forschungsziel sind Policies, die nicht nur leistungsfähig, sondern mit überprüfbaren Garantien ausgestattet sind. Dazu gehören garantierte Schranken für Zustandsabweichung, Ausfallwahrscheinlichkeit oder maximal zulässige Kontrollenergie.

Eine mögliche Architektur besteht aus einem leistungsorientierten Agenten und einem formell geprüften Sicherheitsfilter. Der Agent schlägt eine Aktion vor. Der Filter prüft sie gegen bekannte Nebenbedingungen und ersetzt sie bei Bedarf durch eine sichere Alternative.

Unsicherheitsschätzungen müssen dabei kalibriert sein. Ein System, das seine Unsicherheit systematisch unterschätzt, kann keine belastbare risikobasierte Entscheidung treffen.

Standardisierte Benchmarks

Die Vergleichbarkeit aktueller Verfahren ist begrenzt. Studien verwenden unterschiedliche Rauschmodelle, Beobachtungsschnittstellen, Belohnungen und Rechenbudgets.

POQE-Benchmarks sollten deshalb den verborgenen physikalischen Zustand, die tatsächlich verfügbaren Beobachtungen und die erlaubten Aktionen klar trennen. Ein Verfahren darf im Test keine Informationen erhalten, die in der vorgesehenen Anwendung unzugänglich wären.

Zu dokumentieren sind außerdem Messbudget, Rechenzeit, Verzögerung, Robustheit gegenüber Modellabweichungen und Verhalten außerhalb der Trainingsverteilung. Nur dann lässt sich beurteilen, ob eine höhere Leistung aus einer besseren Policy oder lediglich aus günstigeren Annahmen entsteht.

Schlussfolgerung

Zusammenfassung

Partially Observable Quantum Environments beschreiben eine zentrale Realität der Quantentechnologie: Ein handelndes System kennt den vollständigen physikalischen Zustand gewöhnlich nicht. Es erhält nur Messresultate, Fehlersyndrome, Ströme, Zählereignisse oder andere indirekte Hinweise.

Die daraus entstehende Unsicherheit ist teils technisch und teils fundamental. Begrenzte Detektoren und unvollständige Modelle können verbessert werden. Nichtkommutativität, Messrückwirkung und die Unmöglichkeit vollständiger Einzelzustandsbestimmung bleiben dagegen grundlegende Eigenschaften.

Ein POQE-Agent benötigt deshalb einen Informationszustand. Dieser kann eine konditionierte Dichtematrix, eine hybride Parameterverteilung oder eine gelernte latente Repräsentation sein. Auf dieser Grundlage wählt er Kontroll- und Messhandlungen.

Die mathematische Struktur verbindet Quantenkanäle, Quanteninstrumente, Zustandsaktualisierung und mehrstufige Optimierung. QOMDPs liefern dafür einen allgemeinen theoretischen Rahmen. Quantenfilter und Bayessche Verfahren ermöglichen fortlaufende Zustandsschätzung. Reinforcement Learning und hybride Modelle bieten Näherungen für komplexe oder unvollständig bekannte Systeme.

Kernaussage

Das Ziel eines POQE-Verfahrens besteht nicht darin, um jeden Preis vollständige Zustandskenntnis herzustellen. Eine solche Forderung wäre physikalisch oft unerfüllbar und technisch unnötig.

Entscheidend ist, genau jene Information zu gewinnen und zu verarbeiten, die für eine konkrete Handlung benötigt wird. Ein guter Agent erkennt, wann zusätzliche Messungen sinnvoll sind, wann verbleibende Unsicherheit akzeptiert werden kann und wann ein sicherer Rückfallmodus erforderlich ist.

Abschließende Bewertung

POQEs bilden einen geeigneten Denk- und Modellierungsrahmen für adaptive Quantencomputer, Fehlerkorrektur, Quantensensoren, Kommunikationsnetze und autonome Experimente. Sie machen sichtbar, dass Beobachtung, Schätzung, Lernen und Kontrolle nicht als getrennte Aufgaben behandelt werden dürfen.

Die praktische Zukunft dieser Systeme hängt von vier Fortschritten ab: skalierbaren Informationszuständen, realistischen Unsicherheitsmodellen, schnellen adaptiven Entscheidungen und überprüfbaren Sicherheitsmechanismen.

Partielle Beobachtbarkeit wird nicht verschwinden, wenn Quantenhardware ausgereifter wird. Mit zunehmender Größe und Autonomie wird sie sogar wichtiger. Die leistungsfähigsten Systeme werden deshalb nicht diejenigen sein, die vorgeben, alles zu wissen. Erfolgreich werden jene Systeme sein, die ihre begrenzte Information korrekt bewerten und daraus zuverlässig handeln.

Mit freundlichen Grüßen Jörg-Owe Schneppat

Anhang

Wissenschaftliche Zeitschriften und Artikel

Der Begriff „Partially Observable Quantum Environments“ ist bislang kein einheitlich normierter Terminus. Für eine wissenschaftliche Abhandlung sollte er daher als übergeordneter Arbeitsbegriff verwendet und an etablierte Forschungsfelder angebunden werden. Dazu gehören insbesondere quantenmechanische Entscheidungsprozesse unter partieller Beobachtbarkeit, Quantenfilterung, kontinuierliche Messung, adaptive Rückkopplung, nichtmarkovsche Dynamik und lernbasierte Quantenkontrolle.

Die folgenden Artikel bilden diese Teilgebiete ab. Die Auswahl trennt grundlegende Primärliteratur von spezialisierter Forschung und weiterführenden Übersichtsarbeiten. Dadurch lässt sich nachvollziehbar belegen, welche Bestandteile eines POQE-Modells bereits formal etabliert sind und an welchen Stellen der Begriff als fachübergreifende Zusammenführung verwendet wird.

Grundlegende Primärliteratur zu partiell beobachtbaren Quantenumgebungen

  • Jennifer Barry, Daniel T. Barry und Scott Aaronson: Quantum Partially Observable Markov Decision Processes, Physical Review A, 2014.
    • Diese Arbeit ist die zentrale Primärquelle für die formale Verbindung zwischen partiell beobachtbaren Markov-Entscheidungsprozessen und quantenmechanischen Zuständen. Sie führt QOMDPs als quantenmechanisches Gegenstück zu klassischen POMDPs ein und untersucht Richtlinien, Zielzustände, Planungshorizonte sowie Fragen der Berechenbarkeit. Für eine Abhandlung über POQEs sollte die Quelle zur Definition des entscheidungstheoretischen Kerns und zur Diskussion fundamentaler Komplexitätsgrenzen genutzt werden.
  • Luc Bouten, Ramon van Handel und Matthew R. James: An Introduction to Quantum Filtering, SIAM Journal on Control and Optimization, 2007.
    • Der Artikel gehört zur grundlegenden Literatur der Quantenfilterung. Er entwickelt die mathematischen Voraussetzungen für die Schätzung eines Quantenzustands aus verrauschten, kontinuierlich eintreffenden Messdaten. Für POQEs ist die Arbeit besonders relevant, weil ein Agent nicht auf dem unbekannten tatsächlichen Zustand, sondern auf einem aus der Beobachtungshistorie abgeleiteten Informationszustand handeln muss.
  • Andrew C. Doherty und Kurt Jacobs: Feedback Control of Quantum Systems Using Continuous State Estimation, Physical Review A, 1999.
    • Die Arbeit zeigt, wie kontinuierliche Zustandsschätzung und Rückkopplungssteuerung zu einem geschlossenen quantenmechanischen Regelkreis verbunden werden können. Sie ist für den Abschnitt über adaptive Kontrolle wichtig, weil sie die Trennung zwischen dem realen Quantenzustand und dem vom Controller geschätzten Zustand ausdrücklich berücksichtigt. Die Quelle eignet sich als frühe Primärliteratur für messungsbasierte Echtzeitsteuerung unter unvollständiger Zustandskenntnis.
  • Kurt Jacobs und Daniel A. Steck: A Straightforward Introduction to Continuous Quantum Measurement, Contemporary Physics, 2006.
    • Diese didaktisch angelegte Facharbeit führt in kontinuierliche Quantenmessungen, stochastische Mastergleichungen, ineffiziente Detektion und Messrückwirkung ein. Sie eignet sich besonders für die physikalische und mathematische Erklärung, warum Beobachtungen in POQEs zugleich Information liefern und den Zustand verändern. Die Quelle kann als Brücke zwischen elementarer Messungstheorie und formaler Quantenfilterung eingesetzt werden.

Spezialisierte Arbeiten zu Quantenfilterung, Rückkopplung und Zustandsschätzung

  • John E. Gough, Matthew R. James, Hendra I. Nurdin und Joshua Combes: Quantum Filtering for Systems Driven by Fields in Single-Photon States or Superpositions of Coherent States, Physical Review A, 2012.
    • Die Arbeit erweitert Quantenfilterverfahren auf Systeme, die durch nichtklassische Eingangsfelder angeregt werden. Sie ist für POQEs relevant, weil sie zeigt, dass die Zustandsschätzung deutlich anspruchsvoller wird, sobald die Umgebung selbst nicht durch einfache klassische oder markovsche Rauschmodelle beschrieben werden kann. Sie kann zur Vertiefung von Quanteninstrumenten, nichtklassischen Beobachtungskanälen und stochastischen Mastergleichungen verwendet werden.
  • Søren Gammelmark, Brian Julsgaard und Klaus Mølmer: Past Quantum States of a Monitored System, Physical Review Letters, 2013.
    • Diese Primärarbeit untersucht die nachträgliche Rekonstruktion eines überwachten Quantensystems unter Einbeziehung früherer und späterer Messinformationen. Für eine POQE-Abhandlung ist sie besonders wertvoll, weil sie zwischen Filterung, Retrodiktion und Glättung unterscheidet. Die Quelle zeigt, dass der Informationszustand eines Beobachters davon abhängt, welcher Ausschnitt der Messhistorie verfügbar ist.
  • Jing Zhang, Yu-xi Liu, Re-Bing Wu, Kurt Jacobs und Franco Nori: Quantum Feedback: Theory, Experiments, and Applications, Physics Reports, 2017.
    • Dieser umfangreiche Übersichtsartikel ordnet messungsbasierte, kohärente und lernbasierte Rückkopplungsverfahren ein. Er eignet sich als Hintergrund- und Systematisierungsquelle für die Abschnitte über offene und geschlossene Regelkreise, Echtzeitkontrolle, Stabilisierung und experimentelle Anwendungen. Für POQEs ist insbesondere die Verbindung zwischen unvollständiger Messinformation, Zustandsschätzung und adaptiver Handlung relevant.

Spezialisierte Arbeiten zu nichtmarkovschen Umgebungen und verborgener Prozessdynamik

  • Heinz-Peter Breuer, Elsi-Mari Laine, Jyrki Piilo und Bassano Vacchini: Colloquium: Non-Markovian Dynamics in Open Quantum Systems, Reviews of Modern Physics, 2016.
    • Der Übersichtsartikel behandelt Definitionen, Ursachen und messbare Folgen nichtmarkovscher Quantendynamik. Für POQEs ist er zentral, wenn verborgene Umweltfreiheitsgrade Gedächtniseffekte erzeugen und der aktuelle reduzierte Zustand nicht ausreicht, um die Zukunft vorherzusagen. Die Quelle sollte zur Abgrenzung markovscher Modelle von Umgebungen mit Informationsrückfluss und zeitlichen Korrelationen genutzt werden.
  • Felix A. Pollock, César Rodríguez-Rosario, Thomas Frauenheim, Mauro Paternostro und Kavan Modi: Operational Markov Condition for Quantum Processes, Physical Review Letters, 2018.
    • Diese Arbeit formuliert eine operationelle Markov-Bedingung für mehrzeitige Quantenprozesse. Sie ist für POQEs relevant, weil sie Gedächtnis nicht nur als abstrakte Systemeigenschaft behandelt, sondern mit tatsächlich ausführbaren Eingriffen und beobachtbaren Prozesskorrelationen verbindet. Die Quelle eignet sich zur Begründung, warum nichtmarkovsche Umgebungen eine erweiterte Historien- oder Prozessdarstellung erfordern.
  • Simon Milz und Kavan Modi: Quantum Stochastic Processes and Quantum Non-Markovian Phenomena, PRX Quantum, 2021.
    • Der als Tutorial konzipierte Artikel führt klassische stochastische Prozesse in eine moderne quantenmechanische Prozessbeschreibung über. Er behandelt Quantenkämme, mehrzeitige Korrelationen und die operationelle Erfassung von Gedächtniseffekten. Für eine POQE-Abhandlung ist er besonders geeignet, um von einfachen schrittweisen Zustandsmodellen zu allgemeinen quantenmechanischen Prozessdarstellungen überzuleiten.
  • G. A. L. White, F. A. Pollock, L. C. L. Hollenberg, K. Modi und C. D. Hill: Non-Markovian Quantum Process Tomography, PRX Quantum, 2022.
    • Die Arbeit überträgt die theoretische Prozess-Tensor-Perspektive auf die experimentelle Charakterisierung nichtmarkovscher Quantendynamik. Sie ist als Spezialliteratur geeignet, wenn in der Abhandlung erläutert wird, wie verborgene Umweltkorrelationen aus kontrollierten Eingriffen und Messdaten rekonstruiert werden können. Zugleich verdeutlicht sie den hohen experimentellen und rechnerischen Aufwand einer umfassenden Prozessbeschreibung.

Lernbasierte Kontrolle und adaptive Quantenfehlerkorrektur

  • Thomas Fösel, Petru Tighineanu, Talitha Weiss und Florian Marquardt: Reinforcement Learning with Neural Networks for Quantum Feedback, Physical Review X, 2018.
    • Diese Arbeit demonstriert, wie neuronales Reinforcement Learning vollständige Rückkopplungsstrategien für quantenmechanische Fehlerkorrekturprobleme entdecken kann. Sie ist für POQEs relevant, weil der Agent seine Aktionen an Messergebnisse anpasst, ohne bei jedem Schritt vollständige Kenntnis des Quantenzustands zu besitzen. Die Quelle kann zur Darstellung gedächtnisbasierter Policies, adaptiver Messreaktionen und datengetriebener Kontrollstrategien genutzt werden.
  • Hendrik Poulsen Nautrup, Nicolas Delfosse, Vedran Dunjko, Hans J. Briegel und Nicolai Friis: Optimizing Quantum Error Correction Codes with Reinforcement Learning, Quantum, 2019.
    • Die Arbeit untersucht die lernbasierte Anpassung von Quantenfehlerkorrekturcodes an unterschiedliche Fehler- und Hardwaremodelle. Sie ergänzt die theoretische POQE-Perspektive um ein konkretes Anwendungsfeld, in dem der relevante Fehlerzustand nur indirekt über Syndrome und statistische Leistungsdaten sichtbar wird. Die Quelle eignet sich für die Diskussion von Transferlernen, adaptiver Codeauswahl und unbekannten Fehlerkanälen.
  • Chen Jiang, Yu Pan, Zheng-Guang Wu, Qing Gao und Daoyi Dong: Robust Optimization for Quantum Reinforcement Learning Control Using Partial Observations, Physical Review A, 2022.
    • Diese Arbeit gehört zu den unmittelbarsten Spezialquellen für lernbasierte Quantenkontrolle unter partiellen Beobachtungen. Sie behandelt ausdrücklich den Fall, dass dem Agenten keine vollständigen Quantenzustände als Eingaben zur Verfügung stehen. Für eine POQE-Abhandlung kann sie genutzt werden, um robuste Optimierung, beobachtungsbasierte Policies und die Abweichung zwischen idealisierter Simulation und realer Messsituation zu erläutern.

Bücher und Monographien

Die Monographien ergänzen die Primärliteratur um systematische Darstellungen der Quanteninformation, offener Quantensysteme, kontinuierlicher Messungen, stochastischer Prozesse und Entscheidungen unter Unsicherheit. Für eine wissenschaftliche Abhandlung sollten sie vor allem zur Definition etablierter Begriffe, zur Herleitung grundlegender Modelle und zur Einordnung einzelner Forschungsartikel genutzt werden.

Da POQEs mehrere Fachrichtungen verbinden, reicht ein einzelnes Standardwerk nicht aus. Die physikalische Beschreibung benötigt Literatur zur Quantenmessung und zu offenen Systemen; die Entscheidungsseite benötigt POMDP-, Kontroll- und Reinforcement-Learning-Literatur.

Standardwerke zur Quanteninformation

  • Michael A. Nielsen und Isaac L. Chuang: Quantum Computation and Quantum Information, Cambridge University Press, 10th Anniversary Edition, 2010.
    • Das Werk ist die zentrale Grundlagenreferenz für Quantenzustände, Dichtematrizen, Messoperatoren, Quantenkanäle, zusammengesetzte Systeme und Quantenfehlerkorrektur. Es sollte in einer POQE-Abhandlung für die physikalischen und informationstheoretischen Grundbegriffe verwendet werden. Die entscheidungstheoretische Modellierung steht nicht im Mittelpunkt, doch nahezu alle verwendeten quantenmechanischen Objekte werden hier zuverlässig eingeführt.
  • John Watrous: The Theory of Quantum Information, Cambridge University Press, 2018.
    • Watrous bietet eine mathematisch präzise Behandlung von Quantenzuständen, Kanälen, Messungen, Distanzen und Optimierungsproblemen. Das Buch eignet sich besonders, wenn die Abhandlung Quanteninstrumente, vollständig positive Abbildungen oder die Unterscheidbarkeit quantenmechanischer Zustände formal sauber erklären soll. Es ist stärker beweisorientiert als viele einführende Lehrbücher.

Standardwerke zu offenen Quantensystemen, Messung und Kontrolle

  • Heinz-Peter Breuer und Francesco Petruccione: The Theory of Open Quantum Systems, Oxford University Press, 2002.
    • Dieses Standardwerk behandelt reduzierte Dynamik, Mastergleichungen, Dekohärenz, stochastische Methoden und nichtmarkovsche Prozesse. Es ist für die Erklärung unverzichtbar, warum ein beobachtetes Teilsystem durch nicht zugängliche Umweltfreiheitsgrade beeinflusst wird. In einer POQE-Abhandlung sollte es als Grundlagenliteratur für offene und nur teilweise beobachtbare Quantendynamik dienen.
  • Howard M. Wiseman und Gerard J. Milburn: Quantum Measurement and Control, Cambridge University Press, 2010.
    • Das Buch verbindet Quantenmessung, stochastische Zustandsschätzung, Quantentrajektorien und Feedbackkontrolle in einer geschlossenen Darstellung. Für POQEs ist es besonders wichtig, weil es die Informationsgewinnung durch Messung und die daraus abgeleitete Regelung gemeinsam behandelt. Es eignet sich sowohl als Grundlagenwerk als auch als Referenz für fortgeschrittene Kontrollmodelle.
  • Kurt Jacobs: Quantum Measurement Theory and Its Applications, Cambridge University Press, 2014.
    • Jacobs behandelt generalisierte Messungen, kontinuierliche Beobachtung, stochastische Mastergleichungen, Quantenfeedback und Metrologie. Das Werk ist besonders geeignet, um die Messrückwirkung und die fortlaufende Aktualisierung eines geschätzten Zustands verständlich und dennoch mathematisch belastbar darzustellen. Es kann als Hauptquelle für den Abschnitt über Beobachtung und Zustandsschätzung dienen.
  • Howard J. Carmichael: An Open Systems Approach to Quantum Optics, Springer, 1993.
    • Die Monographie ist eine klassische Referenz für Quantentrajektorien, Photonenzählung und offene quantenoptische Systeme. Sie ist für POQEs relevant, wenn einzelne beobachtete Messverläufe von der über alle möglichen Verläufe gemittelten Mastergleichung unterschieden werden. Das Werk eignet sich vor allem als Hintergrundliteratur für stochastische Sprungprozesse und bedingte Dynamik.
  • Alberto Barchielli und Matteo Gregoratti: Quantum Trajectories and Measurements in Continuous Time: The Diffusive Case, Springer, 2009.
    • Dieses mathematisch anspruchsvolle Werk behandelt kontinuierliche Quantenmessungen, stochastische Differentialgleichungen, a-posteriori-Zustände und diffusive Quantentrajektorien. Es ist als Spezialliteratur für eine formale Vertiefung der Quantenfilterung geeignet. In der Abhandlung sollte es vor allem dann eingesetzt werden, wenn die mathematische Struktur kontinuierlicher Beobachtungsprozesse genauer erläutert wird.
  • Crispin Gardiner und Peter Zoller: Quantum Noise, Springer, 3. Auflage, 2004.
    • Das Werk bietet eine umfassende Darstellung quantenmechanischen Rauschens, stochastischer Methoden, Eingangs-Ausgangs-Theorie, Photodetektion und nichtmarkovscher Prozesse. Für POQEs dient es als Hintergrundliteratur zur Modellierung realistischer Beobachtungskanäle und verrauschter Umgebungen. Es ist besonders hilfreich, wenn quantenoptische Implementierungen oder kontinuierliche Felder behandelt werden.

Entscheidungsmodelle und Lernverfahren unter partieller Beobachtbarkeit

  • Vikram Krishnamurthy: Partially Observed Markov Decision Processes, Cambridge University Press, 2. Auflage, 2025.
    • Die Monographie behandelt POMDPs, Filterung, kontrollierte Sensorik, strukturelle Ergebnisse und stochastische Optimierung. Obwohl der Schwerpunkt klassisch ist, liefert sie den entscheidungstheoretischen Unterbau für POQEs. Sie sollte zur Erklärung von Belief States, Policies, dynamischer Programmierung und dem Wert zusätzlicher Beobachtungen herangezogen werden.
  • Mykel J. Kochenderfer: Decision Making Under Uncertainty, MIT Press, 2015.
    • Dieses Lehrbuch führt aus rechnerischer Sicht in Entscheidungen unter unsicheren Zuständen, Beobachtungen und Übergängen ein. Es ist als Hintergrundliteratur für die klassische Struktur von POMDPs, Nutzenfunktionen und approximativen Lösungsverfahren geeignet. In einer POQE-Abhandlung kann es genutzt werden, um die Gemeinsamkeiten und Unterschiede zwischen klassischen und quantenmechanischen Informationszuständen herauszuarbeiten.
  • Richard S. Sutton und Andrew G. Barto: Reinforcement Learning: An Introduction, MIT Press, 2. Auflage, 2018.
    • Das Standardwerk erläutert Policies, Wertfunktionen, zeitliche Differenzverfahren, Exploration und modellbasiertes sowie modellfreies Lernen. Es ist keine quantenspezifische Quelle, liefert aber die begriffliche Grundlage für lernende Agenten in POQEs. Es sollte insbesondere für die Abschnitte über Reinforcement Learning, Exploration, Exploitation und Funktionsapproximation verwendet werden.

Online-Ressourcen und Datenbanken

Online-Ressourcen erfüllen in diesem Themenfeld unterschiedliche Aufgaben. Wissenschaftliche Datenbanken unterstützen die systematische Literaturrecherche, Verlagsplattformen liefern verbindliche Publikationsdaten, und Softwareprojekte ermöglichen die Simulation offener Quantensysteme, Quantenkanäle und hybrider Lernverfahren.

Für eine wissenschaftliche Abhandlung sollten Online-Ressourcen nicht pauschal als gleichwertige Belege behandelt werden. Verbindliche Aussagen sind möglichst auf begutachtete Artikel und Fachbücher zu stützen. Dokumentationen, Vorlesungsnotizen und Softwareplattformen dienen vor allem der methodischen Vertiefung, Reproduzierbarkeit und praktischen Umsetzung.

Wissenschaftliche Datenbanken und Recherchehilfen

  • arXiv: Open-Access-Archiv für Physik, Mathematik und Informatik, fortlaufend aktualisiert.
    • arXiv ist für die Recherche zu Quanteninformation, Quantenkontrolle, maschinellem Lernen und offenen Quantensystemen besonders wichtig. Viele Fachartikel erscheinen dort bereits vor oder parallel zur Journalveröffentlichung. Für die Abhandlung sollte stets geprüft werden, ob zusätzlich eine begutachtete Journalfassung existiert und welche Version zitiert wird.
  • Crossref: DOI- und Metadatenrecherche für wissenschaftliche Publikationen, fortlaufend aktualisiert.
    • Crossref eignet sich zur Überprüfung von DOI, Autorenschaft, Titel, Journal und Veröffentlichungsjahr. Die Ressource ist besonders hilfreich, wenn Preprint- und Journalfassungen eindeutig voneinander getrennt oder bibliografische Angaben kontrolliert werden müssen.
  • INSPIRE: Wissenschaftliche Literaturdatenbank für Physik, fortlaufend aktualisiert.
    • INSPIRE bietet strukturierte Publikations- und Zitationsdaten für zahlreiche quantenphysikalische Arbeiten. Die Datenbank ist vor allem als ergänzende Recherchehilfe nützlich, wenn Autorenprofile, Preprints, Journalfassungen und Zitationsbeziehungen zusammengeführt werden sollen.

Fachjournale und Verlage

  • American Physical Society: Physical Review Journals, fortlaufend aktualisiert.
    • Die APS-Plattform veröffentlicht zentrale Fachjournale wie Physical Review A, Physical Review Letters, Physical Review X, PRX Quantum und Reviews of Modern Physics. Sie ist für POQE-Recherchen besonders relevant, weil dort grundlegende Arbeiten zu Quantenmessung, offenen Systemen, Feedback, Prozessdynamik und Quanteninformation erscheinen.
  • Society for Industrial and Applied Mathematics: SIAM Journals, fortlaufend aktualisiert.
    • SIAM veröffentlicht mathematisch orientierte Arbeiten zu Kontrolltheorie, stochastischen Prozessen, Optimierung und Filterung. Die Plattform ist eine wichtige Ergänzung zu physikalischen Journalen, weil POQEs nicht nur quantenmechanische, sondern auch regelungs- und entscheidungstheoretische Methoden benötigen.
  • Quantum: Open-Access-Fachjournal für Quantenwissenschaften, fortlaufend aktualisiert.
    • Quantum ist ein begutachtetes, offen zugängliches Fachjournal mit Arbeiten zu Quanteninformation, Fehlerkorrektur, Algorithmen und lernbasierten Verfahren. Für eine POQE-Abhandlung eignet es sich besonders zur Recherche aktueller Anwendungen und reproduzierbarer methodischer Arbeiten.
  • Cambridge Core: Fachbücher und Zeitschriften von Cambridge University Press, fortlaufend aktualisiert.
    • Cambridge Core enthält zentrale Monographien zur Quanteninformation, Messung, Kontrolle und zu POMDPs. Die Plattform sollte für verbindliche Buchdaten, Inhaltsübersichten, DOI-Angaben und Kapitelzuordnungen genutzt werden.
  • Springer Nature Link: Fachbücher und Zeitschriften zu Physik, Mathematik und Informatik, fortlaufend aktualisiert.
    • Springer Nature Link bietet wichtige Monographien zu Quantentrajektorien, Quantenrauschen, offenen Quantensystemen und stochastischen Methoden. Die Plattform ist besonders für vertiefende Spezialliteratur und mathematische Hintergrundquellen geeignet.
  • Oxford Academic: Fachbücher und Zeitschriften von Oxford University Press, fortlaufend aktualisiert.
    • Oxford Academic enthält grundlegende Literatur zu offenen Quantensystemen und theoretischer Physik. Die Plattform sollte zur Kontrolle bibliografischer Angaben und für den Zugriff auf verbindliche Verlagsfassungen genutzt werden.

Vorlesungsnotizen und Monographie-nahe Ressourcen

  • John Watrous: The Theory of Quantum Information, begleitende Kapitel und Vorabfassung, University of Waterloo.
    • Die frei zugänglichen Materialien ergänzen die veröffentlichte Monographie um einzelne Kapitel und eine zusammenhängende Vorabfassung. Sie eignen sich zur präzisen Nacharbeitung von Quantenzuständen, Kanälen, Messungen und mathematischen Beweistechniken. Für eine formale Abhandlung sind sie eine wertvolle Lernressource, sollten bibliografisch jedoch von der endgültigen Buchausgabe unterschieden werden.
  • Ramon van Handel: Stochastic Calculus, Filtering, and Stochastic Control, Vorlesungsnotizen, 2007.
    • Die Vorlesungsnotizen vermitteln die klassische mathematische Grundlage stochastischer Differentialgleichungen, Filterung und Kontrolle. Sie sind besonders nützlich, um die formalen Parallelen zwischen klassischen Filtern und Quantenfiltern zu verstehen. In der Abhandlung sollten sie als methodische Hintergrundressource und nicht als Ersatz für quantenspezifische Primärliteratur verwendet werden.
  • Luc Bouten und Ramon van Handel: Quantum Filtering: A Reference Probability Approach, Vorlesungsnahe Fachnotizen, 2005.
    • Diese Ressource bietet eine kompakte, aber mathematisch anspruchsvolle Einführung in nichtkommutative Wahrscheinlichkeit, Quantenfilterung und Referenzwahrscheinlichkeitsmethoden. Sie eignet sich zur Vertiefung der theoretischen Herleitung von Belavkin-Zakai- und normalisierten Filtergleichungen.

Lern- und Forschungsplattformen

  • QuTiP Project: QuTiP Documentation, fortlaufend aktualisiert.
    • QuTiP ist eine etablierte Python-Bibliothek zur Simulation offener Quantensysteme. Sie unterstützt Dichtematrizen, Lindblad-Gleichungen, Monte-Carlo-Trajektorien, zeitabhängige Hamiltonoperatoren und zusammengesetzte Systeme. Für POQEs eignet sich QuTiP zur numerischen Untersuchung von Zustandsentwicklung, Messkanälen und bedingten Dynamiken.
  • Qiskit Community: Qiskit Dynamics Documentation, fortlaufend aktualisiert.
    • Qiskit Dynamics stellt Werkzeuge zur Modellierung und numerischen Lösung zeitabhängiger Quantendynamik bereit. Die Dokumentation enthält Beispiele zu Rabi-Oszillationen, Lindblad-Dynamik, Rauschen, Pulssteuerung und Gradientenoptimierung. Sie ist für die praktische Umsetzung kontrollierter POQE-Modelle und hybrider Simulationsabläufe geeignet.
  • IBM Quantum: Qiskit- und IBM-Quantum-Dokumentation, fortlaufend aktualisiert.
    • Die Plattform bietet Dokumentation, Tutorials und Schnittstellen für Quantenschaltkreise, dynamische Schaltungen, Messungen und reale Quantenhardware. Für eine POQE-Abhandlung ist sie vor allem als praktische Ressource relevant, wenn Messresultate während eines Ablaufs klassische Folgeentscheidungen auslösen sollen.
  • PennyLane: Plattform für hybride Quantenalgorithmen und Quantum Machine Learning, fortlaufend aktualisiert.
    • PennyLane verbindet parametrisierte Quantenschaltkreise mit automatischer Differentiation und klassischen Lernbibliotheken. Die Plattform ist besonders für hybride POQE-Modelle relevant, in denen ein klassischer Agent Messdaten verarbeitet und quantenmechanische Kontrollparameter optimiert. Sie dient als Forschungs- und Implementierungsressource, nicht als Primärbeleg für physikalische Aussagen.
  • Quantum Open Source Foundation: Lernressourcen und Verzeichnis offener Quantensoftware, fortlaufend aktualisiert.
    • Die Quantum Open Source Foundation bietet kuratierte Lernmaterialien und einen Überblick über quelloffene Softwareprojekte. Die Ressource eignet sich zur Orientierung bei der Auswahl von Simulations-, Kontroll- und Lernwerkzeugen. Einzelne Softwareangaben sollten anschließend anhand der jeweiligen offiziellen Projektdokumentation geprüft werden.
Anti-Myon-Neutrino

Anti-Myon-Neutrino

...

Myon-Antilepton

Myon-Antilepton

...

Oberflächenplasmonen

Oberflächenplasmonen

...

Strings

Strings

...

[[4,2,2]] Code

[[4,2,2]] Code

...

Up-Quarks

Up-Quarks

...