Kwantum-machinelearning: wat het is en hoe ver de techniek echt is
Kwantum-machinelearning is de verzamelnaam voor onderzoek dat kwantumcomputers combineert met kunstmatige intelligentie. Een kwantumcomputer rekent niet met gewone bits (die een 0 of een 1 zijn), maar met qubits, die dankzij een kwantumeigenschap superpositie genoemd tegelijk iets van 0 én iets van 1 kunnen zijn. Machinelearning is de tak van kunstmatige intelligentie waarbij een computer patronen leert herkennen in grote hoeveelheden data, zoals foto's, tekst of meetgegevens, zonder dat een programmeur elke regel handmatig voorschrijft. Kwantum-machinelearning onderzoekt of je die twee dingen kunt combineren: kun je een kwantumcomputer gebruiken om sneller of beter te leren dan een gewone computer dat kan?
Een simpele analogie: stel je een enorme bibliotheek voor waarin je op zoek bent naar het ene boek dat een patroon in je data verklaart. Een klassieke computer loopt de planken in principe één voor één af. Een kwantumcomputer kan, dankzij superpositie, in zekere zin meerdere planken tegelijk 'aftasten' en met een truc genaamd interferentie de kans vergroten dat je precies bij het juiste boek uitkomt. Dat klinkt krachtig, en in theorie is het dat ook voor bepaalde wiskundige problemen. Maar of dat voordeel ook geldt voor de rommelige, ruisgevoelige data waarmee machinelearning in de praktijk werkt, is nog grotendeels een open vraag.
Wat is het precies?
Machinelearning leunt zwaar op lineaire algebra: het rekenen met grote vectoren (rijtjes getallen) en matrices (roosters van getallen) om patronen in data te vinden. Kwantumcomputers zijn van nature goed in het manipuleren van dit soort hoogdimensionale wiskundige ruimtes, omdat de toestand van een systeem van qubits zich wiskundig ook als een vector laat beschrijven. Dat is de kern van de hoop achter kwantum-machinelearning: bepaalde rekenstappen die klassieke computers veel tijd kosten, zouden op een kwantumcomputer in theorie sneller kunnen.
Een van de vroegste en invloedrijkste bouwstenen is het zogeheten HHL-algoritme, genoemd naar de onderzoekers Harrow, Hassidim en Lloyd die het in 2009 publiceerden. Dit algoritme lost stelsels lineaire vergelijkingen op, een rekenstap die in veel ML-methoden voorkomt, en doet dat in theorie exponentieel sneller dan de beste klassieke methoden. Belangrijke kanttekening: HHL werkt alleen onder strikte voorwaarden en vereist manieren om data efficiënt 'in' en 'uit' de kwantumcomputer te krijgen, wat in de praktijk allesbehalve triviaal is.
In de praktijk van vandaag draait vrijwel alle kwantum-machinelearning op een hybride manier: een klassieke computer en een kwantumprocessor werken samen. Je gebruikt dan een zogeheten variationele kwantumschakeling, een kwantumcircuit met instelbare knoppen (parameters), vergelijkbaar met de gewichten in een neuraal netwerk. De klassieke computer past die knoppen telkens een beetje aan om de uitkomst te verbeteren, terwijl de kwantumprocessor alleen het specifieke rekenstukje uitvoert waarvan gehoopt wordt dat het sneller of anders werkt dan op een klassieke chip. Dit noemt men ook wel een kwantumneuraal netwerk, al is de term wat misleidend: het lijkt slechts oppervlakkig op een klassiek neuraal netwerk.
Er zijn grofweg drie invalshoeken. Bij kwantum-versnelde ML draait het model grotendeels klassiek, maar wordt één rekenstap uitbesteed aan de kwantumcomputer. Bij kwantumdata-analyse gebruik je machinelearning om metingen van kwantumsystemen zelf te interpreteren, bijvoorbeeld in de natuurkunde. En bij volledig kwantum-native modellen probeert men het hele leerproces op de kwantumhardware te laten plaatsvinden. Van deze drie is de eerste het meest onderzocht en het dichtst bij toepasbaarheid.
Wat wil men ermee bereiken?
De belangrijkste drijfveer is snelheid en schaal: sommige ML-taken worden extreem rekenintensief zodra de data groter of complexer wordt, bijvoorbeeld het zoeken naar patronen in hoogdimensionale data of het bemonsteren van ingewikkelde kansverdelingen. Onderzoekers hopen dat kwantumcomputers dat soort taken in specifieke gevallen sneller kunnen uitvoeren, of patronen kunnen herkennen die voor klassieke computers onbereikbaar blijven.
Een tweede motivatie ligt dichter bij de natuurkunde zelf: moleculen en materialen gedragen zich volgens de wetten van de kwantummechanica, en die zijn voor klassieke computers notoir lastig te simuleren. De gedachte is dat een kwantumcomputer, die zelf een kwantumsysteem is, van nature beter is in het simuleren van andere kwantumsystemen. Dat zou nuttig kunnen zijn voor onder meer medicijnontwikkeling en materiaalonderzoek, waarbij machinelearning wordt ingezet om in die simulatiedata patronen te herkennen.
Daarnaast is er een zuiver wetenschappelijke drijfveer: onderzoekers willen simpelweg begrijpen waar precies de grens ligt tussen wat klassieke en kwantumcomputers kunnen. Kwantum-machinelearning is in die zin ook fundamenteel onderzoek naar de theorie van berekenbaarheid, los van directe toepassingen.
Voorbeelden uit de praktijk
Een aantal concrete ontwikkelingen illustreert waar het veld staat.
Het HHL-algoritme (2009) vormde de theoretische basis waarop veel later werk voortbouwt, ook al is een volledige praktijkimplementatie op grote schaal nog niet gerealiseerd.
PennyLane (vanaf 2018), ontwikkeld door het Canadese bedrijf Xanadu, is een opensource-softwarebibliotheek waarmee onderzoekers wereldwijd variationele kwantumschakelingen kunnen bouwen en trainen, vergelijkbaar met hoe TensorFlow of PyTorch worden gebruikt voor klassieke neurale netwerken. Het wordt veel gebruikt in academisch onderzoek naar kwantum-ML.
IBM's Qiskit Machine Learning-module biedt vergelijkbare bouwstenen bovenop IBM's cloud-toegankelijke kwantumhardware, en wordt gebruikt voor kleinschalige experimenten met classificatietaken.
Onderzoek van Google Quantum AI naar de zogeheten 'macht van data' in kwantum-machinelearning (gepubliceerd rond 2021) liet zien dat klassieke ML-modellen, mits ze voldoende trainingsdata krijgen, kwantummodellen op bepaalde taken kunnen evenaren of verslaan. Dit soort werk temperde binnen het vakgebied zelf de verwachtingen over een automatisch kwantumvoordeel.
Kwantum-annealing-experimenten, zoals de proef van Volkswagen met D-Wave-hardware rond 2017 voor het optimaliseren van verkeersstromen in Beijing, liggen strikt genomen dichter bij optimalisatie dan bij klassieke machinelearning, maar worden vaak in één adem genoemd omdat de onderliggende wiskunde overlapt.
Hoe ver is de techniek?
Kwantumcomputers bevinden zich in wat natuurkundige John Preskill in 2018 de NISQ-fase noemde: Noisy Intermediate-Scale Quantum, oftewel ruizige kwantumapparaten van beperkte omvang. De qubits van vandaag zijn foutgevoelig: ze verliezen hun kwantumtoestand al na een fractie van een seconde door interactie met hun omgeving, een verschijnsel dat decoherentie heet. Fabrikanten als IBM hebben de laatste jaren chips met honderden tot meer dan duizend qubits aangekondigd, maar meer qubits lost het ruisprobleem niet vanzelf op.
Voor machinelearning specifiek zijn er twee hardnekkige obstakels. Ten eerste het zogeheten barren-plateau-probleem: bij grotere variationele kwantumschakelingen wordt het trainingssignaal exponentieel zwak, waardoor het net zo moeilijk wordt om het model te trainen als willekeurig te gokken. Ten tweede is er het probleem van data-invoer: om voordeel te halen uit een kwantumberekening moet je de data eerst efficiënt in kwantumtoestanden omzetten, en die stap kost zelf vaak zo veel tijd dat het theoretische voordeel weer verdwijnt.
Tot op heden is er geen overtuigend, onafhankelijk gereproduceerd voorbeeld van een kwantumcomputer die een praktische, real-world ML-taak sneller of beter oplost dan de beste klassieke methode. De meeste demonstraties gebruiken kleine, vaak kunstmatig geconstrueerde datasets. Serieuze onderzoekers binnen het veld zijn hier open over: het gaat op dit moment vooral om het verkennen en begrijpen van mogelijkheden, niet om toepassingen die klaar zijn voor gebruik. Schattingen over wanneer, of zelfs of, een praktisch bruikbaar kwantumvoordeel voor mainstream ML-taken zal ontstaan, lopen sterk uiteen en worden gemeten in jaren tot decennia.
Wie werken eraan?
Grote technologiebedrijven met eigen kwantumhardware en -software zijn IBM (Qiskit), Google (Quantum AI, met de Sycamore-processor die in 2019 een omstreden 'quantum supremacy'-claim opleverde voor een specifieke, praktisch nutteloze taak), Microsoft (Azure Quantum), Amazon (Braket) en het Canadese Xanadu (fotonische kwantumchips, PennyLane). Daarnaast zijn er gespecialiseerde hardwarebedrijven zoals Rigetti, IonQ en D-Wave, dat zich toelegt op kwantum-annealing, een andere aanpak dan de 'gate-based' kwantumcomputers van de meeste concurrenten.
Op onderzoeksgebied speelt QuTech in Delft een prominente rol; dit instituut is een samenwerking tussen de TU Delft en TNO en behoort tot de vooraanstaande Europese centra voor kwantumtechnologie. Andere belangrijke academische spelers zijn MIT, Caltech, ETH Zürich, Oxford en de University of Waterloo in Canada.
Op beleidsniveau investeren overheden fors: de Europese Unie startte in 2018 het Quantum Flagship-programma met een budget in de orde van een miljard euro over tien jaar, de Verenigde Staten namen in 2018 de National Quantum Initiative Act aan, en ook China en Nederland (via het nationale initiatief Quantum Delta NL) investeren gericht in kwantumtechnologie, met machinelearning als een van de vele toepassingsgebieden binnen een breder kwantumonderzoeksprogramma.