Kwantumneuraal netwerk
Een kwantumneuraal netwerk is een vorm van kunstmatige intelligentie die niet draait op gewone computerchips, maar op een kwantumcomputer. Waar een klassiek neuraal netwerk data verwerkt met bits die óf een 0 óf een 1 zijn, gebruikt een kwantumneuraal netwerk qubits: kwantumbits die dankzij een verschijnsel genaamd superpositie tegelijkertijd een mengvorm van 0 én 1 kunnen zijn. Dat klinkt abstract, maar het idee is vergelijkbaar met het verschil tussen het één voor één doorbladeren van een boek en het in één keer kunnen overzien van alle bladzijden tegelijk, in een wazige, kansverdeelde vorm.
Stel je een klassiek neuraal netwerk voor als een orkest waarin elke muzikant om de beurt zijn noot speelt, strikt volgens een vooraf vastgesteld schema. Een kwantumneuraal netwerk lijkt eerder op een orkest waarin alle muzikanten via onzichtbare draden met elkaar verbonden zijn (dit heet verstrengeling) en tegelijk meerdere akkoorden laten klinken, waarna je pas bij het luisteren (de meting) één specifiek resultaat hoort. Onderzoekers hopen dat deze eigenschap sommige patronen in data sneller of anders zichtbaar kan maken dan met gewone computers mogelijk is. Belangrijk om alvast te zeggen: dit is nog grotendeels experimenteel onderzoek, geen kant-en-klare technologie.
Wat is het precies?
Een kwantumneuraal netwerk begint met qubits, de kwantumversie van een bit. Een gewone bit is altijd 0 of 1, maar een qubit kan door superpositie in een tussentoestand verkeren: een soort gewogen mix van 0 en 1 tegelijk, totdat je hem meet en er één uitkomst uitrolt.
Een tweede kwantumeigenschap is verstrengeling: twee of meer qubits kunnen zo met elkaar verbonden raken dat de toestand van de ene onmiddellijk invloed heeft op de andere, ook al zijn ze fysiek gescheiden. Dit maakt het mogelijk om complexe, sterk met elkaar samenhangende patronen in data weer te geven op een manier die met klassieke bits lastig te simuleren is.
In de praktijk bestaat een kwantumneuraal netwerk uit een zogeheten parametrisch kwantumcircuit: een reeks kwantumpoorten (vergelijkbaar met de rekenstappen in een klassiek netwerk) waarvan de instellingen, de parameters, kunnen worden bijgesteld. Data wordt eerst omgezet in een kwantumtoestand, loopt door dit circuit, en aan het einde wordt er gemeten. Die meting levert een getal op dat je kunt vergelijken met de gewenste uitkomst, bijvoorbeeld of een foto een kat of een hond toont.
Het trainen gebeurt hybride: een gewone klassieke computer berekent op basis van de meetresultaten hoe de parameters van het kwantumcircuit aangepast moeten worden om de voorspelling te verbeteren, stuurt die aanpassing terug naar de kwantumcomputer, en dit proces herhaalt zich net zo lang tot het netwerk goed genoeg presteert. Kwantumcomputer en klassieke computer werken dus nauw samen; er bestaat vooralsnog geen kwantumneuraal netwerk dat volledig zelfstandig, zonder klassieke hulp, functioneert.
Wat wil men ermee bereiken?
De belangrijkste drijfveer achter dit onderzoek is de hoop dat kwantumcomputers bepaalde soorten data op een manier kunnen representeren die voor klassieke computers extreem lastig na te bootsen is. Onderzoekers noemen dit een kwantum-verrijkte feature space: een wiskundige ruimte waarin data wordt afgebeeld voordat een algoritme er patronen in zoekt. Als die ruimte moeilijk klassiek te simuleren is, zou een kwantumcomputer in theorie patronen kunnen ontdekken die anders onzichtbaar blijven.
Concreet mikt het veld op een aantal toepassingen: het herkennen van patronen in hoogdimensionale data (data met heel veel variabelen tegelijk), het simuleren van moleculen en materialen voor scheikundig en farmaceutisch onderzoek, en het oplossen van optimalisatieproblemen zoals routeplanning of financiële portefeuilleoptimalisatie.
De onderliggende belofte heet kwantumvoordeel: een punt waarop een kwantumalgoritme een taak aantoonbaar sneller of beter oplost dan het best denkbare klassieke alternatief. Voor machine learning is dat voordeel er reden voor het bestaan van dit onderzoeksveld, maar zoals verderop blijkt, is het nog niet overtuigend aangetoond op praktisch nuttige taken.
Voorbeelden uit de praktijk
Een van de eerste concrete voorstellen kwam in 2018 van Edward Farhi en Hartmut Neven van Google, die in een veelgeciteerd onderzoekspaper ("Classification with Quantum Neural Networks on Near Term Processors") lieten zien hoe je met de beperkte kwantumhardware van dat moment al eenvoudige classificatietaken zou kunnen uitvoeren.
In 2019 publiceerde een team rond Vojtěch Havlíček van IBM in het gerenommeerde tijdschrift Nature een experiment waarin ze op echte IBM-kwantumhardware lieten zien dat een kwantum-verrijkte feature space daadwerkelijk kon worden gebruikt voor supervised learning, een vorm van machine learning waarbij een model leert van gelabelde voorbeelden. Het was een van de eerste keren dat dit idee niet alleen theoretisch, maar ook experimenteel werd gedemonstreerd.
Datzelfde jaar 2018 bracht ook een belangrijke tegenslag aan het licht: onderzoekers rond Jarrod McClean en Hartmut Neven (eveneens Google) beschreven in Nature Communications het zogeheten barren-plateau-probleem. Simpel gezegd komt dit erop neer dat bij grotere kwantumcircuits de signalen die nodig zijn om het netwerk te trainen exponentieel zwak worden, waardoor het net alsof je in een volkomen vlak, mistig landschap naar de laagste vallei zoekt: er is nergens een duidelijke richting meer te vinden. Dit probleem blijft een van de grootste hindernissen voor het opschalen van kwantumneurale netwerken.
Op softwaregebied bracht Google in 2020 TensorFlow Quantum uit, een opensource-bibliotheek waarmee onderzoekers hybride kwantum-klassieke modellen kunnen bouwen en trainen, aansluitend op het bekende klassieke framework TensorFlow. Het Canadese bedrijf Xanadu ontwikkelt sinds 2018 een vergelijkbare opensource-bibliotheek, PennyLane, waarmee kwantumcircuits differentieerbaar (dus trainbaar met dezelfde wiskundige technieken als klassieke neurale netwerken) programmeerbaar zijn; Xanadu werkt daarnaast zelf aan fotonische kwantumchips, die met lichtdeeltjes in plaats van elektronen rekenen.
Hoe ver is de techniek?
De huidige generatie kwantumhardware wordt vaak aangeduid met de term NISQ, wat staat voor Noisy Intermediate-Scale Quantum. Deze term werd in 2018 geïntroduceerd door natuurkundige John Preskill en verwijst naar kwantumcomputers met een beperkt aantal qubits die bovendien gevoelig zijn voor ruis: kleine, onvermijdelijke storingen die ontstaan doordat qubits hun kwantumtoestand snel verliezen door contact met hun omgeving, een proces dat decoherentie heet.
Die ruisgevoeligheid, samen met het eerder genoemde barren-plateau-probleem, zorgt ervoor dat kwantumneurale netwerken tot nu toe alleen op kleine schaal en op relatief eenvoudige taken zijn getest. Belangrijk om eerlijk te benoemen: tot op heden (2025) is er geen enkel overtuigend voorbeeld van een kwantumneuraal netwerk dat op een praktisch nuttige, real-world dataset aantoonbaar beter of sneller presteert dan de beste klassieke methoden. De meeste gepubliceerde resultaten zijn proof-of-concept-demonstraties op kleine datasets, of theoretische analyses van wanneer een voordeel zou kunnen ontstaan.
Het tempo van vooruitgang is daarnaast onzeker en wordt sterk bepaald door voortgang in de onderliggende hardware: het aantal bruikbare, foutgecorrigeerde qubits groeit gestaag, maar experts zijn het oneens over hoeveel jaar het nog duurt voordat kwantumcomputers foutbestendig genoeg zijn om de barren-plateau- en ruisproblemen structureel te omzeilen.
Wie werken eraan?
Onder de bedrijven die actief onderzoek doen naar kwantumneurale netwerken en de bijbehorende software vallen Google Quantum AI (ontwikkelaar van TensorFlow Quantum en auteur van meerdere kernpapers op dit gebied), IBM Quantum (met het Qiskit-platform en de hierboven genoemde Nature-publicatie), het Canadese bedrijf Xanadu (maker van PennyLane en ontwikkelaar van fotonische kwantumchips), Microsoft met zijn Azure Quantum-platform, en hardwarebedrijf IonQ.
Op instituuts- en landenniveau investeren vooral de Verenigde Staten fors in kwantumonderzoek, onder meer via de National Quantum Initiative. De Europese Unie doet dit via het meerjarige Quantum Flagship-programma, en China heeft eveneens omvangrijke staatsinvesteringen in kwantumtechnologie aangekondigd. Canada speelt een rol via Xanadu en gerelateerd universitair onderzoek.
Voor de Nederlandse context is QuTech relevant: dit onderzoeksinstituut in Delft is een samenwerking tussen de TU Delft en TNO en behoort tot de vooraanstaande Europese centra voor kwantumcomputing. QuTech richt zich op kwantumhardware en -software in de brede zin, niet specifiek op kwantumneurale netwerken, maar de daar ontwikkelde kwantumprocessoren en -software vormen wel de basis waarop toepassingen als kwantumneurale netwerken ooit zouden kunnen draaien.