Quantum random circuit sampling: waarom een kwantumcomputer moeilijk na te bootsen willekeur maakt
Stel je een enorm ingewikkeld flipperkastje voor, met duizenden ballen die elkaar onderweg voortdurend beïnvloeden. Zelfs als je precies weet hoe elk onderdeel werkt, is het met pen en papier onmogelijk te voorspellen waar alle ballen uiteindelijk belanden: er zijn simpelweg te veel wisselwerkingen tegelijk. Quantum random circuit sampling werkt in essentie zo, maar dan met een kwantumcomputer die een reeks willekeurig gekozen bewerkingen uitvoert en vervolgens een uitkomst 'uitleest'. Die uitkomst is voor een gewone computer razend lastig te voorspellen of na te rekenen.
Het bijzondere is niet dat de uitkomst nuttig is — dat is hij namelijk niet, in elk geval niet direct. Het bijzondere is dát een kwantumcomputer deze specifieke, kunstmatig lastige taak in een paar minuten kan doen, terwijl een klassieke supercomputer daar volgens berekeningen extreem lang over zou doen. Onderzoekers gebruiken deze taak daarom vooral als een soort stresstest: een bewijs dat hun machine echt iets doet wat met de rekenkracht van gewone computers niet bij te benen is.
Wat is het precies?
Een kwantumcomputer rekent met qubits, de kwantumversie van de bit. Waar een gewone bit een 0 of een 1 is, kan een qubit dankzij een eigenschap die superpositie heet tegelijk een beetje 0 én een beetje 1 zijn, tot het moment dat je hem meet. Meerdere qubits kunnen bovendien met elkaar verstrengeld raken: hun toestanden hangen dan zo nauw samen dat je ze niet meer los van elkaar kunt beschrijven, ook al staan de qubits fysiek los van elkaar.
Bij random circuit sampling zet je tientallen tot ruim honderd qubits op een rij of in een rooster. Daarna stuur je ze door een kwantumcircuit: een reeks 'poorten' (gates), vergelijkbaar met de logische poorten in gewone chips, maar dan kwantummechanisch. Sommige poorten werken op één qubit, andere koppelen twee qubits aan elkaar en zorgen voor verstrengeling. Welke poorten precies worden toegepast, wordt willekeurig gekozen — vandaar 'random circuit'.
Aan het eind van het circuit meet je alle qubits. Elke qubit levert dan alsnog een gewone 0 of 1 op, samen dus een bitstring, bijvoorbeeld 011010. Omdat de kwantumtoestand vóór de meting kansverdelingen beschrijft, krijg je bij herhaling van hetzelfde circuit niet steeds dezelfde bitstring, maar een steekproef (sample) uit een onderliggende kansverdeling. Door het circuit duizenden keren te herhalen, brengen onderzoekers die verdeling in kaart.
Het probleem voor een klassieke computer is dat het aantal mogelijke combinaties van qubittoestanden exponentieel groeit met het aantal qubits: elke extra qubit verdubbelt in principe de rekenruimte die nodig is om de kwantumtoestand exact te simuleren. Bij pakweg vijftig goed verstrengelde qubits loopt dat al snel op tot rekenwerk dat de capaciteit van zelfs de grootste supercomputers ver te boven gaat, zeker als het circuit diep genoeg is (veel opeenvolgende lagen poorten bevat).
Om te controleren of de kwantumcomputer de taak wel goed uitvoert — en niet gewoon ruis produceert die toevallig op willekeur lijkt — gebruiken onderzoekers een methode die cross-entropy benchmarking (XEB) heet. Daarbij vergelijken ze de gemeten bitstrings met de verdeling die een (voor kleinere circuits nog wel haalbare) klassieke berekening voorspelt. Komt de gemeten verdeling voldoende overeen met de voorspelde, dan geldt dat als aanwijzing dat het apparaat betrouwbaar kwantummechanisch gedrag vertoont.
Wat wil men ermee bereiken?
Het hoofddoel van dit soort experimenten is het aantonen van wat 'kwantumvoordeel' heet, in het Engels quantum advantage of, in de oorspronkelijke en spraakmakender term, quantum supremacy. Die laatste term werd in 2012 gemunt door natuurkundige John Preskill (Caltech) om een concreet, meetbaar omslagpunt te beschrijven: het moment waarop een kwantumcomputer een taak uitvoert die met de beste klassieke computers en algoritmen praktisch niet meer is na te rekenen, ongeacht of die taak verder nuttig is.
Dat 'nuttig' is hier belangrijk om te benadrukken: random circuit sampling zelf lost geen praktisch probleem op. Dat is anders dan bijvoorbeeld kwantumsimulaties van moleculen voor medicijnontwikkeling, of het beroemde algoritme van Peter Shor waarmee een kwantumcomputer in theorie grote getallen kan ontbinden en zo bepaalde vormen van encryptie kan kraken. Random circuit sampling is bewust zo ontworpen dat het voor kwantumhardware relatief 'makkelijk' en voor klassieke hardware juist extreem zwaar is — het is in de eerste plaats een benchmark, een meetlat om te bewijzen dat de techniek werkt.
Toch verkennen onderzoekers ook of deze kunstmatige willekeur ergens praktisch voor te gebruiken is. Een voorbeeld is het idee van gecertificeerde willekeur (certified randomness): omdat de uitkomst van zo'n kwantumcircuit voor een buitenstaander vooraf onmogelijk te voorspellen is, zou je die uitkomst mogelijk kunnen gebruiken als bron voor bewijsbaar eerlijke, cryptografisch verifieerbare toevalsgetallen, bijvoorbeeld voor loterijen of beveiligingssystemen. Dit is nog een pril en experimenteel onderzoeksgebied, en het is nog niet duidelijk hoe snel of breed dit praktisch toepasbaar wordt.
Voorbeelden uit de praktijk
Google Sycamore (2019). Het bekendste voorbeeld is de Sycamore-chip van Google, met 53 werkende qubits. In een artikel in Nature (Arute et al., 2019) claimde het team dat hun processor een specifieke random-circuit-sampling-taak in ongeveer 200 seconden uitvoerde, terwijl dit volgens hun eigen schatting op de destijds snelste supercomputer zo'n 10.000 jaar zou kosten. Dit gold destijds als de eerste experimentele demonstratie van quantum supremacy.
IBM's tegengeluid (2019). IBM, dat zelf ook aan kwantumcomputers werkt, betwistte de vergelijking. Het bedrijf betoogde dat met een slimmer klassiek algoritme en voldoende schijfruimte op de Summit-supercomputer dezelfde taak in de orde van een paar dagen gedaan zou kunnen worden in plaats van 10.000 jaar. Dit voorbeeld laat goed zien hoe gevoelig dit soort claims zijn voor de kwaliteit van het klassieke vergelijkingsmateriaal.
USTC Zuchongzhi (vanaf 2021). De University of Science and Technology of China (USTC) in Hefei bouwde met de Zuchongzhi-processor een eigen supergeleidende chip met tientallen qubits en publiceerde vergelijkbare claims van kwantumvoordeel op random circuit sampling.
USTC Jiuzhang (vanaf 2020). Diezelfde Chinese groep werkte ook met een heel ander soort systeem: Jiuzhang gebruikt fotonen (lichtdeeltjes) in plaats van supergeleidende qubits, en voert een verwant maar net iets ander soort taak uit die Gaussian boson sampling heet. Er volgden opvolgers als Jiuzhang 2.0 en 3.0, telkens met meer fotonen en grotere claims van kwantumvoordeel.
Google Willow (aangekondigd december 2024). Google presenteerde een nieuwere chip genaamd Willow en meldde dat deze een random-circuit-sampling-benchmark in de orde van enkele minuten uitvoerde, wat volgens Google's eigen schatting op een klassieke supercomputer astronomisch veel langer zou duren — naar verluidt vele malen langer dan de leeftijd van het heelal. Zoals bij eerdere claims gaat het hier om een berekening van het bedrijf zelf, die net als eerdere claims onderhevig kan zijn aan latere, verbeterde klassieke tegenalgoritmen.
Hoe ver is de techniek?
Random circuit sampling is een actief maar ook behoorlijk omstreden onderzoeksveld. Verschillende 'supremacy'-claims zijn na publicatie uitgedaagd door onderzoekers die met verbeterde klassieke methoden — vaak zogeheten tensor-netwerk-algoritmen, die slim gebruikmaken van de structuur van het circuit — alsnog (delen van) de taak konden simuleren of benaderen, soms in veel minder tijd dan de oorspronkelijke schatting suggereerde. Dat gebeurde zowel na de Sycamore-claim uit 2019 als na latere claims, en het patroon herhaalt zich steeds: een kwantumteam claimt een doorbraak, klassieke onderzoekers vinden vervolgens een slimmere manier om (een deel van) de taak alsnog na te bootsen.
Dat wil niet zeggen dat de vooruitgang nep is. Het aantal bruikbare qubits en de kwaliteit ervan (lagere foutpercentages) nemen geleidelijk toe, en circuits worden dieper en complexer, wat het voor klassieke computers steeds moeilijker maakt om bij te benen. Maar het laat wel zien dat 'kwantumvoordeel' geen definitief, blijvend etiket is, eerder een steeds verschuivende grens tussen wat kwantum- en klassieke computers aankunnen.
Een fundamentele hindernis blijft kwantumfoutcorrectie. Qubits zijn erg gevoelig voor verstoring van buitenaf, een proces dat decoherentie heet: door onbedoelde interactie met hun omgeving verliezen ze hun broze kwantumeigenschappen, wat rekenfouten veroorzaakt. Het corrigeren van die fouten zonder de kwantuminformatie zelf te vernietigen is technisch enorm lastig en wordt gezien als een van de grootste obstakels op weg naar praktisch bruikbare, foutgecorrigeerde kwantumcomputers. Random circuit sampling blijft voorlopig vooral een benchmark en geen toepassing op zich; experts zijn het oneens over hoe zwaar deze mijlpalen precies moeten wegen in het grotere verhaal richting bruikbare kwantumcomputers.
Wie werken eraan?
Google Quantum AI (Verenigde Staten) en IBM Quantum (Verenigde Staten) zijn de bekendste bedrijven die aan supergeleidende kwantumchips en random-circuit-sampling-experimenten werken, en voeren daarover regelmatig een publiek debat. In China zijn USTC (University of Science and Technology of China) en het Chinese Academy of Sciences de belangrijkste spelers, met zowel supergeleidende chips (Zuchongzhi) als fotonische systemen (Jiuzhang).
Op theoretisch vlak hebben natuurkundige John Preskill (Caltech), die de term quantum supremacy introduceerde, en informaticus Scott Aaronson (University of Texas at Austin), die veel van het complexiteitstheoretische fundament en verificatiemethoden zoals cross-entropy benchmarking mee hielp ontwikkelen, een grote rol gespeeld in het definiëren en beoordelen van dit soort experimenten.
Daarnaast werken ook andere spelers aan verwante sampling-experimenten, zoals Quantinuum (met ionval-kwantumcomputers) en Xanadu (gespecialiseerd in fotonische kwantumcomputing), evenals academische onderzoeksgroepen in de Verenigde Staten, China en Europa.