Quantum Reservoir Computing: rekenen met de natuurlijke chaos van een quantumsysteem
Stel je voor dat je een steen in een vijver gooit. De rimpelingen die ontstaan, vormen een complex maar voorspelbaar patroon dat afhangt van waar en hoe hard je gooide. Als je heel precies naar die rimpelingen kijkt, kun je er informatie uit aflezen over de steen zelf. Dat is in essentie het idee achter reservoir computing: je stuurt een signaal een complex, chaotisch systeem in (de "vijver" of het "reservoir") en leest vervolgens de reactie af om er iets nuttigs mee te doen, zoals een voorspelling maken.
Quantum reservoir computing (QRC) gebruikt niet een gewone vijver of een netwerk van kunstmatige neuronen als reservoir, maar een piepklein quantumsysteem, bijvoorbeeld een handvol qubits (de basis-informatie-eenheden van een quantumcomputer). Omdat quantumsystemen van nature ongelooflijk complex gedrag vertonen, hoopt men dat zo'n systeem al "gratis" de zware rekenklus doet, terwijl je zelf alleen nog een simpel, klassiek stukje wiskunde hoeft te trainen om de uitkomst af te lezen. Het is nog fundamenteel onderzoek, maar het wordt gezien als een van de weinige taken waarbij de huidige, nog foutgevoelige quantumcomputers al nuttig zouden kunnen zijn.
Wat is het precies?
Reservoir computing zelf is niet nieuw. Het idee ontstond rond 2001 met de Echo State Networks van Herbert Jaeger en, onafhankelijk daarvan, met de Liquid State Machines van Wolfgang Maass in 2002. Beide zijn varianten van een neuraal netwerk (een rekenmodel geïnspireerd op hersencellen) die een lastig probleem omzeilen: normaal gesproken moet je bij een neuraal netwerk alle interne verbindingen langzaam en kostbaar trainen. Bij reservoir computing laat je het grootste deel van het netwerk, het "reservoir", gewoon vast en ongetraind. Alleen de laatste laag, de zogeheten readout, wordt getraind, en dat kan met simpele, snelle lineaire regressie (een basistechniek uit de statistiek).
De truc werkt omdat een complex, niet-lineair systeem (een systeem waarin kleine veranderingen in de input tot onevenredig grote of onvoorspelbare veranderingen in de output leiden) een binnenkomend signaal als het ware uitsmeert over talloze interne toestanden. Als dat reservoir bovendien een beetje "vergeetachtig" is, dat wil zeggen dat oude input geleidelijk uitdooft maar recente input nog meetelt, ontstaat precies de mix van geheugen en complexiteit die nodig is om bijvoorbeeld tijdreeksen (reeksen metingen die na elkaar in de tijd zijn genomen, zoals spraak, sensordata of beurskoersen) te herkennen en te voorspellen.
Bij QRC vervang je dat klassieke reservoir door een quantumsysteem, bijvoorbeeld enkele qubits op een supergeleidende chip, kernspins in een molecuul, of lichtdeeltjes in een optisch circuit. Het invoersignaal stuurt dit systeem aan (via pulsen of instellingen), waarna het systeem via quantumverschijnselen als superpositie (tegelijk in meerdere toestanden verkeren) en verstrengeling (toestanden van deeltjes die onderling verbonden raken) een razend complex intern patroon opbouwt. Metingen aan de qubits, op verschillende tijdstippen, leveren de "reservoirtoestanden" op. Die metingen vormen samen weer de input voor een simpel, klassiek getraind afleesmodel.
Het grote voordeel: een systeem van n qubits kan in principe een ruimte van 2 tot de macht n dimensies beschrijven (de zogeheten Hilbertruimte, de wiskundige ruimte waarin quantumtoestanden leven). Die ruimte groeit exponentieel met elke extra qubit, wat betekent dat zelfs een klein aantal qubits al een enorme, rijke verzameling patronen kan opleveren, zonder dat je ooit de quantumhardware zelf hoeft te trainen. Dat scheelt een van de grootste pijnpunten van andere quantum-machinelearning-methoden: bij zogeheten variational quantum algorithms (waarbij de instellingen van quantumpoorten wél worden bijgeschaafd via een soort gradient descent, een optimalisatietechniek) treedt vaak het probleem van "barren plateaus" op. Dat betekent dat de trainingssignalen bij grotere circuits exponentieel zwak worden, waardoor trainen in de praktijk vrijwel onmogelijk wordt. Omdat QRC het quantumdeel ongemoeid laat, ontloopt het dit probleem grotendeels.
Wat wil men ermee bereiken?
De achterliggende ambitie is tweeledig. Ten eerste wil men de huidige generatie quantumcomputers, vaak aangeduid als NISQ-machines (Noisy Intermediate-Scale Quantum: middelgrote quantumcomputers die nog veel fouten maken), toch al nuttig inzetten, ondanks dat ze te klein en te foutgevoelig zijn voor de beroemde quantumalgoritmes die grote doorbraken beloven, zoals het kraken van encryptie. QRC lijkt hiervoor kansrijk omdat het juist gebruikmaakt van de van nature aanwezige ruis, in plaats van ertegen te vechten.
Ten tweede hoopt men zo tijdreeksgebaseerde machine learning te verbeteren of goedkoper te maken: spraakherkenning, het voorspellen van chaotisch gedrag (zoals weer- of klimaatmodellen), sensorverwerking, of het analyseren van fysiologische signalen. Omdat alleen de afleeslaag getraind hoeft te worden, is de rekenlast op de klassieke computer laag, wat QRC in theorie geschikt maakt voor snelle, energiezuinige toepassingen, mogelijk zelfs met kamertemperatuur-systemen zoals kernspinresonantie, in plaats van de extreem gekoelde supergeleidende chips die veel andere quantumcomputers nodig hebben.
Onderliggend is er ook een fundamentelere wetenschappelijke vraag: kan de natuurlijke dynamica van een quantumsysteem sneller of met minder middelen bepaalde patronen herkennen dan een klassieke computer ooit zou kunnen? Een bewezen, praktisch bruikbaar "quantumvoordeel" op dit vlak is er nog niet, maar het is een van de redenen waarom onderzoekers dit onderzoeksveld interessant vinden.
Voorbeelden uit de praktijk
Het veld is jong, maar er zijn al diverse concrete demonstraties geweest.
- Kyoto University, Japan (2017): onderzoekers Keisuke Fujii en Kohei Nakajima publiceerden het theoretische fundament voor quantum reservoir computing, met het voorstel om de "wanordelijke" dynamica van quantumsystemen te benutten voor machine learning. Dit werk geldt als het startpunt van het veld.
- NMR-experimenten (rond 2018): een Japans onderzoeksteam demonstreerde een van de eerste fysieke uitvoeringen van QRC met kernspinresonantie (NMR), een techniek waarbij de spins van atoomkernen in een molecuul bij kamertemperatuur als reservoir dienen. Dit liet zien dat QRC niet per se ultrakoude supergeleidende chips vereist.
- Experimenten op cloud-toegankelijke quantumcomputers: vanaf ongeveer 2020 hebben verschillende onderzoeksgroepen kleinschalige QRC-experimenten uitgevoerd op supergeleidende quantumprocessors die via de cloud toegankelijk zijn, zoals systemen van IBM Quantum, met enkele tot een tiental qubits, gericht op het voorspellen van niet-lineaire tijdreeksen.
- Photonic (optische) quantum reservoir computing: parallel aan de qubit-experimenten onderzoeken groepen in Japan en Europa varianten waarbij lichtdeeltjes en optische circuits het reservoir vormen, voortbouwend op eerder werk aan klassieke, razendsnelle optische reservoir computing.
- Continuous-variable QRC: sinds ongeveer 2021 verschijnen ook theoretische en kleinschalige experimentele studies die, in plaats van discrete qubits, continue quantumtoestanden van licht of microgolfvelden in supergeleidende trilholtes als reservoir gebruiken.
Belangrijk om te benoemen: het gaat in al deze gevallen om kleine, proof-of-concept-opstellingen met een handvol qubits of een beperkt aantal spins, niet om praktijkrijpe toepassingen.
Hoe ver is de techniek?
Quantum reservoir computing bevindt zich nog stevig in de fase van fundamenteel onderzoek. Sinds het theoretische voorstel in 2017 zijn er steeds meer experimentele demonstraties bijgekomen, maar steeds op kleine schaal: enkele qubits of spins, eenvoudige testtaken, en resultaten die vaak nog vergelijkbaar zijn met wat klassieke reservoir computing ook kan.
Een aantal fundamentele obstakels remt de vooruitgang. Decoherentie, het verlies van de fragiele quantumeigenschappen doordat het systeem interactie heeft met zijn omgeving, is normaliter de vijand van quantumcomputers, maar bij QRC juist deels functioneel: een beetje decoherentie zorgt voor het gewenste "vergeten" van oude input. Te veel ruis vernietigt echter de nuttige quantumdynamica volledig, dus het is een precaire balans die nog niet goed beheersbaar is.
Een tweede obstakel is het meetprobleem: een quantumtoestand meten, verstoort en vernietigt die toestand meteen (measurement backaction). Om betrouwbare statistieken te krijgen, moet een experiment daarom vaak duizenden keren herhaald worden ("shots"), wat het proces traag maakt in vergelijking met klassieke evenknieën.
Ten derde is schaalbaarheid onzeker: meer qubits toevoegen levert niet automatisch meer bruikbare rekenkracht op, omdat de verstrengelingsstructuur en de interacties tussen qubits precies goed moeten zijn afgestemd. Ten slotte is er nog geen overtuigend bewijs van een echt "quantumvoordeel": voor de kleine, tot nu toe geteste taken presteren zorgvuldig ontworpen klassieke reservoircomputers vaak vergelijkbaar of beter. Gestandaardiseerde benchmarks om verschillende onderzoeken eerlijk te vergelijken, ontbreken vooralsnog grotendeels.
Wie werken eraan?
Japan geldt, mede dankzij het baanbrekende werk van Fujii en Nakajima aan Kyoto University, als een van de bakermatten van dit onderzoeksveld. Ook Japanse telecombedrijven met sterke onderzoeksafdelingen, zoals NTT, hebben ervaring met photonic reservoir computing die raakvlakken heeft met de quantumvariant.
In de Verenigde Staten dragen universiteiten en nationale laboratoria, waaronder groepen die zich breder bezighouden met NISQ-onderzoek, bij aan zowel de theorie als kleinschalige experimenten. IBM speelt een belangrijke rol als leverancier van de cloud-toegankelijke supergeleidende quantumprocessors waarop verschillende onderzoeksteams wereldwijd hun QRC-experimenten uitvoeren.
Daarnaast leveren onderzoeksgroepen in Europa en Australië, vaak vanuit de controltheorie en quantuminformatietheorie, belangrijke wiskundige bijdragen aan het beter begrijpen en optimaliseren van quantum reservoir computing. Het blijft echter overwegend academisch onderzoek: er zijn nog geen grote commerciële producten of diensten die specifiek op QRC zijn gebaseerd.