⚛️ quantum physics

Method for noise-induced regularization in quantum neural networks

Dit artikel toont aan dat het bewust afstemmen van ruisniveaus in kwantumhardware kan fungeren als een regularisatiemethode die de generalisatievermogen van kwantumneuronale netten verbetert, vergelijkbaar met het effect van ruis in klassieke neurale netten.

Oorspronkelijke auteurs: Viacheslav Kuzmin, Wilfrid Somogyi, Ekaterina Pankovets, Alexey Melnikov

Gepubliceerd 2026-02-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Viacheslav Kuzmin, Wilfrid Somogyi, Ekaterina Pankovets, Alexey Melnikov

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een jonge student wilt leren om een heel moeilijk examen te maken. Je geeft hem een stapel met oefenvragen (de trainingsdata).

Normaal gesproken zou je willen dat de student de antwoorden perfect leert. Maar als hij te perfect leert, begint hij de exacte volgorde van de vragen te onthouden, of zelfs de vlekken op het papier. Hij haalt dan een perfect cijfer op de oefenexamens, maar faalt volledig op het echte examen omdat hij de onderliggende regels niet heeft begrepen. In de wereld van kunstmatige intelligentie noemen we dit overfitting: het model is te specifiek geworden voor de oefenstof en faalt bij nieuwe situaties.

Normaal gesproken proberen we dit te voorkomen door de student te dwingen om de stof "ruimer" te begrijpen, of door hem af en toe te storen zodat hij niet alleen de details leert.

Nu, in de wereld van kwantumcomputers (de supercomputers van de toekomst), is er een groot probleem: deze computers zijn erg onstabiel. Ze zijn als een muzikant die probeert te spelen in een storm. De wind (de ruis of noise) zorgt ervoor dat de noten vals klinken. Normaal gesproken proberen ingenieurs deze storm tegen te houden, want ruis is meestal slecht.

Maar wat als die storm juist helpt?

Dit is precies wat het onderzoek van Viacheslav Kuzmin en zijn team ontdekt. Ze hebben een slimme truc bedacht: laat de ruis juist helpen om overfitting te voorkomen.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Ruis" als een Creatieve Stoornis

Stel je voor dat je een schilderij maakt. Als je te precies werkt, wordt het een foto. Maar als je af en toe een beetje verf op de verkeerde plek laat vallen (een beetje ruis), moet je hersenen zich aanpassen. Je leert dan niet alleen de lijnen na te tekenen, maar je leert de essentie van het schilderij te zien.

In dit onderzoek hebben de wetenschappers de kwantumcomputer niet proberen te "repareren" om hem stil te maken. In plaats daarvan hebben ze gecontroleerde ruis toegevoegd aan het proces. Ze hebben de ruis als een knop behandeld, net als het volume op een radio.

2. De "Gouden Middenweg"

Ze hebben gekeken naar drie soorten "ruis" (zoals wind, trillingen en statische elektriciteit in de computer):

Amplitude-damping: Alsof een bal steeds minder hoog springt.
Phase-damping: Alsof de synchronisatie van een dansgroep wegvalt.
Depolarizing: Alsof een speler in een spel soms per ongeluk een verkeerde kaart trekt.

Als je geen ruis hebt, leert het model te veel details (overfitting).
Als je te veel ruis hebt, is het model te chaotisch en leert het niets.
Maar als je de ruis op het perfecte, middelhoge niveau zet, gebeurt er magie: het model wordt beter in het voorspellen van nieuwe dingen. Het is alsof je de student tijdens het leren af en toe een beetje in de war brengt, zodat hij niet op zijn duim kan staan, maar echt moet nadenken.

3. De "Flauwe Kuil" (Het Diepste Geheim)

Waarom werkt dit? De onderzoekers gebruiken een mooi wiskundig beeld: de bergtop.
Stel je voor dat het vinden van de beste oplossing een berg beklimmen is.

Zonder ruis kan de klimmer in een heel kleine, scherpe piek vastlopen. Hij denkt dat hij de top heeft gevonden, maar dat is maar een klein puntje. Als je hem een beetje duwt (nieuwe data), valt hij er direct af.
Met de juiste hoeveelheid ruis wordt de klimmer gedwongen om in een brede, flauwe vallei te blijven. Hier is het makkelijk om te staan. Als je hem een beetje duwt, blijft hij staan. Dit betekent dat het model robuust is en goed werkt met nieuwe data.

De ruis duwt het model dus weg van de scherpe pieken (overfitting) naar de brede valleien (generalisatie).

4. De Praktische Test: De "Koningin" van de Kwantumcomputers

Om te bewijzen dat dit niet alleen in theorie werkt, hebben ze dit getest op een simulatie van een echte IBM-kwantumcomputer (de Kingston). Ze hebben de computer een taak gegeven: voorspellen hoe een ziekte zich ontwikkelt op basis van patiëntgegevens, en hoe sterk beton is op basis van de ingrediënten.

Het resultaat?
Door de hoeveelheid ruis slim in te stellen (als een instelling in de software), was de computer beter in het voorspellen van nieuwe gevallen dan wanneer ze probeerden de computer zo stil en perfect mogelijk te maken.

Conclusie: Omarm de Chaos

De boodschap van dit papier is revolutionair: We hoeven niet bang te zijn voor de imperfectie van kwantumcomputers.

In plaats van te proberen de ruis volledig te elimineren (wat heel moeilijk en duur is), kunnen we de ruis gebruiken als een hulpmiddel. Het is alsof je in plaats van een perfecte, stille kamer, een kamer met een beetje achtergrondmuziek kiest om je beter te concentreren.

Voor de toekomst betekent dit dat we kwantumcomputers misschien niet hoeven te bouwen als perfecte, glazen kasten, maar dat we ze kunnen "tunen" met de juiste hoeveelheid chaos om ze slimmer te maken. Het is een manier om de zwakte van de huidige technologie om te zetten in een kracht.

Titel: Methode voor door ruis geïnduceerde regularisatie in kwantumneurale netwerken

Auteurs: Viacheslav Kuzmin, Wilfrid Somogyi, Ekaterina Pankovets en Alexey Melnikov (Terra Quantum AG)

1. Het Probleem

In het huidige paradigma van kwantumcomputing ligt de focus voornamelijk op het reduceren of mitigeren van kwantumdecoherentie (ruis). De algemene doelstelling bij het ontwerpen van kwantumverwerkingseenheden (QPU's) en algoritmen is het minimaliseren van ruis en het implementeren van foutcorrectie. Echter, in de NISQ-er (Noisy Intermediate-Scale Quantum) zijn deze systemen inherent ruisgevoelig.

Een specifiek probleem in machine learning, zowel klassiek als kwantum, is overfitting. Dit treedt op wanneer een model te goed presteert op trainingsdata maar faalt in het generaliseren naar onzichtbare data. In klassieke neurale netwerken wordt ruis vaak toegevoegd als een regularisatiemethode om overfitting te voorkomen. De vraag die dit artikel onderzoekt is of de inherente ruis in kwantumhardware niet alleen een obstakel is, maar ook als een nuttig hulpmiddel kan dienen om de generalisatie van Kwantum Neurale Netwerken (QNN's) te verbeteren.

2. Methodologie

De auteurs stellen een methode voor waarbij het niveau van ruis in een kwantumcircuit wordt behandeld als een hyperparameter die geoptimaliseerd kan worden, in plaats van als een ongewenst artefact.

Architectuur: Ze gebruiken een variatie van een standaard QNN-ansatz (zie Figuur 2 in het artikel) met vier qubits. De architectuur bestaat uit afwisselende lagen voor het coderen van data (via $R_x$ -rotaties) en trainbare lagen (bestaande uit algemene rotatiegates en twee-qubit $R_{xx}$ -Ising-gates).
Ruismodellen: Drie fundamentele kwantumkanalen worden onderzocht, die de decoherentie in hardware beschrijven:
1. Amplitudedemping (AD): Energieverlies (overgang van $|1\rangle$ naar $|0\rangle$ ).
2. Fasedemping (PD): Vernietiging van kwantumcoherentie (contractie van de Bloch-sfeer in het $x-y$ -vlak).
3. Depolariserende ruis (DP): De qubit ondergaat met een bepaalde kans een willekeurige fout (bit-flip, phase-flip, of beide).
Implementatie van Ruis:
- In simulaties wordt ruis toegevoegd na elke gate-operatie via Kraus-operatoren met een instelbare sterkte $\gamma$ .
- De ruissterkte $\gamma$ wordt gevarieerd over een bereik (van $10^{-3}$ tot $1$) en geoptimaliseerd als hyperparameter.
- Voor de simulatie op echte hardware (IBM Kingston) worden twee methoden gebruikt om ruis te introduceren:
  1. Wachttijden: Het toevoegen van een idle-periode ( $t_{wait}$ ) na elke gate, waardoor natuurlijke relaxatie ( $T_1$ en $T_2$ ) optreedt.
  2. Stochastische rotaties: Het toevoegen van een willekeurige $R_x$ -rotatie met een standaardafwijking $\sigma$ na elke gate.
Trainingsopdracht: Twee regressietaken worden gebruikt als benchmark:
1. Diabetes-dataset: Voorspellen van ziekteprogressie op basis van klinische variabelen.
2. Concrete Compressive Strength: Voorspellen van betonsterkte op basis van mengselsamenstelling.
- De data wordt verwerkt via PCA en geschaald. Het model wordt getraind met de Lion-optimizer en de Mean Squared Error (MSE) als verliesfunctie.

3. Belangrijkste Bijdragen

Conceptuele Verschuiving: Het artikel demonstreert dat ruis in QNN's niet altijd schadelijk is, maar kan fungeren als een regularisatiemechanisme dat overfitting voorkomt, vergelijkbaar met ruis in klassieke netwerken.
Hyperparameter-Optimalisatie: De auteurs tonen aan dat het optimaliseren van het ruisniveau ( $\gamma$ ) leidt tot een model dat beter generaliseert dan een ruisloos model.
Fisher-Information Analyse: Ze gebruiken de spoor (trace) van de Fisher-informatiematrix om het mechanisme te verklaren. Een hoge Fisher-spoor duidt op scherpe minima in de verlieslandschap (gevoelig voor overfitting), terwijl ruis de Fisher-spectrum comprimeert en training naar "vlakke" minima leidt, wat robuuster is.
Hardware-Realistische Validatie: In plaats van alleen ideale simulaties, wordt de methode getest op een realistisch ruismodel van de IBM Kingston supergeleidende quantumcomputer, inclusief specifieke kalibratiewaarden voor $T_1$ , $T_2$ en gate-fouten.

4. Resultaten

U-functie Gedrag: De resultaten tonen een duidelijke "U-vormige" relatie tussen het ruisniveau en de validatiefout (MSE).
- Te weinig ruis (of geen ruis): Het model overpast de trainingsdata (overfitting), wat leidt tot een hogere validatiefout.
- Te veel ruis: Het signaal gaat verloren en de kwantumberekening wordt nutteloos (de verliescurves worden plat).
- Optimaal Ruisniveau: Voor elk type ruis (AD, PD, DP) en voor beide datasets bestaat er een specifiek, niet-nul ruisniveau waarbij de validatiefout minimaal is.
Fisher-Trace: Er is een sterke correlatie gevonden tussen het dalen van de Fisher-Trace en het dalen van de validatiefout. Dit bevestigt dat ruis de gevoelige richtingen in de parameterruimte onderdrukt en training naar generaliseerbare oplossingen stuurt.
Hardware Simulatie: De simulatie op de IBM Kingston-architectuur bevestigt dat deze methode werkt met realistische hardwareparameters. Door wachttijden ( $t_{wait} \approx 10-20 \mu s$ ) of stochastische rotaties ( $\sigma \approx 0.6$ ) toe te voegen, werd een verbetering in de validatiefout waargenomen ten opzichte van de standaard configuratie.

5. Betekenis en Conclusie

De studie biedt een nieuw perspectief op het omgaan met ruis in de NISQ-er. In plaats van alleen te streven naar perfectie door foutcorrectie (wat veel resources kost), kunnen ontwikkelaars de inherente ruis van hun hardware actief benutten als een regularisatiemiddel.

Praktische Toepassing: De methode is toepasbaar op zowel kwantumemulators als echte QPU's. Op echte hardware kan het ruisniveau worden afgesteld door gate-tijden te verlengen (idle times) of door kunstmatige stochastische operaties toe te voegen.
Toekomstperspectief: Dit benadrukt de potentie van hybride kwantum-klassieke netwerken voor industriële toepassingen zoals beeldverwerking, tijdreeksvoorspelling en planning, waar generalisatievermogen cruciaal is.
Uitdaging: De auteurs merken op dat de optimale ruissterkte lager kan zijn dan de natuurlijke ruis van sommige hardware. In dergelijke gevallen zou extra ruis toegevoegd moeten worden, of een andere circuitarchitectuur gebruikt moeten worden om de "sweet spot" te bereiken.

Kortom, dit werk transformeert ruis van een puur negatief kenmerk van kwantumcomputing naar een controleerbare parameter die de prestaties van machine learning-modellen kan verbeteren.