Quantum Encoding of Structured Data with Matrix Product States

Quantumcomputers beloven problemen op te lossen die momenteel onmogelijk zijn voor klassieke machines, maar ze staan voor een fundamentele hindernis voordat ze überhaupt kunnen beginnen: het krijgen van de juiste informatie in hun systeem. Om een berekening uit te voeren, moet een quantumcomputer eerst klassieke data — getallen, afbeeldingen of functies — in zijn quantumtoestand laden. Dit proces, bekend als state preparation (toestandsvoorbereiding), is berucht moeilijk. Omdat de ruimte van mogelijkheden voor een quantumsysteem exponentieel groeit met elk toegevoegd deeltje, vereist het laden van een complexe, ongestructureerde dataset meestal een circuit dat zo diep en complex is dat het langer zou duren dan de leeftijd van het universum om op de huidige hardware te draaien. Deze flessenhals dreigt de snelheidvoordelen die quantumcomputers bieden in velden zoals financiën, geneeskunde en machine learning, teniet te doen. De uitdaging is daarom niet alleen om snellere machines te bouwen, maar om een manier te vinden om enorme hoeveelheden data te comprimeren naar een quantumformaat dat eenvoudig genoeg is om snel en nauwkeurig te laden.

Onderzoekers aan de University of Western Australia hebben een nieuwe methode ontwikkeld om deze flessenhals te omzeilen door de verborgen structuur te benutten die in veel real-world datasets te vinden is. In plaats van te proberen een quantumcomputer elke pixel van een afbeelding of elke waarde van een complexe functie te laten onthouden, gebruiken ze een wiskundige techniek genaamd een matrix product state. Denk hierbij aan een manier om een lange, ingewikkelde reeks data te beschrijven door deze op te splitsen in kleine, verbonden blokjes die alleen hun directe buren hoeven te onthouden, in plaats van de gehele reeks tegelijk. Deze aanpak werkt omdat veel natuurlijke fenomenen, van de vloeiende curven van een wiskundige functie tot de patronen in een medische scan, geen willekeurige, chaotische verbindingen hebben; ze bezitten een beperkte, lokale structuur die met veel minder middelen kan worden vastgelegd dan een volledige, ongestructureerde beschrijving zou vereisen.

Het team, onder leiding van Josh Green en Jingbo Wang, heeft aangetoond dat deze compressietechniek hen in staat stelt om quantumtoestanden die complexe functies en afbeeldingen vertegenwoordigen, met opmerkelijke snelheid en nauwkeurigheid voor te bereiden. Ze richtten zich op een specifiek algoritme dat bekend staat als de Matrix Product Disentangler, die fungeert als een reverse-engineering tool. Het neemt een doel-dataset en bepaalt de eenvoudigste sequentie van quantumoperaties die nodig zijn om deze te creëren. Deze initiële tool is echter op zichzelf niet perfect. Om het resultaat te verfijnen, combineerden de onderzoekers het met een tweede stap genaamd tensor network optimization. Dit proces werkt als een fijnstemmechanisme, waarbij de parameters van het quantumcircuit worden aangepast om fouten te minimaliseren en de nauwkeurigheid naar bijna perfectie te stuwen. Het resultaat is een methode die data in een quantumcomputer kan laden met een circuit dat ondiep genoeg is om te draaien op de huidige, imperfecte machines, bekend als NISQ-devices.

De onderzoekers testten hun aanpak op een breed scala aan wiskundige functies, inclusief functies met scherpe breuken, plotselinge sprongen en onregelmatige vormen die typisch quantumalgoritmen in verwarring brengen. Ze ontdekten dat voor functies die niet volledig willekeurig zijn — zoals polynomen van lage graad, wortelfuncties en logaritmische curven — hun methode de quantumtoestand kon voorbereiden met een nauwkeurigheid die de 99,99 procent overstijgt. Dit niveau van precisie wordt bereikt met circuits die slechts een paar honderd stappen diep zijn, een enorme reductie vergele vergeleken met de miljoenen stappen die gewoonlijk vereist zijn. Het team toonde aan dat zelfs voor functies met discontinuïteiten, waar de waarde abrupt verandert, de methode robuust blijft, mits de algehele structuur van de data niet te chaotisch is.

Misschien wel de meest opvallende demonstratie van deze capaciteit betrof een real-world medische afbeelding. De onderzoekers namen een afbeelding van 128 bij 128 pixels uit de ChestMNIST-dataset, die borstfoto's bevat die worden gebruikt voor de diagnose van longziekten. Ze slaagden erin deze afbeelding met slechts 14 qubits in een quantumtoestand te coderen. Het resulterende quantumcircuit, dat uit slechts 425 basisoperaties bestond, produceerde een reconstructie van de afbeelding met een fidelity van meer dan 99,2 procent. Dit betekent dat de quantumtoestand een bijna perfecte kopie van de originele medische scan vasthield. Het succes van dit experiment is significant omdat het bewijst dat de methode gestructureerde, tweedimensionale data zoals afbeeldingen kan verwerken, en niet alleen eenvoudige eendimensionale wiskundige curven.

De studie definieert echter ook duidelijk de grenzen van deze aanpak. De methode vertrouwt erop dat de data een specif kind van orde heeft, waarbij de verbindingen tussen verschillende delen van de data snel afnemen. Wanneer de onderzoekers hun methode testten op volledig willekeurige data of zeer complexe, ongestructureerde ruis, daalde de nauwkeurigheid aanzienlijk. Het algoritme kan niet magisch informatie comprimeren die geen onderliggend patroon heeft; als de data werkelijk chaotisch is, wordt het quantumcircuit dat nodig is om het te representeren net zo diep en moeilijk te bouwen als het oorspronkelijke probleem. Dit onderscheid is cruciaal: de techniek is een krachtig hulpmiddel voor gestructureerde data, maar het is geen universele oplossing voor alle soorten informatie.

De onderzoekers vergeleken hun geoptimaliseerde methode ook met andere bekende technieken voor het laden van data. Ze vonden dat hoewel andere methoden theoretisch dezelfde nauwkeurigheid kunnen bereiken, ze vaak veel diepere circuits vereisten of extra "ancilla" qubits nodig hadden om als tijdelijke opslag te dienen, wat de huidige hardware niet kan ondersteunen. In tegenstelling hiertoe bereikt de nieuwe methode een hoge nauwkeurigheid zonder extra qubits en gebruikt het een circuitdiepte die lineair schaalt met de grootte van de data, wat het veel praktischer maakt voor de nabije toekomst. Het team merkte op dat voor de ChestMNIST-afbeelding hun geoptimaliseerde aanpak hetzelfde nauwkeurigheidsniveau bereikte als een theoretische "exacte" methode, maar met een circuit dat ongeveer vier keer ondieper was.

In de context van het bredere veld suggereert dit werk een duidelijke weg vooruit voor quantumcomputing-toepassingen. Het geeft aan dat voor taken die gestructureerde data betreffen — zoals het instellen van randvoorwaarden voor het oplossen van natuurkundige vergelijkingen, het voorbereiden van waarschijnlijkheidsverdelingen voor financiële simulaties, of het coderen van afbeeldingen voor machine learning — quantumcomputers veel eerder nuttig kunnen zijn dan voorheen gedacht. Het vermogen om data met hoge fidelity te laden met ondiepe circuits verwijdert een belangrijke barrière die veel quantumalgoritmen heeft verhinderd om op echte hardware te worden getest. Hoewel de methode het probleem van het laden van volledig ongestructureerde data niet oplost, biedt het een zeer efficiënte, resource-vriendelijke manier om de overgrote meerderheid van de gestructureerde datasets te hanteren die wetenschappers en ingenieurs daadwerkelijk gebruiken.

De studie concludeert dat de combinatie van het disentangling-algoritme en de daaropvolgende optimalisatie een veelzijdige tool creëert voor het huidige tijdperk van quantumtechnologie. Het stelt onderzoekers in staat om voorbij de theoretische beperkingen van state preparation te gaan en praktische experimenten met real-world data te beginnen. Door aan te tonen dat een 128 bij 128 afbeelding met een dergelijke hoge fidelity op een klein aantal qubits kan worden gecodeerd, biedt het werk een concreet voorbeeld van hoe quantumcomputers binnenkort gebruikt kunnen worden voor het verwerken van medische data of financiële modellen. De bevindingen beweren niet dat ze elk probleem in de quantumstate preparation hebben opgelost, maar ze vestigen wel een betrouwbare, efficiënte en nauwkeurige methode voor de specifieke klasse van gestructureerde problemen die het meest relevant zijn voor toepassingen op de korte termijn.