Optimizing Low-Energy Carbon IIoT Systems with Quantum Algorithms: Performance Evaluation and Noise Robustness

De wereld raakt steeds meer verbonden, met miljarden sensoren en apparaten die constant gegevens verzamelen om alles te beheren, van fabrieksvloeren tot het stadsverkeer. Dit enorme netwerk, bekend als het Industrial Internet of Things, belooft een grotere efficiëntie en automatisering, maar brengt een zware prijs met zich mee: een enorme vraag naar energie en een groeiende ecologische voetafdruk. Naarmate deze systemen complexer worden, lopen de traditionele computers die hun gegevens verwerken tegen een muur aan. Ze worstelen om snel genoeg op te schalen om de enorme hoeveelheid informatie in realtime te verwerken, en vereisen vaak zoveel vermogen dat ze het doel van duurzaamheid dat ze juist zouden moeten ondersteunen, ondermermijnen. Wetenschappers kijken nu naar een ander soort rekenkracht om deze flessenhals op te lossen. In plaats van uitsluitend te vertrouwen op klassieke machines, verkennen onderzoekers quantum computing, een veld dat gebruikmaakt van de vreemde regels van de natuurkunde die de kleinste deeltjes beheersen om berekeningen uit te voeren. Binnen dit domein komt een specifieke benadering genaamd quantum machine learning op als een potentieel instrument om deze systemen te optimaliseren, wat de hoop biedt op snellere verwerking met aanzienlijk minder energieverbruik.

In een recente studie hebben een team onderzoekers getest of deze quantummethoden daadwerkelijk de prestaties van energiezuinige koolstofsystemen kunnen verbeteren. Ze richtten zich op een specifiek type kunstmatige intelligentie genaamd een quantum neuraal netwerk, dat de manier nabootst waarop biologische hersenen leren, maar werkt volgens quantumprincipes. De onderzoekers bouwden drie verschillende versies van deze technologie om te zien welke het beste werkte. Eén versie werd geconstrueerd met behulp van een softwareframework genaamd Pennylane, een andere gebruikte een framework genaamd Qiskit, en de derde was een hybride model dat de sterke punten van zowel quantum- als klassieke computing combineerde. Om te zien hoe deze digitale breinen presteerden, voedde het team hen twee real-world datasets die veelvoorkomende uitdagingen in het Internet of Things vertegenwoordigen. De eerste dataset betrof het detecteren of er mensen aanwezig waren in een kamer op basis van omgevingssensoren zoals temperatuur en licht, terwijl de tweede de beweging van GPS-apparaten volgde om verschillende soorten activiteiten te identificeren.

De resultaten waren duidelijk en beslissend. Het quantum neuraal netwerk gebouwd met het Pennylane-framework presteerde consequent beter dan de andere twee modellen en verschillende traditionele computeralgoritmen. Wanneer het de taak kreeg om kamerbezetting te identificeren, behaalde dit specifieke model een nauwkeurigheidspercentage van 95 procent, waarbij het de staat van de kamer bijna elke keer correct identificeerde. Voor de GPS-trackinggegevens bereikte het een nauwkeurigheid van 94 procent. Ter vergelijking: het model gebouwd met Qiskit behaalde slechts 80 procent nauwkeurigheid op de kamergegevens en 74 procent op de GPS-gegevens, terwijl het hybride model ergens tussenin viel. Het op Pennylane gebaseerde systeem kreeg niet alleen vaker de juiste antwoorden, maar deed dit ook met een niveau van consistentie dat suggereerde dat het nieuwe, ongeziene gegevens net zo goed kon afhandelen als de gegevens waarop het was getraind. Deze prestatie was bijzonder opmerkelijk omdat de onderzoekers werkten met gesimuleerde quantumcomputers, wat momenteel de enige manier is om deze ideeën te testen voordat fysieke quantumhardware breed beschikbaar komt.

Een cruciaal onderdeel van de studie was het testen hoe deze modellen standhielden wanneer er dingen misgingen. In de echte wereld zijn quantumsystemen berucht fragiel; ze worden gemakkelijk verstoord door hun omgeving, wat leidt tot fouten die een berekening kunnen ruïneren. Om dit te simuleren, onderwierpen de onderzoekers hun best presterende model aan zes verschillende soorten digitale ruis, die de soorten interferentie vertegenwoordigen die een echte quantumcomputer zou kunnen ervaren. Ze testten het model tegen fouten die bits van informatie omdraaiden, de fase van de gegevens verstoorden of ervoor zorgden dat energie uit het systeem lekte. De bevindingen lieten zien dat het model verrassend veerkrachtig was tegen bepaalde soorten interferentie. Het behield zijn hoge nauwkeurigheid, zelfs wanneer het werd blootgesteld aan ruis die energieverlies of willekeurige verstoring van gegevens nabootst. Het was echter veel gevoeliger voor fouten die simpelweg bits van informatie omdraaiden, waarbij een scherpe daling in prestaties zichtbaar was onder die specifieke omstandigheden. Dit onderscheid is essentieel voor toekomstige ontwikkeling, omdat het ingenieurs precies vertelt voor welke soorten fouten ze het meest zorgvuldig moeten beschermen bij het bouwen van real-world apparaten.

De studie concludeert dat hoewel quantum computing nog in een vroeg stadium verkeert, de juiste softwarearchitectuur een aanzienlijk verschil kan maken in hoe goed deze systemen presteren. Door het Pennylane-framework te kiezen en het ontwerp van de quantumcircuits te optimaliseren, hebben de onderzoekers aangetoond dat het mogelijk is om modellen te creëren die zowel zeer nauwkeurig als robuust zijn tegen de ruis die de huidige technologie teistert. Deze aanpak biedt een veelbelovend pad voorwaarts voor het Industrial Internet of Things, wat suggereert dat toekomstige netwerken efficiënter beheerd kunnen worden, waardoor de energie die nodig is om gegevens te verwerken wordt verminderd en de totale koolstofemissies van onze verbonden wereld worden verlaagd. Het werk beweert niet elk probleem te hebben opgelost, maar biedt een concreet, getest voorbeeld van hoe quantumalgoritmen kunnen worden afgestemd om effectief te werken, wat de weg vrijmaakt voor meer duurzame en krachtige digitale infrastructuren in de jaren die komen.