⚛️ quantum physics

Train on classical, deploy on quantum: scaling generative quantum machine learning to a thousand qubits

Dit artikel stelt een schaalbaar generatief kwantum-machine learning-framework voor dat instantane kwantum-polynomiale circuits efficiënt traint op klassieke hardware om barren plateaus te vermijden, wat succesvolle sampling en leren op kwantumapparaten met tot duizend qubits mogelijk maakt.

Oorspronkelijke auteurs: Erik Recio-Armengol, Shahnawaz Ahmed, Joseph Bowles

Gepubliceerd 2026-02-09

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Erik Recio-Armengol, Shahnawaz Ahmed, Joseph Bowles

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

Het Grote Probleem: De "Quantum Verkeersopstopping"

Stel je voor dat je een robot (een quantumcomputer) wilt leren om schilderijen te maken. In het verleden was de standaardmanier om dit te doen: de robot laten schilderen, controleren hoe slecht het schilderij was, en de robot vervolgens precies vertellen hoe hij zijn penseel moet bewegen om het te verbeteren.

Er was echter een enorm probleem met deze methode voor quantumcomputers:

Het "Barren Plateau" (De Vlakke Woestijn): Naarmate de robot complexer wordt (meer "qubits" of onderdelen heeft), worden de instructies over hoe het schilderij te verbeteren zo zwak dat ze verdwijnen in de ruis. Het is alsof je probeert een fluistering te horen in een orkaan. De robot loopt vast en kan niet meer leren.
De Kosten van het Controleren: Om te bepalen hoe het schilderij verbeterd moet worden, moet je de quantumrobot duizenden keren dezelfde experiment laten uitvoeren om slechts één klein beetje informatie te verkrijgen. Als je een grote robot hebt, duurt dit zo lang dat het decennia zou duren om hem te trainen op een eenvoudige dataset.

De auteurs van dit artikel vroegen zich af: Is er een manier om de robot te leren zonder vast te lopen in de woestijn of decennia te moeten wachten?

De Oplossing: "Trainen op een Simulator, Implementeren op het Echte Ding"

De auteurs bedachten een slim tweetrapsstrategie: Trainen op een klassieke computer, implementeren op een quantumcomputer.

Denk hierover op deze manier:

De Quantumcomputer is een peperduur, magisch penseel dat patronen kan creëren die geen mens kan tekenen. Maar het is traag in het vragen om advies.
De Klassieke Computer is een gewone, snelle laptop. Deze kan geen magische patronen tekenen, maar kan wel simuleren hoe het magische penseel wiskundig gezien zou reageren.

De Workflow:

De Simulatie (Training): In plaats van de trage, dure quantumrobot om zijn werk te laten controleren, gebruiken de auteurs een snelle laptop om het gedrag van de robot te simuleren. Ze gebruiken een speciaal type wiskundig circuit (een IQP-circuit) dat gemakkelijk door een laptop berekend kan worden, maar later moeilijk voor een laptop is om te kopiëren.
De Loss Function (Het Scorebord): Ze gebruiken een specifiek scoresysteem genaamd MMD (Maximum Mean Discrepancy). Stel je voor dat je een stapel echte foto's hebt (de data) en een stapel door de robot getekende foto's. De MMD-score meet hoe verschillend de twee stapels eruitzien. Het doel is om de stapel van de robot exact hetzelfde te laten lijken als de echte stapel.
De Magische Truc: De auteurs ontdekten een manier om deze score en de "verbeterinstructies" volledig op de laptop te berekenen. Omdat de wiskunde goed uitpakt voor dit specifieke type circuit, kan de laptop dit in seconden doen, zelfs voor circuits met 1.000 qubits (wat enorm is!).
De Implementatie (De Beloning): Zodra de laptop de perfecte instellingen (parameters) voor de robot heeft bepaald, stuur je die instellingen naar de echte quantumcomputer. De quantumcomputer voert nu het circuit uit om nieuwe afbeeldingen te genereren. Omdat de wiskunde zegt dat deze circuits "moeilijk" zijn voor laptops om te kopiëren, kan de quantumcomputer resultaten produceren die een gewone computer niet gemakkelijk kan nabootsen.

Cruciale Ingrediënten voor Succes

1. De "Data-Afhankelijke" Start
Meestal, wanneer je een model begint te trainen, raad je willekeurige getallen voor de instellingen. Dit leidt vaak tot het "Barren Plateau" (de robot raakt de weg kwijt).

De Oplossing: De auteurs keken naar de data voordat ze begonnen. Als de data laat zien dat twee pixels meestal samen veranderen, stellen ze de instellingen van de robot zo in dat deze relatie vanaf het begin wordt weerspiegeld.
Analogie: In plaats van een student te vertellen "raad het antwoord", geef je hem een hint op basis van het tekstboek. Dit voorkomt dat hij vastloopt in de "woestijn" van willekeurige gokjes.

2. Coherentie is Koning
De auteurs vergeleken hun quantummodel met een "decoherente" (klassieke) versie.

Het Resultaat: Het quantummodel (dat gebruikmaakt van "coherentie", of het golfachtige karakter van de quantummechanica) leerde de patronen goed. De klassieke versie (die simpelweg bits willekeurig omdraait) faalde hopeloos bij grote datasets.
De Les: De "magie" van de quantummechanica is niet alleen een modewoord; het helpt het model daadwerkelijk om complexe structuren te leren die klassieke modellen missen.

Wat Ze Eigenlijk Deden (De Experimenten)

Het team praatte niet alleen over theorie; ze bouwden het en testten het op echte data. Ze trainden modellen met tot wel 1.000 qubits (duizenden parameters) op zes verschillende datasets:

Simpele patronen: Zoals 2D-roosters van spins of "vlekken" van pixels.
Real-world data: Handgeschreven cijfers (MNIST), genomische data (DNA-patronen) en data van een echte quantum-annealer (D-Wave).

De Resultaten:

Snelheid: Ze trainden deze enorme modellen in uren, niet in decennia.
Prestaties: Op de grote, complexe datasets (zoals de D-Wave en genomische data) presteerde hun quantummodel beter dan standaard klassieke modellen (zoals Restricted Boltzmann Machines en Energy-Based Models).
De "Waarom": De klassieke modellen liepen vaak vast in "mode collapse" (ze leerden alleen om één type plaatje te tekenen en negeerden de rest). Het quantummodel leerde het hele plaatje.

De Kern van het Verhaal

Dit artikel bewijst dat we niet hoeven te wachten op perfecte quantumcomputers om nuttig werk te verrichten. Door een "hybride" aanpak te gebruiken — het zware werk van het trainen op snelle klassieke computers en het genereren bewaren voor quantumcomputers — kunnen we vandaag de dag al opschalen naar enorme formaten.

Het is als het maken van een blauwdruk voor een wolkenkrabber op een snelle computer, en vervolgens een gespecialiseerde, trage kraan gebruiken om daadwerkelijk de stalen balken op hun plek te tillen. De blauwdruk (training) is snel en efficiënt; de constructie (sampling) is waar de unieke kracht ligt.

Wat het artikel NIET beweert:

Het beweert niet dat het elk probleem in machine learning heeft opgelost.
Het beweert niet dat quantumcomputers momenteel beter zijn in alles (ze hadden moeite met sommige kleinere, eenvoudigere datasets waar klassieke modellen prima waren).
Het doet geen medische of klinische claims; de genomische data werd alleen gebruikt om patroonherkenning te testen, niet om ziekten te diagnosticeren.

Technische Samenvatting: Trainen op Klassiek, Deployen op Quantum

1. Probleemstelling

Het artikel behandelt de fundamentele schaalbaarheidscrisis in variational quantum machine learning (VQML). Terwijl klassieke deep learning gedijt bij het opschalen van modellen en datasets, wordt VQML geconfronteerd met ernstige barrières:

Barren Plateaus: Gradiënten van willekeurig geïnitialiseerde kwantumcircuits concentreren zich exponentieel rond nul naarmate het aantal qubits toeneemt, wat optimalisatie onmogelijk maakt.
Kosten van Gradiëntschatting: In tegen tegenstelling tot klassieke neurale netwerken, waarbij de gradiëntberekening vergelijkbaar schaalt met de loss-evaluatie, vereist het schatten van gradiënten voor kwantumcircuits sampling uit een aantal circuits dat proportioneel is aan het aantal parameters. Voor een circuit met duizenden parameters is het nodig om uit duizenden verschillende circuits te samplen per gradiëntstap.
Hardwarebeperkingen: Kwantumcomputers hebben aanzienlijk lagere sample rates dan klassieke CPU's/GPU's en zijn inherent stochastisch, wat massale sampling vereist om trainingswaarden te schatten.

De auteurs stellen dat standaard VQML-benaderingen beperkt zijn tot kleine modellen en datasets, wat hun potentieel voor maatschappelijk nut in de weg staat. Ze stellen een nieuw paradigma voor om deze schaalbaarheidsproblemen specifiek voor generatieve machine learning te overwinnen.

2. Methodologie

De voorgestelde aanpak, "Train on Classical, Deploy on Quantum", maakt gebruik van een specifieke klasse generatieve modellen gebaseerd op Instantaneous Quantum Polynomial (IQP) circuits. De kerninnovatie is het vermogen om deze circuits efficiënt op klassieke hardware te trainen, terwijl het potentieel voor kwantumvoordeel tijdens inferentie (sampling) behouden blijft.

2.1 Het Model: Geparametriseerde IQP-circuits

Het generatieve model $q_\theta(x)$ wordt gedefinieerd door een geparametriseerd IQP-circuit werkend op $n$ qubits:

Initialisatie: Toestand $|0\rangle^{\otimes n}$ .
Gates: Een sequentie van geparametriseerde gates $U(\theta) = \prod_j \exp(i\theta_j X_{g_j})$ , waarbij $X_{g_j}$ een tensorproduct is van Pauli-X operatoren.
Meting: Meting in de computationele basis.

Cruciaal is dat sampling uit de outputdistributie van deze circuits naar verwachting klassiek moeilijk is (onder theoretische complexiteitsaannames), wat suggereert dat er een potentieel kwantumvoordeel kan zijn tijdens de deployment-fase.

2.2 Training via Klassieke Simulatie

Het trainingsproces vermijdt kwantumhardware volledig door gebruik te maken van twee theoretische resultaten om de loss en de gradiënt klassiek te berekenen:

Loss Functie: De auteurs gebruiken de gekwadrateerde Maximum Mean Discrepancy (MMD) als de loss functie. Rudolph et al. (2024) toonden aan dat MMD $^2$ kan worden uitgedrukt als een probabilistische mix van verwachtingswaarden van Pauli-Z woorden.
Efficiënte Schatting: Den Nest (2010) bewees dat verwachtingswaarden van Pauli-Z woorden voor IQP-circuits efficiënt kunnen worden geschat door een klassiek algoritme.

Door deze te combineren, leiden de auteurs een onbevooroordeelde estimator af voor de MMD $^2$ en de gradiënt, die alleen steunt op basische lineaire algebra subroutines. Dit maakt het mogelijk om de training op klassieke hardware uit te voeren (specifiek met het IQPopt pakket in JAX) met een lineaire schaling in zowel het aantal qubits als het aantal gates.

2.3 Data-afhankelijke Initialisatie

Om barren plateaus te vermijden en succesvolle convergentie te garanderen, passen de auteurs een data-afhankelijke parameter-initialisatiestrategie toe:

Parameters van single-qubit gates worden geïnitialiseerd op basis van het gemiddelde van de overeenkomstige dimensies van de trainingsdata.
Parameters van two-qubit gates worden geïnitialiseerd proportioneel aan de covariantie tussen de overeenkomstige dimensies van de data.
Deze strategie zorgt ervoor dat het model start nabij een productdistributie die overeenkomt met de marginalen en correlaties van de data, waardoor voorkomt dat het loss-landschap bij initialisatie vlak is.

2.4 Incorporatie van Symmetrie

Het framework staat de incorporatie van inductieve biases toe, zoals globale bit-flip symmetrie ( $Z_2$ ), door de initiële toestand te modificeren (bijv. door een GHZ-toestand te gebruiken), terwijl de mogelijkheid om de klassieke simulatie van de verwachtingswaarden behouden blijft.

3. Belangrijkste Bijdragen

Schaalbaar Trainingsalgoritme: Een methode om geparametriseerde IQP-circuits te trainen met tot 1.000 qubits en honderdduizenden parameters met uitsluitend klassieke hardware.
Vermijden van Barren Plateaus: Demonstratie dat met data-afhankelijke initialisatie, grootschalige IQP-circuits getraind kunnen worden zonder de exponentiële gradiëntverdwijning tegen te komen die typisch is voor willekeurige initialisatie.
Coherentie Analyse: Een vergelijking tussen het kwantum IQP-model en een "gedecoheerd" klassiek stochastisch bitflip-model, waarbij wordt aangetoond dat kwantumcoherentie cruciaal is voor prestaties op complexe datasets.
Empirische Benchmarking: Uitgebreide evaluatie op zes reële en synthetische datasets (inclusief D-Wave, MNIST en genomische data) waarbij het kwantummodel wordt vergeleken met Restricted Boltzmann Machines (RBM) en Energy-Based Models (EBM).

4. Resultaten

De auteurs trainden modellen op datasets variërend van 16 tot 1.000 qubits. Belangrijkste bevindingen zijn:

Prestaties vs. Klassieke Modellen: Op grote, complexe datasets (D-Wave, Scale-Free Network, Genomic) presteerde het IQP-model significant beter dan de klassieke RBM en EBM modellen, die leden aan mode collapse, mode imbalance of falen in training. Op eenvoudigere datasets (2D Ising, Binary Blobs) presteerde het IQP-model competitief, hoewel klassieke modellen soms betere log-likelihood scores behaalden.
Rol van Coherentie: Het "gedecoherde" stochastische bitflip-model slaagde er niet in om te leren op alle maar de kleinste datasets, ondanks identieke trainingsstrategieën. Dit suggereert dat kwantumcoherentie een onderscheidend voordeel biedt in expressiviteit of de structuur van het loss-landschap.
Schaalbaarheid: Het trainingsproces verliep soepel en convergeerde in relatief weinig stappen voor alle datasets, zelfs met 1.000 qubits. De auteurs merken op dat de computationele kosten lineair schalen, waardoor training op een enkele CPU-node voor circuits met 10.000 qubits ongeveer één minuut duurt.
Genomische Data: Op een genomische dataset (805 qubits) behaalde het IQP-model MMD-scores die competitief waren met gepubliceerde klassieke modellen (RBM en GAN) getraind op dezelfde data, waarbij de algemene correlatiestructuur succesvol werd gevangen.

5. Betekenis en Claims

Het artikel claimt aan te tonen dat er een levensvatbaar pad is naar schaalbare kwantum generatieve machine learning.

Optimisme voor Schaling: Dit werk daagt het heersende pessimisme over de trainbaarheid van grote kwantumcircuits uit. Het suggereert dat het "barren plateau" probleem kan worden gemitigeerd door passende initialisatiestrategieën in plaats van een inherent, onoverkomelijk obstakel te zijn voor alle circuitstructuren.
Praktische Bruikbaarheid: Door de computationeel zware trainingsfase naar klassieke hardware te verplaatsen, omzeilt deze aanpak de hardware-bottlenecks van huidige kwantumapparaten. Dit stelt onderzoekers in staat om vandaag de dag al grootschalige kwantummodellen te onderzoeken.
Kwantumvoordeel: Hoewel de training klassiek is, blijft de deployment (sampling) een kwantumtaak. Omdat IQP-sampling klassiek moeilijk is, bieden de getrainde modellen een potentiële route naar computationeel voordeel in generatieve taken.
Bescheiden Omvang: De auteurs zijn bescheiden in hun claims. Zij beweren niet dat IQP-circuits universele approximators zijn (bewijzen zij niet voor $n=2$ zonder ancillas) en erkennen dat klassieke modellen wellicht beter presteren met uitgebreidere hyperparameter-tuning of andere architecturen. Zij benadrukken dat hun werk de deur opent voor heuristische studies van grootschalige kwantummodellen, die inzichten kunnen bieden die verder gaan dan pure theorie.

Concluderend beargumenteren de auteurs dat "schalen naar grotere datasets en modellen" de meest vruchtbare weg is voor kwantum machine learning, en dat een specifieke klasse generatieve modellen (geparametriseerde IQP) een concreet, schaalbaar mechanisme biedt om dit vandaag de dag te bereiken.