Fast Quantum Amplitude Encoding of Typical Classical Data

Kwantumcomputers beloven bepaalde problemen op te lossen met een snelheid die klassieke machines simpelweg niet kunnen evenaren. Een van de krachtigste instrumenten in dit nieuwe arsenaal is de kwantumfouriertransformatie, een wiskundige operatie die patronen in gegevens exponentieel sneller kan analyseren dan zijn klassieke tegenhanger. Deze capaciteit biedt immens potentieel voor velden variërend van cryptografie tot medische beeldvorming. Er staat echter een aanzienlijke hindernis in de weg om dit potentieel te realiseren. Voordat een kwantumcomputer deze razendsnelle berekeningen kan uitvoeren, moeten de gegevens die hij moet verwerken, worden vertaald van de klassieke wereld van bits en bytes naar de kwantumwereld van qubits. Dit vertalingsproces, bekend als state preparation (toestandsvoorbereiding), is historisch gezien een trage en omslachtige bottleneck geweest. Als de tijd die nodig is om de gegevens te laden langer is dan de tijd die de kwantumcomputer bespaart tijdens de berekening, verdwijnt het hele voordeel. Voor enorme datasets, zoals de gedetailleerde beelden die door satellieten worden vastgelegd, is dit laadprobleem een grote hindernis geweest.

Een team van onderzoekers van het Duitse Aerospace Center en de Universiteit van Keulen heeft een nieuwe methode ontwikkeld om deze bottleneck te overwinnen, wat een manier biedt om klassieke gegevens veel sneller dan voorheen in een kwantumtoestand te laden. Hun aanpak richt zich op een techniek genaamd amplitude encoding, waarbij de waarden van een klassieke vector worden opgeslagen als de waarschijnlijkheden, of amplitudes, van een kwantumtoestand. De onderzoekers hebben een bestaand protocol verbeterd door een slimme manier te introduceren om de gegevens parallel te verwerken en door een wiskundige truc genaamd amplitude amplification te gebruiken om het succespercentage van de codering te verhogen. In hun simulatiesen heeft deze nieuwe methode de tijd die nodig is om de kwantumtoestand voor te bereiden gereduceerd van een lineaire relatie met de omvang van de gegevens naar een veel gunstiger schaling. Voor typische, willekeurig verdeelde gegevens groeit de tijd die nodig is om de informatie te laden zeer langzaam, volgens een patroon van O(log^1.5 N), wat aanzienlijk beter is dan wat voorheen mogelijk werd geacht voor generieke inputs.

De kern van de uitdaging ligt in de enorme hoeveelheid gegevens die betrokken is bij moderne toepassingen. Overweeg een enkele dataset van een synthetische aperture radar-satelliet, die miljarden individuele monsters kan bevatten die een kaart van het aardoppervlak vertegenwoordigen. Om dit op een kwantumcomputer te verwerken, moet elke afzonderlijke waarde in die enorme reeks worden omgezet in een kwantumtoestand. Eerdere methoden om dit te doen waren vaak te traag, omdat ze een aantal stappen vereisten dat direct meegroeide met de omvang van de gegevens, waardoor het snelheidsvoordeel van de kwantumprocessor effectief teniet werd gedaan. Het nieuwe algoritme pakt dit aan door de codering van meerdere invoerelementen van de gegevensvector gelijktijdig mogelijk te maken. De onderzoekers hebben een parameter geïntroduceerd die controleert hoeveel stukken gegevens tegelijkertijd parallel worden verwerkt. Door deze parameter aan te passen, kunnen zij een afweging maken tussen de hoeveelheid geheugen die de kwantumcomputer nodig heeft en de snelheid waarmee de gegevens worden geladen.

Het proces begint met een klassieke computer die de gegevens voorbereidt voor de kwantummachine. Deze zet de invoergetallen om in een specifiek binair formaat dat de kwantumcircuit kan begrijpen. Deze voorverwerkingsstap is zeer efficiënt en kan parallel voor alle gegevenspunten worden uitgevoerd. Zodra de gegevens gereed zijn, neemt het kwantumcircuit het over. Het gebruikt een reeks gecontroleerde rotaties om een uniforme superpositie van toestanden om te zetten in een gewogen toestand, waarbij de gewichten overeenkomen met de waarden in de oorspronkelijke gegevens. Een belangrijke innovatie in dit werk is het gebruik van amplitude amplification. In de originele versie van dit protocol zou het circuit alleen het juiste resultaat produceren als een specifieke meting een bepaalde uitkomst opleverde, wat gebeurde met een waarschijnlijkheid gelijk aan de "dichtheid" van de gegevens. Als de meting mislukte, moest het hele proces opnieuw worden gestart. De nieuwe methode gebruikt een techniek die vergelijkbaar is met het Grover-zoekalgoritme om de waarschijnlijkheid van de juiste uitkomst te vergroten, waardoor het aantal keren dat het circuit moet worden uitgevoerd wordt verminderd van een lineair aantal naar de vierkantswortel van dat aantal. Deze kwadratische versnelling is de primaire reden waarom het totale proces veel sneller wordt.

De onderzoekers hebben hun theorie niet alleen getest met willekeurige getallen, maar ook met echte gegevens. Ze analyseerden beelden van de Sentinel-1A satelliet, die gedetailleerde radarbeelden van de aarde vastlegt. Door deze grote beelden op te delen in kleinere sectoren en de gegevensdichtheid voor elk deel te berekenen, ontdekten ze dat het gemiddelde gedrag van de echte gegevens nauw aansloot bij de theoretische voorspellingen voor willekeurige inputs. De dichtheid van de gegevens in deze beelden was laag genoeg zodat het nieuwe algoritme de informatie kon laden in een kwantumtoestand in een tijd die schaalt als O(log^1.5 N) met de omvang van de gegevens. Dit betekent dat zelfs wanneer de beelden steeds groter worden, de tijd die nodig is om ze in de kwantumcomputer te laden zeer langzaam groeit, hoewel niet zo langzaam als een zuivere logaritmische schaling. Deze bevinding is cruciaal omdat het suggereert dat de kwantumfouriertransformatie nu kan worden toegepast op deze enorme datasets met een echt snelheidsvoordeel, waardoor de exponentiële versnelling die het kwantumalgoritme zo krachtig maakt, behouden blijft.

Hoewel de methode een aanzienlijk aantal hulp-qubits vereist om parallel te werken, merken de onderzoekers op dat dit een beheersbare afweging is. Het hoofdkwantumregister dat de uiteindelijke gecodeerde toestand bevat, is exponentieel kleiner dan het klassieke geheugen dat nodig is om de oorspronkelijke gegevens op te slaan. Deze compressie is een van de fundamentele voordelen van kwantumcomputing. Het vermogen om gegevens snel te laden en ze vervolgens te verwerken met de kwantumfouriertransformatie, opent de deur naar nieuwe toepassingen in beeldanalyse en machine learning. Zo zouden de getransformeerde gegevens direct als input kunnen dienen voor andere kwantumalgoritmen zonder dat ze gemeten en teruggezet hoeven te worden naar een klassieke vorm, wat het snelheidsvoordeel verder behoudt. De studie levert sterk numeriek bewijs dat deze gunstige schaling standhoudt voor complexe, real-world scenario's, waardoor het veld dichter bij praktische toepassingen komt waar kwantumcomputers de klassieke tegenhangers echt kunnen overtreffen.

Het werk strekt zich ook uit voorbij eenvoudige reële getallen om complexe getallen te verwerken, die essentieel zijn voor veel signaalverwerkingstaken zoals die in de radar. Door zowel de amplitude als de fase van de gegevens afzonderlijk te coderen, behoudt het algoritme zijn efficiëntie, zelfs voor deze complexere inputs. De onderzoekers benadrukken dat hun aanpak geen magische oplossing is voor elk type gegevens; de versnelling hangt af van de specifieke kenmerken van de input, zoals de dichtheid ervan. Echter, voor de brede klasse van gegevens die zich gedragen als een willekeurige verdeling of de ijle, gestructureerde aard van satellietbeelden hebben, zijn de resultaten veelbelovend. De studie laat zien dat de langdurige bottleneck van het laden van gegevens aanzienlijk kan worden verlicht, waardoor de theoretische kracht van kwantumalgoritmen in de praktijk gerealiseerd kan worden. Door te bewijzen dat de gemiddelde looptijd voor typische inputs veel sneller is dan het slechtste scenario, hebben de onderzoekers een duidelijk pad geboden voor de integratie van kwantumverwerking in workflows die enorme hoeveelheden informatie verwerken.