⚛️ quantum physics

Enhanced Variational Quantum Kolmogorov-Arnold Network

Dit artikel introduceert de Enhanced Variational Quantum Kolmogorov-Arnold Network (EVQKAN), een variationele kwantum-ansatz die de nauwkeurigheid van functiefitting verbetert ten opzichte van bestaande kwantummethoden, maar momenteel te maken heeft met significante classificatiebeperkingen en hoge circuitkosten door overfitting en de vraag naar middelen, waardoor het wordt gepositioneerd als een architectuur op schaal van een simulator in plaats van een NISQ-oplossing voor de nabije toekomst.

Oorspronkelijke auteurs: Hikaru Wakaura, Rahmat Mulyawan, Andriyan B. Suksmono

Gepubliceerd 2026-07-30

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hikaru Wakaura, Rahmat Mulyawan, Andriyan B. Suksmono

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

De Kwantum Speeltuin: Waar Wiskunde en Magie Elkaar Ontmoeten

Stel je voor dat je een computer probeert te leren om patronen te herkennen, zoals het spotten van een kat op een foto of het voorspellen van het weer. Decennialang hebben we "neurale netwerken" gebruikt, die in feite digitale hersenen zijn gemaakt van lagen kleine processoren (neuronen) die via draden met elkaar verbonden zijn. In deze digitale hersenen vindt het "leren" plaats door de sterkte van de verbindingen tussen de neuronen aan te passen. Het is alsof je de volumknoppen op een enorme mengtafel bijstelt totdat de muziek perfect klinkt.

Maar wat als, in plaats van alleen maar aan knoppen te draaien, de verbindingen zelf van vorm zouden kunnen veranderen? Stel je voor dat de draden die de neuronen verbinden niet alleen statische kabels waren, maar konden rekken, draaien en transformeren in elke curve die nodig is om een probleem op te lossen. Dit is het idee achter een nieuw type AI genaamd een Kolmogorov-Arnold Network (KAN). Het is een slimme variatie op het oude ontwerp die de wiskunde veel efficiënter maakt.

Stel je nu voor dat je deze super-efficiënte AI probeert uit te voeren op een kwantumcomputer. Kwantumcomputers zijn de volgende grote stap in computing; ze maken gebruik van de vreemde regels van de subatomaire wereld (zoals deeltjes die op twee plaatsen tegelijk kunnen zijn) om problemen op te lossen waar normale computers eeuwig over zouden doen. De grote vraag die wetenschappers zich stellen is: Kunnen we een kwantumversie van deze vormveranderende AI bouwen? Als dat lukt, kan het mogelijk sneller en beter leren dan alles wat we vandaag de dag hebben. Dit artikel gaat over een team dat probeert die kwantummachine te bouwen, kijkt hoe goed het werkt, en ontdekt de redenen waarom het soms struikelt.

De Vormveranderende Kwantummachine

De auteurs van dit artikel, Hikaru Wakaura en zijn collega's, hebben een nieuw ontwerp gebouwd dat ze het Enhanced Variational Quantum Kolmogorov-Arnold Network, afgekort EVQKAN, noemen. Denk aan EVQKAN als een heel specifiek recept voor een kwantumcircuit. In een normale kwantumcomputer heb je "qubits" (de kwantumversie van bits) die 0, 1, of beide tegelijk kunnen zijn. Om ze te laten leren, pas je een reeks poorten (operaties) toe die deze qubits laten roteren.

In het EVQKAN-recept wordt het "leren" afgehandeld door speciale wiskundige curven die splines worden genoemd. In plaats van alleen een vaste rotatie te hebben, worden de kwantumpoorten aangestuwd door deze flexibele curven. De grote innovatie van het team is een slimme manier om deze curven te ordenen met behulp van een "tiling"-methode (tegelmethode). Stel je voor dat je een vloer probeert te bedekken met tegels. In plaats van voor elke plek een enorme, aangepaste tegel te maken, hebben zij ontdekt hoe ze een paar slimme, herhalende patronen (gecontroleerde rotaties) kunnen gebruiken om de hele vloer efficiënt te bedekken. Dit ontwerp stelt hen in staat om veel minder "knoppen" te draaien (trainbare parameters) dan andere kwantummethoden, wat een enorme prestatie is omdat minder knoppen betekenen dat de computer het makkelijker heeft om de juiste instelling te vinden.

De Grote Aanpassingswedstrijd: Wie wint er?

Om te zien of EVQKAN echt werkt, heeft het team het in een wedstrijd geplaatst tegen andere kwantummodellen en zelfs een klassiek AI-model. De eerste uitdaging was een aanpassingsprobleem (fitting problem). Stel je voor dat je een verspreiding van stippen op een grafiek hebt en je moet een vloeiende lijn tekenen die ze perfect verbindt.

In deze simulatie was EVQKAN de ster van de show. Wanneer het de opdracht kreeg om die lijn door de stippen te trekken, deed het het aanzienlijk beter dan de andere kwantummodellen (zoals het standaard Quantum Neural Network of de oudere VQKAN). Sterker nog, in elke van de tien pogingen die ze uitvoerden, versloeg EVQKAN de oudere kwantummodellen. Het was zo consistent dat de resultaten bijna altijd beter waren dan die van de concurrentie.

Er zat echter een addertje onder het gras. Hoewel EVQKAN het beste kwantummodel was, kon het de klassieke KAN (de niet-kwantumversie die op een normale computer draait) nog steeds niet verslaan. Het klassieke model was nog steeds het meest nauwkeurig. Dus hoewel EVQKant bewees dat dit nieuwe kwantumontwerp een enorme verbetering is ten opzichte van eerdere kwantumpogingen, heeft het de beste niet-kwantum AI nog niet ingehaald.

De Classificatie-twist: Wanneer het script omdraait

Vervolgens probeerde het team een andere uitdaging: classificatie. Dit is als het sorteren van een hoop gemengde rode en blauwe knikkers in twee aparte potten. Ze creëerden een scenario waarin de knikkers in een lastig patroon waren gerangschikt, en de AI moest raden in welke pot elke knikker thuishoorde.

Hier draaide het verhaal volledig om. Wanneer de taak bestond uit het sorteren van de knikkers, deed EVQKAN het slechter dan de andere kwantummodellen. Het slaagde er wel in om beter te presteren dan willekeurig gokken (ongeveer 62% correct), maar het standaard Quantum Neural Network (QNN) verpletterde het met ongeveer 75% correct. Dit was verrassend omdat EVQKAN minder "knoppen" had om aan te draaien en juist efficiënter zou moeten zijn.

De auteurs waren hier zeer zorgvuldig. Ze realiseerden zich dat ze in een eerdere versie van hun werk per ongeluk EVQKAN een "spiekbriefje" hadden gegeven door het antwoord (het label) direct als aanwijzing in de machine te voeren, terwijl de andere modellen die aanwijzing niet kregen. Ze herstelden deze "lek" en voerden de test opnieuw uit. Zelfs met een eerlijk speelveld verloor EVQKAN nog steeds het sorteerspel. Dit vertelt ons dat de "tiling"-truc die EVQKAN zo goed maakt in het tekenen van lijnen (fitting), het niet noodzakelijkerwijs helpt bij het sorteren van zaken (classificatie).

Waarom het nog niet klaar is voor je telefoon

Dus, waarom draait deze kwantum super-AI nog niet op je laptop of telefoon? Het antwoord ligt in de circuitkosten.

Om EVQKAN te laten werken, moest het team een zeer complex circuit bouwen. Voor slechts drie lagen van dit netwerk vereist het circuit 4.110 twee-qubit poorten nadat de complexe operaties zijn afgebroken. Om dit in perspectief te plaatsen: huidige kwantumcomputers (genaamd NISQ-apparaten) zijn erg luidruchtig en kunnen slechts een fractie daarvan aan voordat de informatie wordt verstoord. De auteurs zijn eerlijk: dit ontwerp is momenteel een "simulator-schaal" project. Het werkt perfect in een computersimulatie waar geen ruis is, maar het is te groot en complex voor de huidige echte kwantumhardware.

Het Overfitting-probleem: Te veel vragen, te weinig antwoorden

Het team onderzocht ook waarom de kwantummodellen niet zo nauwkeurig waren als de klassieke modellen. Ze vonden een belangrijke boosdoener: overfitting.

Stel je voor dat je studeert voor een wiskundetoets. Als je slechts 10 oefenvragen hebt maar je probeert 96 verschillende regels te onthouden, kan het zijn dat je de antwoorden op die 10 vragen perfect onthoudt, maar de eigenlijke toets niet haalt omdat je het algemene concept niet hebt geleerd. Dat is wat hier gebeurde. Het model had 96 "knoppen" om aan te draaien, maar werd slechts getraind op 10 datapunten.

De auteurs testten dit door het model meer oefenvragen te geven (het verhogen van de trainingsdata van 10 naar 100 punten). Toen ze dit deden, kromp het gat tussen hoe goed het model presteerde op oefenvragen versus de echte test met 58%. Dit bewees dat het model niet "kapot" was; het had simpelweg meer data nodig om goed te leren. Echter, zelfs met meer data haalde het kwantummodel de klassieke variant nog steeds niet helemaal in.

De Conclusie

Het artikel concludeert dat EVQKAN een veelbelovende nieuwe architectuur is die kwantum AI veel beter maakt in het aanpassen van curven dan eerdere pogingen. Het is betrouwbaarder en nauwkeuriger dan andere kwantummethoden voor die specifieke taak. Het worstelt echter met classificatietaken en is momenteel te complex om op echte kwantumhardware te draaien vanwege het enorme aantal poorten dat vereist is.

De auteurs zijn duidelijk dat dit een werk in uitvoering is. Ze suggereren dat toekomstig werk zich moet richten op het vereenvoudigen van het circuit (misschien door middel van nieuwe wiskundige trucs genaamd "block encoding") en het testen van hoe het model schaalt. Voor nu is EVQKAN een briljante simulatie die ons de weg vooruit wijst, maar de reis naar een echte kwantum AI die klassieke computers verslaat, ligt nog voor ons.

Technische Samenvatting: Enhanced Variational Quantum Kolmogorov-Arnold Network (EVQKAN)

Probleemstelling
Het Kolmogorov-Arnold Network (KAN) is een neurale netwerkarchitectuur waarbij leerbare functies zich op de synapsen (randen) bevinden in plaats van op de neuronen, wat potentieel voordelen biedt voor interpreteerbaarheid en efficiëntie. Hoewel klassieke KAN's veelbelovend zijn gebleken, kampen hun kwantumimplementaties met aanzienlijke hindernissen. Bestaande kwantum-KAN-benaderingen lijden aan een afruil tussen nauwkeurigheid en middelenkosten:

Variational Quantum KAN (VQKAN): Mist voldoende nauwkeurigheid voor praktische taken.
Quantum KAN (gebruikmakend van Block Encoding/Quantum Signal Processing): Vereist een groot aantal controlepoorten en ancilla-qubits, wat ongeschikt is voor huidige Noisy Intermediate-Scale Quantum (NISQ) apparaten en moeilijk te optimaliseren is naarmate de netwerkomvang toeneemt.

De auteurs beogen deze kloof te overbruggen door een kwantum-KAN-variant voor te stellen die de balans zoekt tussen parameter-efficiëntie en circuitcomplexiteit, specifiek gericht op functie-fitting en classificatietaken.

Methodologie: Enhanced Variational Quantum KAN (EVQKAN)
De auteurs introduceren EVQKAN, een variationele ansatz ontworpen om een $2^{N_q}$ -dimensionale KAN-laagmatrix te emuleren. De kernmethodologie omvat:

Architectuur: Het netwerk maakt gebruik van een "tiled sum-operator constructie" om KAN-lagen te emuleren. In plaats van parameters te trainen voor elk element in de laagmatrix, gebruikt EVQKAN gecontroleerde rotaties die over het circuit zijn getiled.
Parameter-efficiëntie: Een laag met $N_q$ qubits (dimensie $2^{N_q}$ ) vereist slechts $2^{N_q-1}$ leerbare spline-functies. Elke spline wordt gedefinieerd door $N_g$ controlepunten. Voor een 3-qubit systeem ( $N_q=3$ ) met 8 controlepunten ( $N_g=8$ ) en 3 lagen, gebruikt het model slechts 96 leerbare parameters, vergeleken met de honderden of duizenden die nodig zijn door matrix-element-gebaseerde benaderingen.
Input-codering: De inputvector wordt gecodeerd in de initiële toestand. De rotatiehoeken voor de ansatz worden gegenereerd door de leerbare spline-functies te evalueren op de readout-waarden van de vorige laag.
Circuitconstructie: De ansatz wordt geconstrueerd met behulp van multi-controlled rotatiepoorten. De auteurs merken op dat deze constructie steunt op sum-operators die worden geïmplementeerd via block encoding-technieken.
Optimalisatie: Parameters worden geoptimaliseerd met behulp van het COBYLA-algoritme (tenzij anders vermeld) om een verliesfunctie te minimaliseren die wordt gedefinieerd als de absolute afstand tussen de Hamiltonian-verwachtingswaarde en de doel-functiewaarde.
Simulatieomgeving: Alle gerapporteerde resultaten zijn gebaseerd op ruisvrije state-vector simulaties met een oneindig aantal shots. De auteurs geven expliciet aan dat de huidige constructie niet NISQ-ready is vanwege de hoge gate-aantallen.

Belangrijkste Resultaten

Functie-fitting Taak:
- Prestaties: EVQKAN presteerde aanzienlijk beter dan Quantum Neural Networks (QNN), VQKAN en Adaptive VQKAN bij het fitten van een elementaire functie ( $f(x) = \exp(\sin(x_0^2 + x_1^2) + \sin(x_2^2 + x_3^2))$ ).
- Statistieken: Over tien onafhankelijke pogingen bereikte EVQKAN een gemiddelde testfout van $15,088 \pm 1,739$ , vergeleken met $25,965$ voor QNN en $\approx 22,6$ voor VQKAN. Het verschil was statistisch significant ( $p < 0,002$ ) met grote effectgroottes (Cliff's $\delta \le -0,86$ ). In elk geval presteerde EVQKAN beter dan VQKAN.
- Betrouwbaarheid: EVQKAN vertoonde een merkbaar lagere variantie (SD $\approx 1,7$ ) vergeleken met QNN (SD $\approx 7,0$ ), wat wijst op een hogere reproduceerbaarheid.
- Klassieke Baseline: Klassieke KAN bleef de meest nauwkeurige methode ($13,497$), wat bevestigt dat het kwantummodel zijn klassieke tegenhanger op deze taak niet heeft overtroffen, maar de scheiding tussen de kwantummethoden was duidelijk.
Classificatie Taak:
- Protocolcorrectie: De auteurs hebben de resultaten van een eerdere versie van dit werk ingetrokken vanwege een "lek"-fout waarbij de doel-label onbedoeld als een feature in het EVQKAN-circuit werd gecodeerd, maar niet in de vergelijkingsmodellen.
- Herziene Resultaten: Onder een lek-vrij protocol waarbij alle methoden dezelfde encoding en features deelden, keerde de prestatievolgorde om. EVQKAN classificeerde boven toeval (nauwkeurigheid $0,620$, $p=0,0005$ ), maar was significant minder nauwkeurig dan een QNN met een vijfde van de parameters (QNN-nauwkeurigheid $0,754$, $\Delta \text{nauwkeurigheid} = -0,134$ , $p=0,0014$ ).
- Conclusie: Het voordeel van de tiled ansatz dat werd waargenomen bij functie-fitting, vertaalde zich niet naar de classificatietaak.
Beperkingen en Foutbronnen:
- Overfitting: De primaire foutbron in de fitting-taak werd geïdentificeerd als overfitting gedreven door een onderbepaald trainingsset (10 samples voor 96 parameters). Het vergroten van de trainingsset van 10 naar 100 samples verkleinde de train-test kloof met 58%, hoewel de testnauwkeurigheid slechts marginaal verbeterde (9%).
- Circuitkosten: De constructie is computationeel duur. Een 3-laags EVQKAN met $N_q=3$ genereert 1017 operaties, wat decomponeert naar 4110 twee-qubit gates. Dit plaatst de methode in de categorie "simulator-schaal" en "fault-tolerant-tijdperk", ver voorbij de huidige NISQ-mogelijkheden.

Betekenis en Claims
Het artikel claimt drie hoofdbijdragen:

Architectuur: Een parameter-efficiënt variabel kwantum-KAN (EVQKAN) dat het aantal leerbare functies reduceert tot de wortel van de laagdimensie, waardoor het competitief is onder kwantummodellen voor functie-fitting.
Methodologische Rigor: De introductie van een "lek-vrij" protocol en standaard metrieken (nauwkeurigheid, AUC) die eerlijke vergelijkingen tussen kwantum-KAN-varianten mogelijk maken, waarbij eerdere methodologische gebreken worden gecorrigeerd.
Kwantitatieve Analyse: Een duidelijke identificatie van de huidige knelpunten: overfitting door kleine trainingssets en de prohibitieve gate-kosten van multi-controlled gates.

Bescheiden Conclusies
De auteurs zijn expliciet over het feit dat EVQKAN nog geen oplossing is voor NISQ-apparaten. Ze stellen dat de superioriteit van de methode momenteel beperkt is tot specifieke taken (functie-fitting) en dat de circuitkosten moeten worden verminderd via block encoding en qubitization voordat hardwarematige inzetbaarheid haalbaar is. Bovendien erkennen ze dat klassieke methoden (Klassieke KAN, Logistische Regressie, MLP) momenteel alle geteste kwantummethoden evenaren of overtreffen op zowel de fitting- als de classificatietaak, en dat de betekenis van het papier ligt in het vaststellen van een hiërarchie onder de kwantummodellen in plaats van het demonstreren van een kwantumvoordeel ten opzichte van klassieke computing.