Physics-inspired Generative AI models via real hardware-based noisy quantum diffusion

In de snel evoluerende wereld van kunstmatige intelligentie is een specifiek type computerprogramma opgekomen dat uitblinkt in het creëren van nieuwe, originele inhoud. Deze systemen, bekend als generatieve modellen, leren de verborgen patronen binnen een verzameling bestaande gegevens — zoals duizenden foto's — en gebruiken die kennis vervolgens om nieuwe afbeeldingen te verzinnen die er net zo echt uitzien. Een van de krachtigste methoden hiervoor wordt een diffusiemodel genoemd. Stel je een proces voor waarbij een heldere afbeelding langzaam, stap voor stap, wordt omgezet in statische ruis, zoals televisiesneeuw. Een diffusiemodel leert dit proces om te keren. Het is getraind om van een scherm vol willekeurige ruis stapsgewijs de chaos weg te pellen, totdat er een samenhangend beeld verschijnt. Deze techniek is een hoeksteen geworden van moderne creatieve technologie, in staat om verbluffende beelden en geluiden te produceren.

Tegelijkertijd verkennen wetenschappers een ander soort rekenkracht gebaseerd op de vreemde regels van de kwantummechanica. In tegen tegenstelling tot de computers die we dagelijks gebruiken, die informatie verwerken als eenvoudige aan- of uit-schakelaars, maken kwantumcomputers gebruik van deeltjes die tegelijkertijd in meerdere toestanden kunnen bestaan. Dit stelt hen in staat om bepaalde complexe problemen op manieren op te lossen die klassieke machines niet kunnen. De huidige kwantumcomputers zijn echter nog in een vroege fase. Ze zijn klein, fragiel en gevoelig voor fouten veroorzaakt door een fenomeen dat bekend staat als kwantumruis. Deze ruis verstoort meestal berekeningen, waardoor onderzoekers enorme middelen moeten besteden aan het proberen te repareren of te verbergen ervan. De vraag die een nieuwe lijn onderzoek drijft, is of deze luidruchtige machines iets nuttigs kunnen doen ondanks hun gebreken, of dat ze moeten wachten tot ze perfect zijn voordat ze van enige waarde zijn.

Een team van onderzoekers van de Universiteit van Florence en andere instellingen heeft een gedurfde stap gezet in het beantwoorden van deze vraag. In plaats van te proberen de ruis in hun kwantumcomputer te elimineren, besloten ze de ruis als een hulpmiddel te gebruiken. Ze ontwikkelden een nieuwe manier om een beeldgenererende AI te bouwen die direct op een echte, imperfecte kwantumprocessor draait. Hun werk suggereert dat de ruis die normaal gesproken kwantumcalculaties verstoort, een generatief model juist kan helpen om betere afbeeldingen te creëren dan een puur klassieke benadering. Door de kwantumruis niet als een fout, maar als een kenmerk te behandelen, hebben ze een pad naar voren gewezen voor kunstmatige intelligentie die werkt met de hardware die we vandaag hebben, in plaats van te wachten op de hardware van morgen.

De onderzoekers begonnen met het bestuderen van hoe informatie door een netwerk beweegt. In hun model behandelden ze elke pixel van een afbeelding als een reiziger die over een kaart beweegt. In een standaardcomputer beweegt deze reiziger willekeurig, zoals een persoon die een munt opgooit om te beslissen welke straat hij als volgende neemt. Dit is een traag, diffuus proces. In een kwantumsysteem kan de reiziger echter op veel plaatsen tegelijkertijd zijn, waarbij hij zich in een golfachtig patroon door de kaart beweegt dat veel sneller verspreidt. Het team creëerde een hybride systeem waarbij de beweging van de reiziger een mix is van zowel de langzame, willekeurige stappen van een klassieke computer als de snelle, golfachtige verspreiding van een kwantumcomputer. Ze ontdekten dat wanneer ze deze twee gedragingen precies goed in balans brachten, het systeem de mogelijkheden van de afbeelding efficiënter verkende.

Om dit te testen, richtten ze zich op het genereren van afbeeldingen van handgeschreven cijfers, een standaardtest voor kunstmatige intelligentie. Ze vervingen de stap van willekeurige ruisinjectie van de standaard AI-procedure door hun nieuwe kwantumgeïnspireerde methode. In het eerste deel van hun studie simuleerden ze dit proces op krachtige klassieke computers om te zien hoe verschillende mengelingen van kwantum- en klassiek gedrag zouden presteren. Ze ontdekten dat een specifieke mix, waarbij de kwantumeffecten aanwezig waren maar niet overweldigend, de beste resultaten opleverde. De gegenereerde afbeeldingen met deze hybride methode waren statistisch gezien dichter bij de echte trainingsgegevens dan die geproduceerd door een puur klassieke methode. Het systeem was ook consistenter en produceerde betrouwbaarder hoogwaardige resultaten bij vele verschillende pogingen.

Geënthousiasmeerd door deze simulaties, gingen het team over naar de volgende fase: het uitvoeren van het experiment op werkelijke hardware. Ze gebruikten een echte kwantumprocessor van IBM, een machine die momenteel slechts enkele honderden qubits bevat, de basisunits van kwantuminformatie. Deze specifieke machine staat bekend als luidruchtig, wat betekent dat de berekeningen er vaak door de omgeving worden verstoord. De onderzoekers ontwierpen een circuit dat slechts vier qubits gebruikte om afbeeldingen te genereren. Ze brachten de verschillende grijstinten van een pixel in kaart naar de posities op een kleine lus, of cyclus, van acht punten. De kwantumcomputer voerde vervolgens een proces uit waarbij de "walker" rond deze lus bewoog, waarbij de natuurlijke ruis van de machine hielp de gegevens op een gecontroleerde manier te verstoren.

De resultaten waren opmerkelijk. Zelfs met de beperkingen van de huidige hardware slaagde de kwantumcomputer erin om afbeeldingen van handgeschreven cijfers te genereren. Hoewel de afbeeldingen niet perfect waren, bewees het experiment dat een kwantumapparaat gebruikt kon worden om het voorwaartse deel van een generatief model aan te drijven. De onderzoekers ontdekten dat de ruis die inherent is aan de machine hielp de gegevens op een manier te corrumperen die de AI later kon leren omkeren. Dit is een significante afwijking van de gebruikelijke aanpak in de kwantumcomputing, waarbij wetenschappers jarenlang proberen de ruis te onderdrukken om een schoon signaal te krijgen. Hier was de ruis de motor van het proces.

De studie benadrukte ook de praktische voordelen van deze aanpak. Omdat het kwantumgedeelte van het model alleen de intensiteitsniveaus van een enkele pixel hoefde te verwerken, groeide het aantal benodigde qubits niet mee met de grootte van de afbeelding. Ze waren in staat om volledige 28-bij-28 pixel afbeeldingen te genereren met slechts vier qubits. Deze schaalbaarheid suggereert dat zelfs kleine, luidruchtige kwantumcomputers uiteindelijk kunnen bijdragen aan het genereren van veel grotere en complexere afbeeldingen. Het team merkte op dat hoewel de door de echte hardware gegenereerde afbeeldingen iets minder scherp waren dan die van hun simulaties, dit begrijpelijk was gezien de fysieke beperkingen van de machine.

Uiteindelijk biedt dit werk een nieuw perspectief op de toekomst van kwantumkunstmatige intelligentie. Het daagt het idee uit dat kwantumcomputers perfect moeten zijn voordat ze nuttig kunnen zijn. Door aan te tonen dat de ruis van een echt kwantumapparaat kan worden ingezet om de kwaliteit van gegenereerde gegevens te verbeteren, hebben de onderzoekers een deur geopend naar een nieuw soort hybride computing. Hun bevindingen suggeren dat we in de nabije toekomst niet hoeven te wachten op foutloze kwantummachines om de voordelen van kwantum-AI te ervaren. In plaats daarvan kunnen we vandaag beginnen met het bouwen van systemen die de imperfecte, luidruchtige aard van de technologie omarmen om iets nieuws en nuttigs te creëren. De weg vooruit houdt in dat deze methoden worden verfijnd, bijvoorbeeld door de specifieke soorten ruis in verschillende machines beter te begrijpen, maar de kern van het idee — dat ruis een hulpbron kan zijn in plaats van een barrière — is aangetoond.