⚛️ quantum physics

Superposed parameterised quantum circuits

Dit artikel introduceert supergepositioneerde geparametreerde kwantumkringen, een nieuw architectuurconcept dat door het combineren van flip-flop kwantumgeheugen en herhaal-tot-succes-protocollen exponentieel veel submodellen in één circuit verenigt en via niet-lineaire amplitude-transformaties de expressiviteit en schaalbaarheid van kwantummachinelearning aanzienlijk verbetert ten opzichte van bestaande methoden.

Oorspronkelijke auteurs: Viktoria Patapovich, Maniraman Periyasamy, Mo Kordzanganeh, Alexey Melnikov

Gepubliceerd 2026-02-17

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Viktoria Patapovich, Maniraman Periyasamy, Mo Kordzanganeh, Alexey Melnikov

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

Superposeren van Quantum Circuits: Een Simpele Uitleg

Stel je voor dat je een zeer slimme robot wilt bouwen die complexe patronen kan leren herkennen, zoals het onderscheiden van een hond van een kat op een foto, of het voorspellen van de prijs van een huis. In de klassieke wereld (onze huidige computers) gebruiken we hiervoor "neuronale netwerken". Dit zijn als het ware lagen van rekenunits die informatie doorgeven en steeds complexere beslissingen nemen.

Quantum-computers hebben het potentieel om dit veel sneller te doen, maar tot nu toe hadden ze een groot probleem: ze waren te "lineair". Ze konden alleen rechte lijnen trekken, terwijl de echte wereld vol zit met kromme lijnen en ingewikkelde vormen.

De auteurs van dit paper (van Terra Quantum AG) hebben een nieuwe manier bedacht om dit probleem op te lossen. Ze noemen het Superposed Parameterised Quantum Circuits (SPQC). Laten we dit uitleggen met een paar creatieve vergelijkingen.

1. Het Probleem: De Eenzame Kunstenaar

Stel je een quantum-computer voor als een enkele kunstenaar die een schilderij maakt. Deze kunstenaar heeft een set verf (parameters) en een canvas (data).

Het oude probleem: Als je deze kunstenaar vraagt om 100 verschillende versies van een schilderij te maken, moet je hem 100 keer achter elkaar laten werken. Dat kost tijd.
Of: Je kunt 100 kunstenaars tegelijkertijd inhuren, maar dat kost enorm veel geld en ruimte (in quantum-taal: te veel qubits).
De beperking: Zelfs als je veel kunstenaars hebt, kunnen ze alleen "rechte lijnen" schilderen. Ze kunnen geen complexe, kromme vormen maken die nodig zijn om echte patronen te begrijpen.

2. De Oplossing: De "Magische Bibliotheek" (FFQRAM)

De auteurs gebruiken een truc genaamd Flip-Flop Quantum Random Access Memory (FFQRAM).

Stel je voor dat je in plaats van 100 aparte kunstenaars, één super-slimme kunstenaar hebt die in een magische bibliotheek werkt.

In deze bibliotheek staan 100 verschillende sets instructies (parameters) op de planken.
Dankzij het quantum-principe van superpositie kan deze ene kunstenaar alle 100 instructies tegelijkertijd lezen en toepassen. Het is alsof hij in 100 verschillende werelden tegelijk aan het schilderen is, maar allemaal op hetzelfde moment op één canvas.
Het voordeel: Je gebruikt niet 100 keer zoveel ruimte (qubits), maar slechts een handjevol extra "planken" (adres-qubits) om alle instructies tegelijk te benaderen. Het is alsof je een hele fabriek in een klein kastje past.

3. De Magie: De "Kromme Lijn-Machine" (RUS)

Nu hebben we nog steeds het probleem dat de kunstenaar alleen rechte lijnen kan maken. De echte wereld is echter krom. Hoe maak je een quantum-computer niet-lineair (krom)?

Ze gebruiken een techniek genaamd Repeat-Until-Success (RUS).

De analogie: Stel je voor dat de kunstenaar een dobbelsteen gooit. Als hij een "6" gooit, mag hij zijn schilderij afmaken. Als hij een "1" gooit, moet hij het canvas wissen en opnieuw beginnen.
De truc: De kans om een "6" te gooien hangt af van hoe de verf er tot nu toe uitziet. Als de verf al een bepaalde vorm heeft, is de kans op succes anders dan als de verf nog leeg is.
Het resultaat: Door dit proces te herhalen en alleen de "succesvolle" schilderijen te houden, verandert de kunstenaar zijn manier van werken. Hij leert plotseling kromme lijnen te maken. In de quantum-wereld noemen we dit een polynoom-activatie. Het is alsof je de kunstenaar een nieuwe, krachtige penseel geeft die alleen werkt als de vorige penseelstreken perfect waren.

4. Wat hebben ze bewezen?

De auteurs hebben dit getest op twee simpele maar belangrijke taken:

De Trapfunctie (Regressie):
- De taak: Een lijn tekenen die plotseling omhoog springt (zoals een trap).
- Het resultaat: De oude quantum-modellen maakten een zachte, wazige bocht. Het nieuwe SPQC-systeem tekende de scherpe trap perfect, zelfs met heel weinig middelen. De fout was 1000 keer kleiner dan bij de oude methoden.
De Ster (Classificatie):
- De taak: Herkennen of een punt binnen of buiten een vijfpuntige ster ligt. De randen van een ster zijn heel krom en ingewikkeld.
- Het resultaat: Door de "kromme lijn-machine" (de niet-lineaire activatie) toe te voegen, werd het model veel slimmer. Het haalde een hogere nauwkeurigheid en maakte minder fouten dan de modellen zonder deze truc.

Samenvatting in één zin

Deze paper introduceert een slimme quantum-methode die duizenden verschillende modellen tegelijk laat werken (door superpositie) en ze leert om kromme lijnen te tekenen (door slimme herhaling), waardoor ze veel beter kunnen leren dan de quantum-computers van vandaag.

Het is alsof je van een enkele, stijve robot een team van duizenden flexibele kunstenaars maakt die in één klap een meesterwerk kunnen schilderen.

Titel: Superposed Parameterised Quantum Circuits (SPQC)

Auteurs: Viktoria Patapovich, Maniraman Periyasamy, Mo Kordzanganeh, Alexey Melnikov (Terra Quantum AG)

1. Het Probleem

Quantum Machine Learning (QML) heeft potentie voor analyse van hoogdimensionale data, maar bestaande benaderingen, zoals Parameterised Quantum Circuits (PQC), kampen met fundamentele beperkingen die hun expressiviteit en schaalbaarheid belemmeren in vergelijking met klassieke diepe neurale netwerken:

Lineariteit: Standaard PQCs implementeren lineaire unitaire operaties. Zelfs met variabele parameters blijven ze beperkt tot lineaire beslissingsgrenzen in een feature space, wat vergelijkbaar is met kernel-methoden. Ze missen de niet-lineaire tussenrepresentaties die cruciaal zijn voor het leren van complexe patronen in diepe netwerken.
Gedeelde Parameters: Veel bestaande modellen gebruiken gedeelde trainbare parameters over verschillende outputs, wat de onafhankelijkheid van sub-modellen beperkt.
Barren Plateaus en Local Minima: Diepe, willekeurig geïnitieerde circuits lijden vaak onder exponentieel afnemende gradiënten (barren plateaus) of een exponentieel toenemend aantal sub-optimale lokale minima.
Resource-inefficiëntie: Het creëren van ensemble-modellen door meerdere circuits parallel te draaien vereist lineair meer qubits en gate-depth, wat onhaalbaar is voor huidige NISQ-hardware (Noisy Intermediate-Scale Quantum).

2. Methodologie: SPQC Architectuur

De auteurs introduceren Superposed Parameterised Quantum Circuits (SPQC) als een oplossing die twee geavanceerde technieken combineert om de bovengenoemde beperkingen te overwinnen:

A. Flip-Flop Quantum Random Access Memory (FFQRAM)

Doel: Het laden van een exponentieel aantal verschillende parameter sets ( $L = 2^m$ ) in één enkele circuit-uitvoering.
Werking: In plaats van $L$ fysieke circuits te dupliceren, wordt een adresregister van $m$ qubits gebruikt. Door deze in een uniforme superpositie te brengen en vervolgens uniform gecontroleerde rotaties toe te passen, worden $L$ verschillende parameter sets $\{\theta^{(j)}\}$ geladen op één data-register.
Voordeel: Dit reduceert de resource-overhead van lineair naar logaritmisch ( $m = \log_2 L$ extra qubits), waardoor veel sub-modellen coherent parallel kunnen worden uitgevoerd.

B. Repeat-Until-Success (RUS) Protocollen

Doel: Het introduceren van niet-lineaire activatiefuncties.
Werking: RUS gebruikt ancilla-qubits en post-selectie. Het protocol herhaalt een sub-circuit totdat een specifieke meetuitkomst (succes) wordt behaald.
Niet-lineariteit: Omdat de succeswaarschijnlijkheid afhankelijk is van de amplitude van de data-toestand, resulteert de gepost-selekteerde transformatie in een niet-lineaire functie van de amplitudes. Door meerdere kopieën van een laag te dupliceren en post-selectie toe te passen op identieke uitkomsten, kunnen polynoom-activaties (bijv. kwadratisch $f(p) = p^2$ ) worden gerealiseerd.

C. De Geïntegreerde Architectuur

Een SPQC-laag bestaat uit drie stappen:

Parallelisatie: FFQRAM laadt $L$ onafhankelijke parameter sets in superpositie.
Berekening: De variabele lagen worden op het data-register uitgevoerd.
Niet-lineariteit: Een RUS "gearbox" past een polynoom-activatie toe op de amplitudes van de uitkomsten, waarna de output coherent wordt doorgegeven aan de volgende laag (analoog aan een klassiek MLP).

3. Belangrijkste Bijdragen

Overcoming Linearity: Het is de eerste architectuur die expliciete, trainbare niet-lineaire activaties (polynomen) integreert in een quantum circuit zonder de noodzaak van klassieke feedback of mid-circuit metingen die coherentie verbreken.
Efficiënte Ensemble Learning: Het toont aan dat ensemble-methoden (bagging) in de quantum domein kunnen worden geschaald met slechts logaritmische qubit-overhead via FFQRAM, in plaats van lineaire overhead.
Analytisch Kader: De auteurs bieden een analytische beschrijving van hoe meerdere parameter sets parallel worden getraind en hoe amplitude-transformaties de representatieve kracht vergroten.

4. Resultaten (Numerieke Experimenten)

De auteurs testten SPQCs op twee synthetische datasets en vergeleken ze met standaard PQCs:

A. 1D Regressie (Stapfunctie)

Opdracht: Het voorspellen van een vierkante golf (discontinue functie).
Vergelijking: Een SPQC met 2 data-qubits en 2 FFQRAM-ancilla's (4 sub-modellen) versus een PQC met dezelfde totale parameteraantal maar 4x de diepte.
Resultaat: De SPQC verlaagde de Mean Squared Error (MSE) met drie ordes van grootte ten opzichte van de PQC. De SPQC kon de discontinuïteiten veel scherper benaderen, zelfs zonder expliciete activatielaag.
Schaalbaarheid: Het verhogen van het aantal ancilla-qubits ( $m$ ) van 1 naar 4 leidde tot een drastische verbetering in nauwkeurigheid, waarbij $m=4$ de beste bias-variatie balans gaf.

B. 2D Classificatie (Ster-vorm)

Opdracht: Classificatie van punten binnen of buiten een complexe, niet-lineaire ster-vorm.
Vergelijking: Lineaire SPQC versus een SPQC met een kwadratische activatie (via RUS).
Resultaat:
- De kwadratische SPQC bereikte een nauwkeurigheid van 81,4% (tegenover 80,4% voor de lineaire versie).
- De variatie tussen runs werd met een factor 3 verlaagd, wat wijst op stabielere convergentie.
- De Mean Absolute Error (MAE) daalde met ongeveer 8%.

5. Betekenis en Toekomstperspectief

Hardware-efficiëntie: SPQCs bieden een route naar diepere, meer expressieve quantum circuits zonder de exponentiële qubit-kost die traditionele ensemble-methoden met zich meebrengen.
Brug naar Deep Learning: Door elementen van klassieke deep learning (bagging en niet-lineaire activaties) te vertalen naar quantum circuits, benadert de expressiviteit van SPQCs die van klassieke netwerken, terwijl ze profiteren van de exponentiële feature space van quantum systemen.
Beperkingen en Uitdagingen: De huidige beperking ligt in de "shot overhead" door post-selectie (succeswaarschijnlijkheid daalt met de orde van de activatie). Toekomstig werk moet zich richten op het optimaliseren van RUS-protocollen, het gebruik van amplitude-versterking, en het integreren van foutcorrectie om de coherentie te behouden op ruisgevoelige hardware.

Conclusie:
Dit werk positioneert SPQCs als een veelbelovende architectuur voor de volgende generatie Quantum Machine Learning. Het lost het probleem van lineaire beperkingen op en biedt een schaalbare methode voor het trainen van complexe, niet-lineaire quantum modellen, wat essentieel is voor het bereiken van een daadwerkelijk quantum voordeel in praktische toepassingen.