Comparing Classical and Quantum Variational Classifiers on the XOR Problem

Deze studie vergelijkt variatiekwantumclassificatoren met klassieke modellen op het XOR-probleem en concludeert dat hoewel diepere kwantumcircuits de nauwkeurigheid van neurale netten kunnen evenaren, ze geen empirisch voordeel bieden in robuustheid of efficiëntie.

De kern

De Kernvraag: Is een quantumcomputer slimmer dan een gewone computer?

Stel je voor dat je twee leerlingen hebt die een moeilijke puzzel moeten oplossen: het XOR-probleem.
Deze puzzel is als een spelletje "Wie is wie?" met vier situaties:

1. Geen van beide knoppen ingedrukt = Nee (0).
2. Alleen knop A ingedrukt = Ja (1).
3. Alleen knop B ingedrukt = Ja (1).
4. Beide knoppen tegelijk ingedrukt = Nee (0).

Het lastige is: je kunt dit niet oplossen met één rechte lijn (zoals een simpele scheidslijn op een voetbalveld). Je hebt een gekromde lijn nodig om de "Ja's" van de "Neen's" te scheiden.

De auteurs van dit paper hebben gekeken of een nieuwe quantumcomputer (een Variational Quantum Classifier) dit beter kan dan een ouderwetse computer (een klassiek neuraal netwerk).

---

De Drie Spelers

Om dit te testen, hebben ze drie soorten "leerlingen" op de proef gesteld:

1. De Strakke Lijn (Logistische Regressie):
   Dit is een simpele leerling die denkt dat alles in rechte lijnen moet. Hij probeert een rechte lijn te trekken tussen de punten.

   • Resultaat: Hij faalt volledig. Hij kan de puzzel niet oplossen, omdat de oplossing een gekromde lijn vereist. Het is alsof je probeert een bolle appel te snijden met een rechte mesbeweging; het lukt niet goed.

2. De Slimme Klassieker (MLP - Neuraal Netwerk):
   Dit is een ervaren leerling die mag tekenen met gekromde lijnen. Hij heeft een "geheime laag" waar hij patronen in kan zoeken.

   • Resultaat: Hij lost de puzzel perfect op. Hij tekent precies de juiste gekromde lijn.

3. De Quantum-Exoot (VQC - Variational Quantum Classifier):
   Dit is de nieuwe, exotische leerling. Hij werkt met qubits (kwantum-bits). In plaats van 0 of 1, kan hij in een soort "tussenstand" verkeren (superpositie) en met andere qubits "praten" (verstrengeling).

   • De Twist: De quantum-leerling heeft een diepte (aantal lagen in zijn circuit).
     • Kleine diepte (L=1): Te simpel. Hij gedraagt zich net als de "Strakke Lijn" en faalt.
     • Grote diepte (L=2): Hij krijgt meer lagen en complexere regels. Plotseling kan hij net zo goed als de "Slimme Klassieker" de gekromde lijn tekenen.

---

De Grote Vergelijking: Wat leerden ze?

De onderzoekers hebben de prestaties vergeleken en kwamen tot verrassende conclusies:

1. Het gaat om de "Architectuur", niet om de "Technologie"

Het belangrijkste inzicht is: Het maakt niet uit of je quantum of klassiek bent; het maakt uit of je complex genoeg bent.

• Een simpele quantumcomputer (kleine diepte) is net zo dom als een simpele klassieke computer voor deze taak.
• Een complexe quantumcomputer (grote diepte) is net zo slim als een complexe klassieke computer.
• Vergelijking: Het is alsof je een fiets (klassiek) en een racefiets (quantum) vergelijkt. Als je alleen maar een rechte weg moet rijden, doet de simpele fiets het prima. Maar als je een heuvel op moet (de XOR-puzzel), heb je een fiets met versnellingen nodig. Of je nu een gewone fiets of een racefiets hebt, als je geen versnellingen hebt, kom je niet boven.

2. De Quantumcomputer is trager en "ruimer"

Hoewel de quantumcomputer (met genoeg lagen) net zo goed scoorde als de klassieke computer (beiden haalden 100% juistheid), waren er grote verschillen:

• Snelheid: De klassieke computer was veel sneller in het leren. De quantumcomputer deed er enorm veel langer over, zelfs in simulatie.
• Nauwkeurigheid: De klassieke computer gaf iets "scherpere" antwoorden (lagere foutmarge in de berekening), terwijl de quantumcomputer iets "vager" bleef, ook al was het eindresultaat goed.
• Vergelijking: De klassieke computer is als een snelle, precieze chef-kok die in 10 minuten een perfecte maaltijd maakt. De quantumcomputer is als een chef-kok met magische krachten die ook een perfecte maaltijd maakt, maar daar 2 uur voor doet en soms de smaak net iets minder precies afstemt.

3. De "Ruis" van de echte wereld

De auteurs testten de quantumcomputer ook op een echte quantumchip (bij IBM), niet alleen in een simpele computer.

• Hier bleek dat de echte hardware "ruis" introduceert. De lijn die de quantumcomputer tekende, was niet meer perfect glad, maar zag eruit alsof er kleine trillingen of ruis in zat.
• Vergelijking: Stel je voor dat je in een stil lokaal (simulatie) een tekening maakt. Dat is perfect. Maar als je diezelfde tekening maakt in een drukke fabriekshal met trillende vloeren (echte hardware), wordt je lijn een beetje onrustig en onzeker, ook al herken je het plaatje nog steeds.

---

Conclusie: Wat betekent dit voor ons?

De boodschap van dit paper is nuchter maar belangrijk:

Voor simpele taken zoals het XOR-probleem heeft quantumcomputing op dit moment geen praktisch voordeel boven de gewone computer.

• De klassieke computer is sneller, goedkoper en net zo slim.
• De quantumcomputer kan het wel, maar alleen als je hem complex genoeg maakt, en dan is hij nog steeds trager en minder stabiel door de ruis van de hardware.

De les voor de toekomst:
Quantumcomputers zijn niet per se "slimmer" dan gewone computers. Ze zijn gewoon een ander gereedschap. Voor simpele puzzels is de hamer (klassieke computer) beter dan de laser (quantumcomputer). Maar misschien zijn er in de toekomst wel puzzels die zo complex zijn dat alleen de laser het kan oplossen. Voor nu moeten we eerst nog veel leren over hoe we die lasers (quantumcircuits) stabiel en snel genoeg kunnen maken.

Technische samenvatting

Titel: Vergelijking van Klassieke en Variatiekwantum Classificatoren op het XOR-probleem

Auteurs: Miras Seilkhan en Adilbek Taizhanov

---

1. Probleemstelling

Het artikel onderzoekt de prestaties van variatiekwantum classifiers (VQC) in vergelijking met klassieke machine learning-modellen, specifiek op het XOR-probleem (Exclusive OR).

• Aard van het probleem: XOR is een fundamenteel, lineair onafscheidbaar classificatieprobleem. Lineaire modellen (zoals logistieke regressie) kunnen dit probleem niet oplossen zonder niet-lineaire transformaties.
• Doel: Het doel is om te bepalen of kwantummodellen, die gebruikmaken van principes zoals superpositie en verstrengeling in hoge-dimensionale Hilbertruimtes, een voordeel bieden ten opzichte van klassieke neurale netwerken voor dit specifieke type taak. De studie focust op expressiviteit, robuustheid tegen ruis en trainingskosten.

2. Methodologie

De auteurs hebben een uitgebreide experimentele opzet ontwikkeld om verschillende modellen onder gecontroleerde omstandigheden te vergelijken.

Datasets:
Drie synthetische datasets werden gebruikt:

1. Dataset A: Schoon, discreet XOR (de vier basispunten).
2. Dataset B: Geclusterd XOR met additieve Gaussische ruis (variabele standaardafwijking $\sigma$ en aantal samples per cluster). Dit is de hoofdbenchmark.
3. Dataset C: Continu XOR (gebaseerd op een drempelwaarde), voornamelijk voor kwalitatieve analyse.

Modellen:

• Klassieke Baselines:
  • Logistieke Regressie (LR): Een lineaire classifier (verwacht te falen).
  • Multilayer Perceptron (MLP): Een neuraal netwerk met één verborgen laag. De breedte ($h$) varieerde, maar de hoofdvergelijking gebruikte $h=4$.
• Kwantum Model:
  • Variatiekwantum Classifier (VQC): Een hybride model met een variatiekwantumcircuit.
  • Architectuur: 2 qubits, hoek-encoding (angle encoding) voor de input, en een ansatz (trainbaar circuit) met diepte $L \in \{1, 2\}$.
  • Training: Geoptimaliseerd via klassieke optimizers (Adam/Gradient Descent) om de binary cross-entropy loss te minimaliseren.
  • Simulatie vs. Hardware: Experimenten werden uitgevoerd in een analytische (schot-vrije) simulatie, met eindige schots (128 en 1024 shots), en op echte IBM Quantum hardware.

Evaluatiemetrics:

• Nauwkeurigheid (Accuracy).
• Binary Cross-Entropy (BCE) verlies.
• Trainingsduur (wall-clock time).
• Beslisgrenzen (decision boundaries) en robuustheid tegen ruis en datasetgrootte.

3. Belangrijkste Resultaten

Expressiviteit en Circuit Diepte:

• Lineaire modellen en VQC($L=1$): Beide modellen faalden om het XOR-probleem betrouwbaar op te lossen. De VQC met diepte 1 kon de niet-lineaire structuur niet voldoende uitdrukken, wat resulteerde in nauwkeurigheden rond het willekeurige niveau (ongeveer 50-53%).
• MLP en VQC($L=2$): Zowel de MLP ($h=4$) als de VQC met diepte 2 bereikten perfecte testnauwkeurigheid (100%) op de representatieve instellingen. Dit bevestigt dat circuitdiepte de bepalende factor is voor de expressiviteit van de VQC; een diepere circuitstructuur is noodzakelijk om de XOR-geometrie te modelleren.

Prestatievergelijking (MLP vs. VQC($L=2$)):

• Nauwkeurigheid: Beide modellen presteerden gelijk op qua nauwkeurigheid over verschillende ruisniveaus en datasetgroottes.
• Verlies (BCE): De MLP behaalde consistent een lager binary cross-entropy verlies dan de VQC, zelfs bij perfecte nauwkeurigheid. Dit suggereert dat de MLP scherpere waarschijnlijkheidsschattingen levert.
• Trainingskosten: De VQC was aanzienlijk trager om te trainen. Hoewel de VQC minder trainbare parameters had (12 voor $L=2$ vs. 17 voor MLP), duurde het trainen van de VQC in simulatie orders van grootte langer (bijv. ~1776s voor VQC vs. ~0.05s voor MLP) vanwege de kosten van het simuleren van kwantumcircuits.

Robuustheid en Hardware-effecten:

• Ruis: Beide modellen toonden een vergelijkbare degradatie in prestatie bij toenemende Gaussische ruis.
• Hardware-inferentie: Bij uitvoering op echte IBM Quantum hardware bleef de globale XOR-structuur behouden, maar introduceerde het apparaat gestructureerde afwijkingen in de continue beslissingsfunctie. De gemiddelde absolute afwijking tussen simulatie en hardware bedroeg ongeveer 0.118. Hoewel de nauwkeurigheid (discreet) gelijk bleef, waren de onderliggende functiewaarden vervormd door device-ruis (gate errors, readout bias).

4. Kernbijdragen

1. Expressiviteit als doorslaggevende factor: De studie toont aan dat het succes op het XOR-probleem wordt bepaald door de architecturale expressiviteit (diepte van het circuit of grootte van het neurale netwerk) en niet door het gebruik van kwantumberekening op zich.
2. Rol van Circuitdiepte: Voor VQCs is een minimale diepte ($L=2$ in dit geval) vereist om niet-lineaire problemen op te lossen; ondiepe circuits ($L=1$) zijn ontoereikend.
3. Efficiëntie-analyse: Voor lage-dimensionale taken biedt de huidige generatie variatiekwantummodellen geen empirisch voordeel in efficiëntie of loss-metrics ten opzichte van klassieke neurale netwerken.
4. Hardware-validatie: Het artikel benadrukt dat nauwkeurigheid alleen niet voldoende is om hardware-prestaties te beoordelen; analyse van de continue beslissingsfunctie onthult gestructureerde fouten die door hardware-ruis worden geïntroduceerd, zelfs als de classificatienauwkeurigheid perfect blijft.

5. Betekenis en Conclusie

De studie concludeert dat voor eenvoudige niet-lineaire taken zoals XOR, klassieke neurale netwerken de superieure keuze blijven vanwege hun trainings-efficiëntie en betere kalibratie van uitkomsten. Variatiekwantum classifiers kunnen weliswaar vergelijkbare nauwkeurigheid bereiken, maar doen dit ten koste van aanzienlijk meer rekentijd en zonder duidelijke voordelen in robuustheid of loss-prestaties binnen de onderzochte configuraties.

De resultaten onderstrepen dat kwantumvoordelen waarschijnlijk pas zullen ontstaan in complexere, hogedimensionale problemen waar klassieke modellen tegen representatieve limieten aanlopen, en benadrukken het belang van het bestuderen van de interactie tussen circuitdiepte, ruis en optimalisatie in variatiekwantumalgoritmen.