⚛️ quantum physics

Encoding Numerical Data for Generative Quantum Machine Learning

Dit paper introduceert een Gray-code-encodingstrategie die de prestaties van generatieve quantummachinelearning-modellen verbetert door kunstmatige correlaties te vermijden en de oorspronkelijke datastructuur te behouden, wat leidt tot sneller en accurater leren vergeleken met standaard binaire encoding.

Oorspronkelijke auteurs: Michael Krebsbach, Florentin Reiter, Thomas Wellens, Hagen-Henrik Kowalski, Ali Abedi

Gepubliceerd 2026-03-25

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Michael Krebsbach, Florentin Reiter, Thomas Wellens, Hagen-Henrik Kowalski, Ali Abedi

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 Kern: Hoe we cijfers "vertalen" voor een quantumcomputer

Stel je voor dat je een quantumcomputer wilt trainen om nieuwe, realistische data te bedenken. Bijvoorbeeld: nieuwe foto's van handen, of nieuwe beurscijfers. Dit noemen we Generatieve Quantum Machine Learning.

Het probleem is echter dat quantumcomputers heel specifiek zijn: ze werken alleen met 0-en en 1-en (zoals een lichtschakelaar die aan of uit is). Maar de echte wereld bestaat uit getallen (zoals 3,14 of 105,7).

Om de quantumcomputer iets te leren, moeten we die echte getallen eerst omzetten in een rijtje 0-en en 1-en. Dit noemen we coderen.

De auteurs van dit paper ontdekten dat de manier waarop je die vertaling doet, enorm belangrijk is. Als je het verkeerd doet, leert de computer niets. Als je het slim doet, leert hij razendsnel.

De Verkeerde Manier: De "Standaard" Vertaling

Stel je voor dat je een ladder hebt met sporten.

Sport 1 is 001
Sport 2 is 010
Sport 3 is 011
Sport 4 is 100

In de standaard methode (die de meeste mensen gebruiken) is het zo dat als je van sport 3 naar sport 4 gaat, je drie schakelaars tegelijk moet omzetten (van 011 naar 100).

De Analogie:
Stel je voor dat je een robot hebt die een muur moet beklimmen. Als hij van de ene sport naar de volgende moet, moet hij ineens drie handen en voeten tegelijk verplaatsen. Dat is onmogelijk voor een robot die maar één beweging per seconde kan maken. Hij raakt in de war, valt af, en weet niet meer hoe hij moet klimmen.

In de quantumwereld betekent dit: als twee getallen die heel dicht bij elkaar liggen (zoals 3 en 4), worden vertaald naar bitreeksen die heel ver van elkaar liggen (veel verschillen), moet de quantumcomputer ingewikkelde, onnatuurlijke verbindingen maken om dit te begrijpen. Het is alsof je probeert een verhaal te vertellen waarbij elke zin volledig ongerelateerd is aan de vorige.

De Slimme Manier: De "Gray Code"

De auteurs van het paper zeggen: "Wacht even, we hebben een betere manier!" Ze gebruiken een oude techniek uit de elektronica genaamd Gray Code.

Bij deze methode is het zo dat als je van sport 3 naar sport 4 gaat, je slechts één schakelaar hoeft om te zetten.

Sport 3: 011
Sport 4: 111 (alleen de eerste schakelaar is veranderd)

De Analogie:
Nu kan de robot de ladder beklimmen door telkens maar één hand of voet te verplaatsen. Het is een vloeiende, natuurlijke beweging. De robot (de quantumcomputer) hoeft niet te springen; hij kan gewoon "glijden" van het ene getal naar het andere.

Omdat de quantumcomputer nu ziet dat "3" en "4" heel veel op elkaar lijken (slechts één verschil), kan hij sneller begrijpen dat deze getallen ook in de echte data vaak bij elkaar horen. Hij leert de structuur van de data veel beter.

Wat hebben ze bewezen?

De onderzoekers hebben dit getest met verschillende soorten data:

Een simpele berg (Gaussische verdeling): Een piek in het midden.
- Resultaat: Met de standaard methode moest de computer heel diep en ingewikkeld worden om dit te leren. Met de Gray Code kon hij het al met een heel simpel circuit.
Meerdere bergen: Drie pieken door elkaar.
- Resultaat: De Gray Code bleef winnen. De standaard methode raakte in de war en kon de patronen niet vinden.
Tandwielen (Sawtooth): Data die niet continu is, maar schokkerig.
- Resultaat: Zelfs hier werkte de Gray Code beter.

Waarom is dit belangrijk?

Het is alsof je een kind leert lezen.

Standaard methode: Je zegt: "Het woord 'kat' begint met een K, 'koe' met een K, maar 'hond' begint met een H." En dan plotseling: "Oh, 'hond' en 'kat' lijken op elkaar omdat ze beide 3 letters hebben." Dit is verwarrend.
Gray Code methode: Je zegt: "Kijk, 'kat' en 'koe' lijken op elkaar omdat ze beginnen met dezelfde letter. Als je die letter verandert, krijg je een heel ander woord." Dit is logisch en makkelijk te onthouden.

Conclusie

Deze paper laat zien dat je niet zomaar cijfers in een quantumcomputer kunt stoppen. Je moet ze slim vertalen. Door de Gray Code te gebruiken (waarbij buren in de getallenreeks ook buren zijn in de 0-en en 1-en), maakt de quantumcomputer minder fouten, leert hij sneller en heeft hij minder "rekenkracht" nodig.

Het is een simpele truc die geen extra kosten met zich meebrengt, maar wel een enorm verschil maakt in hoe goed deze futurische computers kunnen leren.

Titel: Encoding Numerical Data for Generative Quantum Machine Learning

Auteurs: Michael Krebsbach, Florentin Reiter, Thomas Wellens, Hagen-Henrik Kowalski, Ali Abedi.
Affiliaties: Fraunhofer IAF en Bundesdruckerei GmbH.

1. Het Probleem

Generatieve Quantum Machine Learning (QML) modellen, zoals de Quantum Circuit Born Machine (QCBM), zijn ontworpen om de onderliggende kansverdeling van een dataset te leren en nieuwe synthetische samples te genereren. De meeste bestaande QML-modellen opereren echter fundamenteel op binair niveau (bitstrings).

In de praktijk is data echter vaak numeriek en continu (bijv. meetresultaten, afbeeldingen met grijswaarden). Om deze data te verwerken, moet een mapping plaatsvinden van continue waarden naar binaire representaties. Het artikel identificeert twee kritieke problemen bij het gebruik van de standaard binaire code (Standard Code - SC) voor deze mapping:

Valse correlaties: De standaardcode behoudt niet de nabijheid van getallen. Bijvoorbeeld, de binaire representaties van de opeenvolgende getallen 3 (011) en 4 (100) verschillen in drie bits (Hamming-afstand 3). Dit dwingt het quantummodel om complexe, niet-lokale correlaties (verstrengeling) te leren die puur een artefact zijn van de codering en niet van de data zelf.
Verlies van structuur: De oorspronkelijke structuur van de data (bijv. dat nabijgelegen punten vergelijkbare kansen hebben) wordt in de binaire ruimte vaak verduisterd. Dit bemoeilijkt generalisatie en training, vooral bij modellen met beperkte expressiviteit (shallow circuits).

2. Methodologie

De auteurs analyseren hoe de keuze van de binaire code de prestaties van QCBMs beïnvloedt en stellen een alternatieve strategie voor.

QCBM Architectuur: Het model gebruikt een parameteriseerde quantumcircuit (PQC) met een hardware-efficiënt Ansatz (HEA) bestaande uit $n$ qubits en $L$ lagen van $R_y$ -rotaties en CNOT-verstrengeling.
Mapping (Encoding): De kern van de studie is de functie $f: [0, 2^n-1] \to \{0,1\}^n$ $f : [0, 2^{n} - 1] \to {0, 1}^{n}$ die indices van data-representanten ( $x_j$ $x_{j}$ ) koppelt aan bitstrings ( $b$ $b$ ).
- Standaard Code (SC): Intuïtieve binaire telling. Nabijgelegen getallen kunnen ver uit elkaar liggen in Hamming-afstand.
- Random Code (RC): Een willekeurige mapping (dient als negatieve controle).
- Grijze Codes (Gray Codes): Codes waarbij opeenvolgende integers slechts één bit verschillen ( $H(f(i), f(i+1)) = 1$ $H (f (i), f (i + 1)) = 1$ ).
  - Reflected Gray Code (RGC): De meest bekende variant, die reflectiesymmetrie behoudt.
  - Monotone Gray Code (MGC): Probeert de Hamming-gewicht (aantal enen) monotoon te laten toenemen.
Trainingsdoel: Het minimaliseren van de Maximum Mean Discrepancy (MMD) tussen de gegenereerde verdeling en de doelverdeling. De loss-functie gebruikt Gaussische kernels om zowel lokale als globale verschillen te meten.

3. Belangrijkste Bijdragen

Identificatie van een over het hoofd gezien probleem: De auteurs tonen aan dat de keuze van de binaire code cruciaal is voor de trainbaarheid van generatieve QML-modellen en dat de standaardcode vaak suboptimaal is voor continue data.
Voorspraak voor Gray Codes: Ze stellen voor om de Reflected Gray Code (RGC) te gebruiken. Deze code behoudt de nabijheid van data-punten in de binaire ruimte (inductieve bias), waardoor het model eenvoudiger lokale correlaties kan leren zonder kunstmatige, complexe verstrengeling.
Geen overhead: De implementatie van RGC vereist geen extra quantumresources of diepere circuits; het is puur een verandering in de post-processing van de meetuitkomsten.
Behoud van expressiviteit: In tegenstelling tot het aanpassen van de circuit-architectuur, beperkt het gebruik van RGC de expressiviteit van het model niet; het kan nog steeds niet-continue data modelleren.

4. Resultaten

De auteurs hebben simulaties uitgevoerd met QCBMs op drie verschillende datasets:

Gecentreerde Gaussische Verdeling:
- Modellen met RGC convergeerden veel sneller (binnen ~50 epochs) en bereikten de optimale loss-waarde, zelfs zonder verstrengeling ( $L=0$ ).
- Modellen met SC hadden diepere circuits nodig ( $L \ge 3$ ) om de hoge Hamming-afstand tussen centrale data-punten te overbruggen, en convergeerden trager.
- RC faalde volledig in generalisatie.
Meerdere Gaussische Verdelingen (niet-gecentreerd):
- Zelfs zonder de specifieke symmetrie van de gecentreerde verdeling, presteerde RGC consistent beter dan SC.
- SC-modellen vertoonden een afname in prestatie bij toenemend aantal qubits (barren plateaus), terwijl RGC-modellen stabiel bleven.
- RGC was de beste code in 36 van de 42 experimenten.
Meerdere Zaagtand-Verdelingen (Discontinue data):
- RGC bleef superieur voor een breed scala aan verdelingen, inclusief niet-continue data.
- Dit bewijst dat de inductieve bias van RGC niet beperkt is tot continue functies, maar de modeltrainbaarheid algemeen verbetert.

Kernbevinding: In 82% van de numerieke simulaties presteerde de QCBM met RGC beter dan met de standaardcode, vooral in termen van convergentiesnelheid en bereikte minimum loss.

5. Betekenis en Conclusie

Het artikel concludeert dat de Reflected Gray Code een eenvoudige, maar krachtige methode is om de trainbaarheid van generatieve quantummodellen te verbeteren zonder extra hardwarekosten.

Inductieve Bias: RGC introduceert een inductieve bias die overeenkomt met de natuurlijke structuur van numerieke data (nabijheid), wat het leerproces voor het quantummodel vergemakkelijkt.
Generalisatie: Door kunstmatige correlaties te vermijden die door de standaardcode worden geïntroduceerd, verbetert het model de generalisatie naar ongezette data.
Toekomstig Onderzoek: De auteurs benadrukken dat de optimale code afhangt van de interactie tussen de codering en de circuit-architectuur (bijv. topologie van verstrengeling). Voor lineaire topologieën zijn hiërarchische codes zoals RGC en SC superieur, maar voor andere topologieën kunnen andere codes (zoals Monotone Gray Codes) beter werken.

Kortom, het artikel biedt een praktische en effectieve richtlijn voor het encoderen van numerieke data in generatieve quantumalgoritmen, wat een belangrijke stap is voor de toepassing van QML op real-world problemen.