⚛️ quantum physics

Hybrid Quantum-Classical AI for Industrial Defect Classification in Welding Images

Deze studie toont aan dat hybride quantum-klassieke AI-modellen, die gebruikmaken van geëxtraheerde beeldkenmerken en variatiekwantumcircuits, concurrerende prestaties leveren bij het classificeren van defecten in aluminiumlaswerk, wat de potentie van deze technologie voor industriële kwaliteitscontrole onderstreept.

Oorspronkelijke auteurs: Akshaya Srinivasan, Xiaoyin Cheng, Jianming Yi, Alexander Geng, Desislava Ivanova, Andreas Weinmann, Ali Moghiseh

Gepubliceerd 2026-04-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Akshaya Srinivasan, Xiaoyin Cheng, Jianming Yi, Alexander Geng, Desislava Ivanova, Andreas Weinmann, Ali Moghiseh

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

Stel je voor dat je een gigantische fabriek hebt waar metalen onderdelen worden gelast. Het is cruciaal dat deze lassen perfect zijn; een klein foutje kan er voor zorgen dat een auto of vliegtuig later in elkaar stort. Vroeger keken mensen met een loep naar de lassen, maar nu willen we robots die dit automatisch doen.

Deze paper vertelt het verhaal van hoe wetenschappers proberen kunstmatige intelligentie (AI) te gebruiken om deze lasfouten te vinden, maar met een twist: ze proberen een nieuwe, futuristische technologie genaamd quantum computing te koppelen aan de vertrouwde, oude technologie.

Hier is de uitleg, vertaald naar alledaags taal:

1. Het Probleem: Te veel informatie voor een kleine hersenen

Stel je voor dat je een lasfoto bekijkt. Die foto bestaat uit miljoenen kleine pixels (kleine puntjes). Voor een computer is dat veel te veel om direct te "lezen". Het is alsof je probeert een heel boek in één seconde te lezen.

De Oplossing (De Vertaler): De onderzoekers gebruiken eerst een slimme, klassieke computer (een CNN). Denk hierbij aan een ervaren vertaler die het hele boek leest en er een korte, krachtige samenvatting van maakt. In plaats van miljoenen pixels, heeft de computer nu een lijstje met slechts een paar belangrijke kenmerken (bijvoorbeeld: "is er een donkere lijn?" of "is het oppervlak glad?"). Dit maakt het werk voor de volgende stap veel makkelijker.

2. De Twee Nieuwe Spelers: De Quantum-robots

Nu de samenvatting klaar is, proberen ze twee verschillende manieren om de fouten te vinden met behulp van quantumcomputers. Quantumcomputers zijn als superhersen die kunnen "dromen" van alle mogelijke oplossingen tegelijk, in plaats van ze één voor één te checken. Maar omdat deze computers nu nog klein en kwetsbaar zijn (ze noemen dit de "NISQ-tijdperk"), moeten we slim omgaan.

Manier A: De Quantum-SVM (De "Super-Ordner")

Stel je voor dat je een enorme kast met dossiers hebt. Je wilt weten welke dossiers bij elkaar horen.

Hoe het werkt: De computer neemt de samenvatting van de foto en projecteert deze in een heel vreemde, hoge ruimte (een "Hilbert-ruimte"). In deze ruimte lijken dossiers die op elkaar lijken, plotseling heel ver uit elkaar te liggen, en andersom.
De Taak: De computer moet nu een lijn trekken tussen de "goede lassen" en de "slechte lassen". Omdat het een quantumcomputer is, moet deze lijn in die vreemde ruimte worden getrokken. Ze gebruiken een speciale techniek (VQLS) om deze lijn te vinden, alsof ze een ingewikkeld raadsel oplossen door te gokken en te verbeteren tot het perfect past.
Het Resultaat: Dit werkt goed, maar het is een beetje traag en kost veel rekenkracht, alsof je een ingewikkeld raadsel probeert op te lossen terwijl je op een trampoline springt.

Manier B: De Variational Quantum Circuit (De "Lerende Robot")

Deze methode is iets anders. Stel je voor dat je een robot hebt met een paar gewrichten (de quantum-deeltjes).

Hoe het werkt: Je draait aan de gewrichten van de robot (de parameters) en kijkt of hij de goede foto's herkent. Als hij een fout maakt, draai je de gewrichten net iets anders. Je doet dit duizenden keren tot de robot perfect is getraind.
Het Resultaat: Deze robot is slimmer en sneller in het leren. Hij leert heel goed om de "goede lassen" te onderscheiden van de "slechte lassen", zelfs als er drie soorten fouten zijn.

3. De Vergelijking: Wie wint er?

De onderzoekers hebben drie teams laten strijden:

Het Klassieke Team: Alleen de vertrouwde computer (de CNN).
Team Quantum A: De "Super-Ordner".
Team Quantum B: De "Lerende Robot".

De uitslag:

Het Klassieke Team won overal. Ze waren perfect. Dit was te verwachten, want klassieke computers zijn al heel goed in het kijken naar foto's.
Team Quantum B (De Lerende Robot) deed het bijna even goed als het klassieke team! Ze haalden bijna 100% juiste antwoorden. Dit is een groot succes, want het betekent dat quantumcomputers nu al nuttig kunnen zijn, zelfs als ze nog klein zijn.
Team Quantum A (De Super-Ordner) deed het ook goed, maar was wat minder nauwkeurig en veel langzamer.

4. Waarom is dit belangrijk?

Stel je voor dat je een fabriek hebt die 24 uur per dag draait. Als je een quantumcomputer kunt gebruiken die net zo goed werkt als de dure, klassieke supercomputers, maar misschien in de toekomst minder energie verbruikt of sneller is, dan is dat een revolutie.

Deze studie laat zien dat we niet hoeven te wachten tot quantumcomputers perfect en groot zijn. We kunnen nu al een hybride systeem bouwen: de zware lifting doen door de klassieke computer (die de foto's samenvat), en de slimme beslissing laten nemen door de quantumcomputer.

Conclusie in één zin

De onderzoekers hebben bewezen dat je een quantumcomputer kunt gebruiken als een slimme "assistent" die samenwerkt met een klassieke computer om lasfouten in fabrieken te vinden, en dat deze assistent al bijna net zo goed presteert als de beste klassieke systemen van vandaag. Het is een eerste stap naar een toekomst waar quantumcomputers helpen om onze wereld veiliger en beter te maken.

Technische Samenvatting: Hybride Quantum-Klassieke AI voor Defectclassificatie in Lasers

1. Probleemstelling

In de industriële productie (zoals de automobiel- en luchtvaartsector) is geautomatiseerde kwaliteitscontrole cruciaal voor de veiligheid, met name bij lasprocessen zoals TIG (Tungsten Inert Gas) lassen. Traditionele methoden voor defectdetectie, zoals Convolutional Neural Networks (CNN's), zijn zeer succesvol maar vereisen aanzienlijke rekenkracht, vooral bij hoge resolutie en complexe modellen.

Daarnaast biedt quantum computing nieuwe mogelijkheden door principes zoals superpositie en verstrengeling te benutten. Echter, de huidige generatie quantumhardware (Noisy Intermediate-Scale Quantum of NISQ) heeft beperkingen op het gebied van het aantal qubits, gate-fideliteit en circuitdiepte. Het is momenteel niet haalbaar om hoge-resolutie beelden direct op een quantumprocessor te verwerken. De uitdaging ligt dus in het ontwikkelen van een hybride quantum-klassieke aanpak die de kracht van klassieke feature-extractie combineert met quantum-algoritmen voor classificatie, binnen de beperkingen van huidige hardware.

2. Methodologie

De auteurs presenteren een hybride architectuur die bestaat uit drie hoofdstappen:

A. Feature Extractie (Klassiek)
Vanwege de beperkingen van NISQ-hardware worden de originele lasbeelden (800x974 pixels) niet direct verwerkt. In plaats daarvan wordt een aangepast CNN (gebaseerd op "Model-1" uit eerdere studies) gebruikt als feature-extractor.

Dit netwerk comprimeert de hoge-dimensionale pixelruimte naar een lagere-dimensionale, informatieve feature-vector.
Er werden verschillende vectorgroottes getest: 7, 15, 31, 63 en 127 features.
De output van dit CNN dient als input voor zowel de klassieke benchmark als de twee quantum-modellen.

B. Benadering 1: VQLS-verbeterde QSVM (Quantum Support Vector Machine)
Deze methode vertaalt het klassieke SVM-probleem naar het quantum-domein:

Kernconstructie: De geëxtraheerde features worden genormaliseerd en ingesloten in quantum-toestanden via een geparametriseerde feature map (rotatie- en entangling gates).
Quantum Kernel: Een kernel-matrix $K$ wordt berekend via inwendige producten van deze quantum-toestanden, wat de data afbeeldt op een hogere-dimensionale Hilbert-ruimte.
Oplossing: Het optimalisatieprobleem van de SVM (het oplossen van een lineair systeem $M\alpha = b$ ) wordt opgelost met de Variational Quantum Linear Solver (VQLS). Dit is een hybride algoritme dat een variational quantum circuit (ansatz) gebruikt om de oplossing te benaderen, geoptimaliseerd door een klassieke optimizer (COBYLA).
Multiclass: Voor meer dan twee klassen wordt een "One-vs-Rest" strategie toegepast.

C. Benadering 2: VQC-gebaseerde Classificator (Variational Quantum Circuit)
Deze methode volgt een transfer-learning-achtige aanpak:

Dimensionaliteitsreductie: De klassieke feature-vector wordt lineair gereduceerd tot 4 dimensies (om te passen bij het aantal beschikbare qubits).
Quantum Embedding: De 4 features worden gecodeerd in qubits via rotatiegates ( $R_y$ ).
Variational Circuit: Een diep, maar efficiënt quantum circuit (met trainbare $R_y$ -gates en entangling $CX$-gates) verwerkt de data.
Metting en Post-processing: De qubits worden gemeten in de Pauli-Z-basis. De uitkomsten worden via een klassieke lineaire laag en een softmax-functie omgezet in class-kansen.
Training: Het model wordt getraind met cross-entropy loss en de Adam-optimizer, waarbij gradients worden berekend met de parameter-shift rule.

D. Dataset en Experimenteel Setup

Data: Een subset van een Kaggle-dataset met TIG-lasbeelden, geselecteerd voor drie klassen: Goede las, Verontreiniging (Contamination) en Gebrek aan fusie (Lack of fusion).
Splitsing: 700 beelden voor training/validatie, 400 voor testen.
Simulatie: Experimenten zijn uitgevoerd op simulatoren (Qiskit Aer en PennyLane default.qubit) omdat echte quantumhardware nog te beperkt is voor deze schaal.
Hyperparameter Tuning: Gebruik van Population-Based Training (PBT) via Ray Tune om batchgrootte, feature-grootte en qubit-configuratie te optimaliseren. De beste configuratie bleek een feature-grootte van 63 en 4 qubits te zijn.

3. Belangrijkste Resultaten

De prestaties werden vergeleken op basis van nauwkeurigheid (accuracy) en verlies (loss) voor zowel binaire (goed vs. defect) als multiclass (3 klassen) taken.

Klassieke CNN: Bereikte consequent 100% nauwkeurigheid in zowel binaire als multiclass taken over alle feature-groottes. Dit dient als sterke benchmark.
VQC-gebaseerde Classificator:
- Bereikte 99,7% nauwkeurigheid in binaire taken en 98,9% in multiclass taken (bij feature-grootte 63).
- Dit is bijna gelijk aan de klassieke CNN, maar met een veel efficiënter quantumcircuit (diepte 1).
- Toonde een uitstekend evenwicht tussen prestaties en quantum-resourcegebruik.
VQLS-verbeterde QSVM:
- Bereikte 96,8% (binaire) en 92,4% (multiclass) nauwkeurigheid.
- De prestaties waren goed, maar lager dan de VQC en de CNN.
- Nadeel: Het trainingsproces was aanzienlijk tijdrovender door de complexe iteratieve berekening van de kernel-matrix en het oplossen van het lineaire systeem. De prestaties daalden bij multiclass taken meer dan bij de VQC.

Observaties over de data:
De hoge prestaties worden deels toegeschreven aan de visuele duidelijkheid van de defecten in de dataset (bijv. een donkere lijn bij "lack of fusion"). Reflecties op de laskop leidden soms tot verwarring, maar de modellen waren over het algemeen robuust.

4. Kernbijdragen

Validatie van Hybride Modellen: Het bewijst dat hybride quantum-klassieke modellen competitief kunnen zijn met gevestigde klassieke deep learning-modellen voor industriële defectdetectie, zelfs in de NISQ-era.
Vergelijkend Onderzoek: Een gedetailleerde vergelijking van twee verschillende quantum-architecturen (kernel-methode vs. variational circuit) op een realistische industriële dataset.
Feature-Extraction Strategie: Demonstreert een effectieve workflow waarbij klassieke CNN's de dimensie van de data reduceren tot een niveau dat haalbaar is voor huidige quantumhardware.
Hyperparameter Optimalisatie: Toont het belang van zorgvuldige tuning (zoals feature-grootte en qubit-aantal) voor het maximaliseren van prestaties in hybride systemen.

5. Betekenis en Toekomstperspectief

De studie suggereert dat hybride quantum-klassieke AI al vandaag bruikbaar is voor specifieke industriële toepassingen, zoals kwaliteitsborging in de lasindustrie. Hoewel de klassieke CNN momenteel nog iets beter presteert (vooral vanwege de beperkte schaal van de quantum-experimenten), tonen de resultaten dat quantum-modellen, met name de VQC-variant, een zeer veelbelovend alternatief zijn.

Naarmate quantumhardware evolueert (meer qubits, minder ruis), kunnen deze hybride modellen schaalbaar worden voor complexere taken waar klassieke modellen misschien vastlopen op rekenkracht of generalisatieproblemen. De studie legt een fundament voor het gebruik van quantum computing in niet-destructieve testen (NDT) en geautomatiseerde inspectie.