🤖 machine learning

QeHDC: Hyperdimensional Computing based on Quantum-enhanced binding and SuperClass Construction

Dit artikel stelt QeHDC voor, een nieuw Quantum-enhanced Hyperdimensional Computing-raamwerk dat gebruikmaakt van one-pass training met sinusvormige en quantum-encodering, een op een referentietoestand gebaseerde binding-operatie, en een op een dichtheidsmatrix gebaseerde superklasse-generatiestrategie om superieure classificatieprestaties, ruisbestendigheid en computationele efficiëntie te bereiken vergeleken met bestaande klassieke en quantum benaderingen.

Oorspronkelijke auteurs: Yangjie Xu, Hui Huang, Li Ning, Radu State

Gepubliceerd 2026-06-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yangjie Xu, Hui Huang, Li Ning, Radu State

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 enorme bibliotheek probeert te organiseren waarbij elk boek niet wordt beschreven door een paar trefwoorden, maar door een unieke, gloeiende, 10.000-dimensionale "vingerafdruk". Dit is het basisidee van Hyperdimensional Computing (HDC). Het is een manier waarop computers kunnen denken die de menselijke hersenen nabootst: het gebruikt enorme, chaotische vectoren in hoge dimensies om concepten te representeren. Het is geweldig omdat het robuust is (als een klein deel van de vingerafdruk wordt uitgesmeerd, kun je het boek nog steeds herkennen) en snel.

Echter, naarmate de bibliotheek groter wordt, wordt het beheer van deze gigantische vingerafdrukken een nachtmerrie voor traditionele computers. Ze worden traag en raken het geheugen kwijt.

Maak kennis met de auteurs van dit artikel, die QeHDC voorstellen. Zie dit als een upgrade van het sorteersysteem van de bibliotheek door gebruik te maken van Quantummechanica (de natuurkunde van het zeer kleine) om de vingerafdrukken kleiner, slimmer en sneller te verwerken.

Dit is hoe ze het hebben aangepakt, onderverdeeld in eenvoudige stappen:

1. De "Krimpsnelheidsstraal" Encoder (2-Staps Hybride Encoder)

Op de oude manier had je veel computergeheugen nodig om een 10.000-dimensionale vingerafdruk te krijgen.

De Nieuwe Truc: De auteurs hebben een "krimpsnelheidsstraal" gebouwd. Ze nemen je data en rekken deze eerst uit met een standaard wiskundige truc (random projectie). Daarna gebruiken ze een speciale quantum "lens" (sinusvormige codering) om die gigantische vingerafdruk samen te persen tot een piepkleine ruimte die op slechts enkele qubits (quantum bits) past.
De Analogie: Stel je voor dat je een roman van 100 pagina's comprimeert tot één enkele, complexe origami-kraanvogel. De kraanvogel is piepklein, maar als je hem op de juiste manier uitvouwt, bevat hij nog steeds de hele informatie van het verhaal. Dit bespaart enorme hoeveelheden ruimte.

2. De "Quantumlijm" (Reference-State-Based Binding)

In de bibliotheek moet je vaak twee dingen aan elkaar plakken, zoals een "Boek" en de "Auteur" ervan. In de normale informatica vermenigvuldig je getallen om dit te doen, wat traag is.

De Nieuwe Truc: De auteurs hebben een nieuwe manier uitgevonden om dingen aan elkaar te plakken met behulp van Quantumcircuits. In plaats van alleen getallen te vermenigvuldigen, gebruiken ze een "Reference State" (een speciale, vooraf gemaakte ankerplaats) en een set quantum gates (zoals een specifieke dans van deeltjes) om de data aan elkaar te lijmen.
De Analogie: Stel je voor dat je twee puzzelstukjes hebt. In plaats van te proberen ze met brute kracht aan elkaar te dwingen (waardoor ze breken), gebruik je een speciale magnetische lijm (de reference state) die ze perfect en direct aan elkaar klikt. Deze "lijm" is veel efficiënter dan de oude methoden.

3. Het "Meesterontwerp" (SuperClass Construction)

Zodra je alle "Boeken" voor een specifieke categorie hebt samengevoegd (bijv. alle "Science Fiction"), moet je een manier hebben om ze samen te vatten in één "Meesterontwerp", zodat de computer weet hoe Science Fiction eruitziet.

De Nieuwe Truc: Ze gebruiken een wiskundig hulpmiddel genaamd een Density Matrix. Denk hierbij aan het maken van een foto van alle Science Fiction-boeken tegelijk, waarbij je ze licht vervaagt om de gemeenschappelijke "kernkenmerken" te vinden, en vervolgens de belangrijkste kenmerken selecteert om een enkel, perfect "SuperClass" sjabloon te creëren.
De Analogie: Als je 100 mensen zou vragen om een "Hond" te tekenen, krijg je 100 verschillende tekeningen. De methode van de auteurs neemt al die 100 tekeningen, vindt de gemeenschappelijke lijnen (de oren, de staart, de snuit) en maakt één perfecte "Ideale Hond" tekening die de hele groep vertegenwoordigt.

4. De "Eén-Pass" Leerfase

Traditionele AI (zoals deep learning) is als een student die een tekstboek moet lezen, een toets moet maken, faalt, opnieuw studeert en dit duizenden keren moet herhalen om te leren.

De Nieuwe Truc: QeHDC is als een genie dat het boek één keer leest, de kernpatronen onmiddellijk begrijpt en klaar is om de toets te maken.
Het Voordeel: Dit is ongelooflijk snel en heeft geen enorme rekenkracht nodig om te "trainen".

5. De Praktijktest

De auteurs hebben dit niet alleen op papier gedaan. Ze hebben hun systeem op twee manieren getest:

De Perfecte Simulator: Ze hebben het gedraaid op een supernauwkeurige computersimulatie (Qiskit Aer) waar geen ruis of fouten zijn.
De Echte Machine: Ze hebben een kleinere versie gedraaid op een echte quantumcomputer (IBM QPU) die vandaag de dag bestaat. Deze machines zijn "ruizig" (gevoelig voor fouten), zoals proberen een boek te lezen in een stormachtige wind.

Het Resultaat: Zelfs met de "stormachtige wind" van echte hardware, werkte hun methode verrassend goed. Het herkende patronen met een hoge nauwkeurigheid, wat bewijst dat deze quantumbenadering niet alleen een theorie is — het werkt ook daadwerkelijk op de huidige, bestaande technologie.

Samenvatting

Het artikel beweert dat door quantummechanica te gebruiken om data te comprimeren, concepten aan elkaar te lijmen en "Meesterontwerpen" voor categorieën te creëren, ze een nieuw type computerbrein hebben gebouwd. Dit brein is sneller, gebruikt minder geheugen en is robuuster (bestendiger tegen fouten) dan traditionele methoden, zelfs wanneer het draait op de kleine, imperfecte quantumcomputers die we vandaag de dag hebben. Ze hebben het getest op standaard datasets (zoals het herkennen van handgeschreven cijfers en gesproken letters) en vonden dat het de beste traditionele methoden evenaarde of zelfs versloeg.

Technische Samenvatting: QeHDC – Quantum-enhanced Hyperdimensional Computing

Probleemstelling
Hyperdimensional Computing (HDC) is een robuust, ruisbestendig computationeel paradigma dat gebruikmaakt van hoogdimensionale vectoren (typisch >10.000 dimensies) voor informatie-representatie en -verwerking. Hoewel effectief, kampt klassieke HDC met significante knelpunten wat betreft opslag en computationele complexiteit naarmate de data schalen en de dimensionaliteit toenemen. Traditionele bindingsoperaties (bijv. circulaire convolutie) vereisen vaak een $O(N^2)$ complexiteit, en het representeren van hoogdimensionale vectoren vereist aanzienlijk geheugen. De auteurs stellen dat het benutten van kwantummechanische eigenschappen—specifiek superpositie, verstrengeling en de geometrische eigenschappen van de Bloch-sfeer—deze architecturale beperkingen kunnen doorbreken, wat resulteert in exponentiële dimensionale compressie en efficiëntere feature-interacties.

Methodologie: Het QeHDC-framework
Het voorgestelde Quantum-enhanced Hyperdimensional Computing (QeHding) framework integreert klassieke dataprocessing met kwantumcircuit-operaties via vier kernmodules:

2-Staps Hybride Encoder:
- Klassieke Transformatie: Inputvectoren $X \in \mathbb{R}^d$ worden geprojecteerd naar een doeldimensie $n = 2^N$ (waarbij $N$ het aantal qubits is) met behulp van een willekeurige gewichtsmatrix en een bias-term.
- Kwantum Encoding: De geprojecteerde waarden worden gemapt naar complexwaardige kwantumtoestanden met behulp van een "Cross-Multiplicative" sinusvormige transformatie ( $\Phi_{re} = \cos(Z')\sin(Z)$ , $\Phi_{im} = \sin(Z')\cos(Z)$ ). Dit zorgt voor een uniforme fasehoekverdeling in de complexe ruimte, die vervolgens wordt genormaliseerd om de initiële kwantumtoestand $|\Psi\rangle$ te vormen. Deze stap reduceert impliciet de dimensie van de datarepresentatie van klassieke hoogdimensionale ruimtes naar een logaritmisch aantal qubits.
Referentie-toestand-gebaseerde Kwantum Binding:
- Om de exponentiële qubit-groei die gepaard gaat met klassieke binding te vermijden, introduceren de auteurs een gecomprimeerde bindingsoperatie.
- Een inputtoestand $|\Phi_{in}\rangle$ wordt gebonden aan een vooraf gedefinieerde referentietoestand $|\Phi_{ref}\rangle$ met behulp van een specifieke kwantumcircuit.
- Het circuit maakt gebruik van Controlled-RX (CRX) gates met een rotatiehoek van $\pi/4$ tussen corresponderende qubits van de twee registers, gevolgd door single-qubit RY-rotaties en ketenverstrengeling (CX gates) binnen het referentieregister. Dit creëert een hoogverstrengelde, gecomprimeerde kwantumrepresentatie $|\Psi_{comp}\rangle$ .
Dichtheidsmatrix-gebaseerde SuperClass Generatie:
- In plaats van vectoren te middelen, construeert het framework een "SuperClass" template voor elke klasse $c$ door de dichtheidsmatrices van alle gebonden steekproeven binnen die klasse te aggregeren: $\rho_c = \frac{1}{m} \sum |\Psi_i\rangle\langle\Psi_i|$ .
- Eigenwaarde-decompositie wordt uitgevoerd op $\rho_c$ . De eigenvector die overeenkomt met de grootste eigenwaarde ( $\lambda_{max}$ ) wordt geselecteerd als de representatieve SuperClass template staat $|\Phi_{template}\rangle$ . Deze strategie extraheert kritieke statistische kenmerken en verhoogt de robuustheid.
Single-Pass Training en Classificatie:
- Het model maakt gebruik van een one-pass trainingsmechanisme, dat slechts één data-traversal vereist om de SuperClass templates te construeren, waardoor iteratieve backpropagation wordt vermeden.
- Classificatie: Voor een teststeekproef wordt hetzelfde encoding- en bindingsproces toegepast. De klasse-label wordt voorspeld door de kwantumtoestand-fidelity te berekenen tussen de geteste gebonden toestand en elke vooraf berekende SuperClass template. De klasse met de hoogste fidelity wordt gekozen.
- Executie: Het framework wordt gevalideerd op zowel ideale ruisvrije simulators (Qiskit Aer) als echte hardware (IBM QPU), waarbij kwantumtoestand-tomografie wordt gebruikt om dichtheidsmatrices te reconstrueren voor de fidelity-berekening.

Belangrijkste Bijdragen

Dimensionale Compressie: Demonstreert dat kwantumtoestanden traditionele hoogdimensionale vectorruimtes kunnen representeren met slechts $\log_2 N$ qubits, wat de resource-overhead aanzienlijk vermindert.
Nieuw Bindingsmechanisme: Introduceert een Reference-State-Based Quantum Binding operatie met gecontroleerde rotatie- en verstrengelingsgates, die een efficiënte data-associatie bereikt zonder de exponentiële qubit-kosten van klassieke binding.
SuperClass Constructie: Stelt een Density-Matrix-Based Superclass Generatie strategie voor die eigenwaarde-decompositie gebruikt om robuuste, representatieve klasse-templates te creëren, wat de generalisatie verbetert.
Cross-Platform Verificatie: Biedt een volledig experimenteel verificatiesysteem dat het algoritme valideert op zowel high-fidelity simulators als fysieke IBM kwantumprocessors, wat de haalbaarheid in het Noisy Intermediate-Scale Quantum (NISQ) tijdperk aantoont.

Experimentele Resultaten
De auteurs evalueerden QeHDC op drie benchmark-datasets: ISOLET (spraak), MNIST (handgeschreven cijfers) en UCI HAR (menselijke activiteitsherkenning).

Prestaties: In binaire classificatietaken behaalde QeHDC een superieure nauwkeurigheid vergeleken met klassieke HDC-baselines (VanillaHD, AdaptHD, SparseHD, etc.), zelfs wanneer beperkt tot lage dimensies (16D, 32D, 64D), wat overeenkomt met 4, 5 en 6 qubits.
- Op ISOLET (64D/6 qubits) bereikte QeHDC 98,97% nauwkeurigheid.
- Op MNIST (64D/6 qubits) bereikte het 99,97% nauwkeurigheid.
- Op UCI HAR (64D/6 qubits) bereikte het 92,04% nauwkeurigheid.
Robuustheid: De methode behield een hoge prestatie naarmate het aantal klassen toenam (tot 10 klassen), waarbij het veel klassieke baselines overtrof die leden onder nauwkeurigheidsdegradatie in laag-dimensionale settings.
Hardware Haalbaarheid: Experimenten op IBM QPUs (met kleine batches) toonden aan dat, ondanks de hardware-ruis, de gereconstrueerde kwantumtoestanden voldoende structuur behielden voor classificatie, waarbij de fidelity naar ideale toestanden hoog bleef (bijv. 0,87 fidelity op QPU versus 0,98 op Aer voor UCI HAR).

Betekenis en Claims
Het artikel beweert dat QeHDC een praktische oplossing biedt voor het overwinnen van de efficiëntie- en opslagknelpunten van traditionele HDC. Door kwantumeigenschappen te benutten, stelt het framework effectieve classificatie mogelijk in laag-dimensionale ruimtes die compatibel zijn met huidige NISQ-hardware. De auteurs benadrukken dat hun aanpak een "haalbare oplossing" biedt voor het toepassen van kwantumcomputing op machine learning, waarbij zij aantonen dat kwantum-versterkte binding en dichtheidsmatrix-gebaseerde abstractie robuuste, ruisbestendige classificatie kunnen opleveren zonder de noodzaak voor uitgebreide trainingsiteraties. Het werk wordt gepresenteerd als een stap naar "kwantum-geïnspireerde computationele paradigma's" die de kloof tussen klassieke cognitieve architecturen en opkomende kwanthardware overbruggen.