Multiple Nonlinear Waves by (Quantum) Neural Networks: Checking the AI supremacy

De natuur zit vol met golven die niet simpelweg wegsterven of neerstorten en uiteenspatten. In ondiep water, in de atmosfeer en zelfs in de stroom van elektriciteit kunnen verstoringen lange afstanden afleggen terwijl ze hun vorm behouden, waarbij ze soms zelfs door elkaar heen gaan zonder hun identiteit te verliezen. Dit zijn niet de chaotische rimpelingen van een stormachtige zee, maar hooggeorganiseerde patronen die worden beheerst door strikte wiskundige regels. Decennialang hebben wetenschappers complexe vergelijkingen gebruikt om te voorspellen hoe deze golven zich gedragen, waarbij ze vertrouwen op methoden die goed werken voor eenvoudige gevallen, maar moeite hebben wanneer de patronen ingewikkeld worden. De uitdaging ligt in het enorme aantal interagerende delen; wanneer een golf bestaat uit veel overlappende componenten, kunnen de berekeningen die nodig zijn om deze te volgen zo zwaar worden dat zelfs krachtige computers beginnen te haperen.

In de afgelopen jaren is er een nieuw hulpmiddel naar voren gekomen om deze moeilijke problemen aan te pakken: kunstmatige intelligentie die ontworpen is om de wetten van de fysica te begrijpen. In plaats van alleen te leren van data zoals een menselijke student die feiten uit het hoofd leert, zijn deze systemen gebouwd om de fundamentele vergelijkingen te respecteren die het universum beheersen. Onderzoekers hebben deze "physics-informed" netwerken getest om te zien of ze problemen kunnen oplossen die traditionele methoden te rommelig vinden. Nu heeft een team wetenschappers in Italië deze gedachte een stap verder gebracht door te vragen of de volgende generatie computing — quantumtechnologie — deze intelligente netwerken nog beter kan maken. Ze richtten zich op een specifieke, goed begrepen soort golfvergelijking om te zien of een quantum-verbeterde versie van het netwerk de complexiteit van meerdere overlappende golven aan zou kunnen, een scenario dat een belangrijke test vormt voor elke nieuwe computationele methode.

De onderzoekers kozen ervoor om de Korteweg-de Vries-vergelijking te bestuderen, een beroemd model dat beschrijft hoe golven bewegen in een zwak niet-lineair medium, zoals ondiep water. Hoewel deze vergelijking in theorie oplosbaar is, zijn de oplossingen voor golven met veel overlappende patronen, bekend als high-genus oplossingen, berucht moeilijk te berekenen. Deze oplossingen bevatten een enorm aantal harmonische componenten die op complexe wijze met elkaar interageren. Om ze op te lossen, moet men gewoonlijk een enorm aantal variabelen berekenen, een taak die computationeel duur en instabiel wordt naarmate het aantal golfcomponenten toeneemt. Het team wilde zien of een neuraal netwerk, een type computerprogramma gemodelleerd naar het menselijk brein, kon leren deze golfpatronen te voorspellen zonder dat daarvoor elke stap van de traditionele berekening uitgevoerd hoeft te worden.

Om dit te testen, zetten de wetenschappers een competitie op tussen twee soorten netwerken. De eerste was een standaard physics-informed neuraal netwerk, een klassiek computerprogramma getraind om fouten in zijn voorspellingen van het gedrag van de golf te minimaliseren. Het tweede was een quantum physics-informed neuraal netwerk, een hybride systeem dat een deel van het klassieke netwerk vervangt door een gesimuleerde quantumprocessor. Dit quantumgedeelte maakt gebruik van de principes van de quantummechanica, zoals het vermogen van deeltjes om zich in meerdere toestanden tegelijk te bevinden, om informatie te verwerken. De onderzoekers trainden beide systemen op dezelfde golfproblemen, die bestonden uit golven met twee en drie overlappende patronen, en maten vervolgens hoe nauwkeurig ze de bekende oplossingen konden reproduceren.

De resultaten toonden aan dat beide systemen de golfpatronen konden leren, maar dat ze dit deden met verschillende afwegingen. Het klassieke netwerk, met zijn standaard architectuur, bereikte een bepaald niveau van nauwkeurigheid, maar had hiervoor een groot aantal aanpasbare instellingen, of parameters, nodig. Het quantum-verbeterde netwerk slaagde erin een vergelijkbaar prestatieniveau te bereiken met aanzienlijk minder parameters. Sterker nog, de quantumversie verminderde het aantal trainbare instellingen met ongeveer vijftien procent, terwijl het de essentiële gedragingen van de golven nog steeds vastlegde. Deze reductie is belangrijk omdat minder parameters over het algemeen duiden op een eenvoudiger model dat minder gevoelig is voor overfitting en gemakkelijker te draaien is op toekomstige quantumhardware. Echter, het quantumnetwerk was niet perfect; de voorspellingen waren iets minder nauwkeurig dan die van de klassieke versie, met een foutmarge die iets hoger lag.

De studie onthulde ook dat hoewel deze netwerken krachtig zijn, ze nog geen wondermiddel zijn voor alle golfproblemen. De onderzoekers ontdekten dat de netwerken moeite hadden wanneer ze gevraagd werd het golfgedrag te voorspellen buiten de tijdsperiode waarin ze getraind waren. Als de training een specifieke tijdvenster besloeg, was het vermogen van het netwerk om te raden wat er net buiten dat venster gebeurde, onstabiel. Bovendien hing de nauwkeurigheid van de voitspellingen sterk af van de complexiteit van het golfpatroon. Naarmate het aantal overlappende golven toenam, namen de foutmarges voor beide systemen toe, wat suggereert dat hoewel de quantumbenadering een efficiëntere structuur biedt, het nog steeds uitdagingen ervaart bij het verwerken van de meest ingewikkelde scenario's.

Dit werk dient als een cruciale benchmark voor de toekomst van wetenschappelijke computing. Door deze systemen te testen op een probleem dat al door traditionele wiskunde is opgelost, konden de onderzoekers duidelijk zien waar de nieuwe technologie staat. Ze ontdekten dat quantum-neurale netwerken de complexiteit van een probleem inderdaad kunnen comprimeren, waarbij ze minder middelen gebruiken om een vergelijkbaar resultaat te bereiken. Echter, de technologie staat nog in de beginfase. De simulaties werden gedraaid op klassieke computers die het quantumgedrag nabootsten, wat betekent dat de volledige snelheid en kracht van een echte quantumcomputer nog niet werd benut. De onderzoekers merkten op dat de huidige beperkingen van quantumhardware, zoals ruis en een klein aantal quantumbits, betekenen dat het volledige potentieel van deze methoden nog niet is gerealiseerd.

Uiteindelijk concludeert het artikel dat hoewel quantum-verbeterde neurale netwerken veelbelovend zijn voor het oplossen van complexe golfvergelijkingen, ze nog niet superieur zijn aan klassieke methoden wat betreft pure nauwkeurigheid. De werkelijke waarde ligt in de efficiëntie van de quantumbenadering, die minder variabelen gebruikt om dezelfde fysieke realiteit te beschrijven. Deze efficiëntie zou een gamechanger kunnen worden zodra quantumcomputers geavanceerder en minder ruisgevoelig zijn. Voor nu biedt de studie een duidelijke routekaart: de technologie is klaar om getest te worden op nog complexere, onopgeloste problemen, maar het heeft verdere ontwikkeling nodig om de betrouwbaarheid te evenaren van de instrumenten die wetenschappers al decennia gebruiken. De reis van een theoretisch concept naar een praktisch hulpmiddel voor het begrijpen van de meest complexe golven van het universum is in volle gang, maar de bestemming ligt nog een heel eind weg.