In de race om nuttige kwantumcomputers te bouwen, zijn wetenschappers vaak geobsedeerd door de machine zelf: hoeveel qubits deze heeft, hoe lang het een staat kan vasthouden en hoe goed het bestand is tegen ruis. Toch is voor veel praktische taken de flessenhals niet de kracht van de hardware, maar de moeilijkheid om er informatie in te voeren. Kwantumcomputers spreken een taal van discrete bits, zoals een reeks lichtschakelaars die ofwel aan of uit staan. De echte wereld, zoals de complexe chemische structuren van medicijnmoleculen, bestaat in een continue, vloeiende wereld van oneindige tinten en variaties. Het proberen te dwingen van deze rijke, continue data in een kleine, rigide kwantumregister is als het proberen te gieten van een gallon water in een dopje; het grootste deel van de informatie stroomt eruit, en wat overblijft is vaak een vertekende, onherkenbare versie van het origineel. Dit probleem is bijzonder acuut in de chemie, waar onderzoekers hopen kwantummachines te gebruiken om te voorspellen hoe moleculen zich gedragen, maar de huidige methoden om chemische data naar kwantumcode te vertalen vaak de zeer details verliezen die nodig zijn voor nauwkeurige voorspellingen.

Een team van onderzoekers heeft nu dit vertaalprobleem direct aangepakt, niet door een grotere machine te bouwen, maar door de computer te leren de data anders te zien voordat deze zelfs maar de kwantumcircuit binnenkomt. In een studie gericht op het voorspellen of medicijnmoleculen de bloed-hersenbarrière kunnen passeren — een cruciale stap bij de behandeling van neurologische ziekten — toonden de onderzoekers aan dat de manier waarop data wordt voorbereid even belangrijk is als het algoritme dat het verwerkt. Ze ontdekten dat wanneer ze simpelweg standaard chemische data in een kwantumclassifier voerden, de machine moeite kreeg omdat verschillende moleculen in dezelfde digitale code werden samengeperst, waardoor ze ononderscheidbaar werden. Door een nieuwe trainingsmethode te introduceren die specifiek rekening houdt met deze digitale compressie, waren ze in staat de data zo te hervormen dat onderscheidende moleculen onderscheidend bleven, zelfs nadat ze tot enkele bits waren gereduceerd. Het resultaat was een kwantummodel dat niet alleen de prestaties van klassieke computers evenaarde, maar onder specifieke omstandigheden zelfs beter presteerde, wat bewijst dat een kwantumvoordeel mogelijk is, zelfs op de huidige beperkte hardware, mits de informatiebottleneck correct wordt beheerd.

De kern van het probleem ligt in de manier waarop data in een kwantumcomputer wordt geladen. Om een berekening uit te voeren, moet een molecuul worden omgezet in een reeks enen en nullen die in het geheugen van de machine past. In deze studie gebruikten de onderzoekers een krachtig vooraf getraind kunstmatige intelligentiemodel, een zogenaamd foundation model, dat de algemene taal van de chemie al had geleerd van miljoenen moleculen. Dit model produceerde een rijke, hoogdimensionale beschrijving van elk molecuul, waarbij subtiele structurele details werden gevangen. Echter, om deze beschrijving in een klein kwantumregister te laten passen, moesten de onderzoekers deze drastisch comprimeren, door een complexe vector van getallen om te zetten in een korte binaire string. Deze compressiestap is waar het misging. Omdat de compressie zo grof was, kregen veel verschillende moleculen exact dezelfde digitale code. In de taal van de onderzoekers waren dit "botsingen" (collisions). Als twee moleculen met verschillende eigenschappen — de een die de bloed-hersenbarrière kan passeren en de ander die dat niet kan — dezelfde code delen, kan geen enkele computer, kwantum of klassiek, ze van elkaar onderscheiden. De machine ontvangt dezelfde input voor twee verschillende vragen en is gedwongen te gokken, wat leidt tot een slechte nauwkeurigheid.

De onderzoekers realiseerden zich dat de standaardmanier om deze modellen te trainen onvoldoende was. Meestal trainen wetenschappers een model om verschillende klassen van data te scheiden in een gladde, continue ruimte, in de hoop dat deze scheiding vanzelf doorwerkt wanneer de data wordt gecomprimeerd. Maar de studie toonde aan dat deze aanpak faalt wanneer de compressie zo extreem is. Een model kan twee moleculen perfect van elkaar scheiden in zijn interne wiskunde, maar als ze aan weerszijden van een digitale grens terechtkomen die tijdens compressie wordt afgerond, botsen ze nog steeds. De onderzoekers hadden een methode nodig die de compressie zelf begreep. Ze ontwikkelden een techniek die ze discretization-aware fine-tuning noemden. Dit omvatte een tweetraps trainingsproces. Eerst warmden ze het model op om ervoor te zorgen dat het algemeen tussen de twee soorten moleculen kon onderscheiden. Vervolgens voegden ze in een tweede, meer kritieke fase een speciale straf toe aan de training. Deze straf keek niet alleen naar of het model het goed of fout had; het berekende de waarschijnlijkheid dat twee verschillende moleculen in hetzelfde digitale bakje zouden belanden na compressie. Als het model leerde om die moleculen uit elkaar te duwen op een manier die de digitale grenzen respecteerde, nam de straf af. Dit dwong het model om een representatie te leren waarbij de belangrijkste chemische kenmerken behouden bleven, zelfs na reductie tot enkele bits.

Toen ze deze nieuwe methode testten, was het verschil groot. Zonder deze speciale training werd de kwantumcomputer geconfronteerd met een chaotische input waarbij duizenden paren van verschillende moleculen botsten. De nauwkeurigheid van de machine was laag en hij presteerde slechter dan een eenvoudige klassieke computer die op dezelfde gecomprimeerde data draaide. Het kwantumvoordeel, dat vaak wordt geprezen als de toekomst van computing, was volledig afwezig omdat de inputdata te corrupt was. Echter, zodra de onderzoekers hun discretization-aware fine-tuning toepasten, daalde het aantal botsingen drastisch, van duizenden naar bijna nul. De moleculen kregen nu unieke codes die hun verschillen behielden. Met deze schone input schoot de prestatie van de kwantumcomputer omhoog. De nauwkeurigheid verbeterde met meer dan twaalf procentpunten, een enorme sprong die het transformeerde van een worstelend hulpmiddel naar een zeer effectieve classifier.

De meest significante bevinding was echter hoe deze verbetering de kwantummachine beïnvloedde in vergelijking met een klassieke machine. Wanneer de onderzoekers de kwantumcircuit vergeleken met een standaard logistische regressie — een eenvoudig, goed begrepen klassiek algoritme — kregen beide exact dezelfde gecomprimeerde bit-strings gevoerd. Zonder de nieuwe trainingsmethode won het klassieke model gemakkelijk, waarbij het de kwantumcircuit met zes procentpunten versloeg. De kwantummachine werd gehinderd door de rommelige data. Maar toen de nieuwe trainingsmethode werd toegepast, draaide de situatie om. Beide modellen verbeterden omdat de data schoner was, maar de kwantummachine verbeterde veel meer dan de klassieke machine. De kwantumcircuit won meer dan twaalf procentpunten aan nauwkeurigheid, terwijl het klassieke model slechts ongeveer drie procentpunten won. Op het niveau van tien qubits eindigde het kwantummodel met een nauwkeurigheid van 88,3 procent, waarmee het de klassieke 85,5 procent versloeg. Deze omkering was geen toevalstreffer; het bleef standhouden over meerdere willekeurige proeven en verschillende statistische controles.

Waarom profiteerde de kwantummachine zoveel meer van de schonere data? De onderzoekers leggen uit dat de twee soorten computers informatie op fundamenteel verschillende manieren verwerken. Het klassieke model werkt in deze specifieke opstelling als een lineaire sorteerder; het kijkt naar de bits en trekt een rechte lijn om de categorieën te scheiden. Het kan er beter van worden wanneer de data minder ruis bevat, maar het wordt beperkt door zijn lineaire aard. De kwantumcomputer gebruikt daarentegen een proces genaamd verstrengeling (entanglement) om de qubits aan elkaar te koppelen. Dit stelt het in staat om complexe, hoogwaardige patronen en interacties tussen de bits te detecteren die een simpel lineair model niet kan zien. Toen de data rommelig was, kon de kwantummachine deze patronen niet vinden. Maar zodien de trainingsmethode de botsingen opruimde en de data op een gestructureerde manier presenteerde, kon de kwantummachine volledig gebruikmaken van zijn vermogen om deze verborgen correlaties te vinden. Het klassieke model, dat de mogelijkheid mist om dergelijke complexe interacties te zien, kon de schone data niet zo effectief benutten.

De studie concludeert dat voor kwantummachine learning om te slagen in de echte wereld, vooral in velden zoals de chemie waar data complex en hardware beperkt is, we niet alleen moeten focussen op het bouwen van betere circuits. We moeten ook betere manieren ontwerpen om data in die circuits te voeren. De informatiebottleneck die wordt gecreëerd door de kleine omvang van de huidige kwantumregisters moet aan het begin van de pijplijn worden aangepakt, door de datarepresentatie vorm te geven zodat deze past bij de beperkingen van de machine. De onderzoekers toonden aan dat door de continue chemische beschrijvingen af te stemmen op de discrete aard van de kwantumbits, zij een echt voordeel konden ontsluiten. Dit werk suggereert dat de weg naar praktische kwantumcomputing in de chemie niet noodzakelijkerwijs vereist dat we wachten op massieve, foutvrije machines. In plaats daarvan vereist het een slimmere aanpak van hoe we de echte wereld vertalen naar de kwantumtaal, om ervoor te zorgen dat het signaal de compressie overleeft, zodat de machine kan doen waar hij het beste in is.