Temporal information processing on a 4,500-qubit quantum annealer

In de wereld van de computertechnologie worden machines steeds sneller en kleiner, maar er is een hardnekkige uitdaging: uitzoeken hoe we ze echt nuttig kunnen maken voor de complexe taken van de toekomst. Een veelbelovende weg houdt in dat computers leren van patronen in data, een vakgebied dat bekend staat als machine learning. Hoewel klassieke computers uitstekend zijn in veel zaken, worstelen ze soms met data die in de loop van de tijd verandert, zoals weerpatronen of aandelenmarkten, omdat ze een natuurlijke manier missen om het verleden te onthouden terwijl ze het heden verwerken. Wetenschappers vermoedden al lang dat quantummachines, die werken volgens de vreemde regels van de subatomaire wereld, dit soort temporele informatie beter zouden kunnen afhandelen. Het bouwen van een quantumcomputer die groot genoeg is om nuttig te zijn en simpel genoeg om te trainen, is echter een grote hindernis gebleven. De meeste pogingen vereisen dure en moeilijke trainingsprocessen die vaak falen naarmate de machines groter worden.

Een team van onderzoekers heeft nu een belangrijke stap voorwaarts gezet door een nieuwe aanpak te testen op een enorme quantummachine. Ze gebruikten een apparaat dat een quantum annealer wordt genoemd, een type quantumcomputer die ontworpen is om specifieke problemen op te lossen door de laagste energietoestand van een systeem te vinden. In plaats van te proberen de gehele machine te trainen om te leren, behandelden ze het als een natuurlijke, ongetrainde motor die complexe interne bewegingen genereert. Door tijdgebaseerde data in deze motor te voeren en de resultaten af te lezen, creëerden ze een model dat in staat is om eerdere inputs te onthouden en toekomstige te voorspellen. Dit experiment, dat gebruikmaakte van tot wel 4.500 fysieke quantumbits, of qubits, vertegenwoordigt de grootste quantum machine-learning test die tot nu toe is uitgevoerd. De onderzoekers ontdekten dat de machine succesvol chaotische, onvoorspelbare tijdreeksen kon voorspellen, wat bewijst dat dergelijke grootschalige quantumapparaten krachtige instrumenten kunnen zijn voor het verwerken van informatie zonder de noodzaak voor kostbare trainingslussen.

De kern van dit experiment rust op een concept dat reservoir computing wordt genoemd. Stel je een steen voor die in een vijver wordt gegooid; de rimpelingen die zich verspreiden zijn complex en hangen af van de vorm van de steen en de diepte van het water. Als je naar de rimpelingen kijkt, kun je iets weten over de steen die is gegooid, zelfs als je de klap niet hebt gezien. In deze quantumversie is de quantumcomputer zelf de "vijver", en de "rimpelingen" zijn de natuurlijke, ongetrainde bewegingen van de qubits. De onderzoekers probeerden de machine niet te leren wat hij moest doen. In plaats daarvan lieten ze de machine evolueren volgens zijn eigen interne wetten, terwijl ze hem een stroom van data voerden. De natuurlijke reactie van de machine op deze data creëerde een hoogdimensionale kaart van de informatie. Het enige deel dat ze trainden, was een eenvoudige laatste stap, een lineaire readout, die leerde hoe de complexe interne staat van de machine te vertalen naar een nuttige voorspelling. Deze aanpak vermijdt de moeilijke en dure optimalisatieproblemen die de meeste quantum machine learning doorgaans teisteren.

Om dit idee te testen, gebruikte het team een D-Wave quantum annealer, een programmeerbaar supergeleidend apparaat. Ze programmeerden de machine met een specifiek schema dat een proces omvat dat bekend staat als reverse annealing. Deze techniek begint de machine in een bekende staat, beweegt hem terug naar een meer quantum-achtige, fluctuerende staat, houdt hem daar een moment vast, en beweegt hem vervolgens weer vooruit. Deze pauze stelt het systeem in staat om zijn lokale omgeving te verkennen en te settelen in een nieuwe configuratie die informatie bevat over de input die het heeft ontvangen. De onderzoekers ontdekten dat deze specifieke beweging cruciaal was. Wanneer ze de interacties tussen de qubits uitschakelden, waardoor ze effectief alleen gingen handelen, verloor de machine alle herinnering aan de input. Dit bewees dat de complexe wisselwerking tussen de qubits tijdens het annealingproces essentieel is voor de machine om informatie over de tijd te behouden.

De onderzoekers onderwierpen hun model vervolgens aan een reeks rigoureuze tests om te zien hoe goed het data kon onthouden en verwerken. Eerst controleerden ze het vermogen om eerdere inputs te herinneren, een maatstaf die bekend staat als geheugencapaciteit. Ze ontdekten dat door een feedbackmechanisme te gebruiken om de output van de machine terug in zichzelf te voeren, het systeem informatie veel langer kon onthouden dan standaardmodellen toelaten. Sterker nog, het geheugen vervaagde niet alleen, maar vertoonde tekenen van herstel, wat suggereert dat het systeem informatie op een complexe, niet-lineaire manier vasthoudt. Ze testten ook de omvang van de machine en ontdekten dat de volledige kracht van de 4.500 qubits noodzakelijk was om deze resultaten te bereiken. Kleinere versies van dezelfde opstelling slaagden er niet in om de noodzakelijke correlaties te behouden, wat benadrukt dat de enorme schaal van het quantumsysteem een sleutelfactor was in het succes.

Buiten het eenvoudige geheugen daagden het team de machine uit met taken die een begrip van complexe relaties vereisen. Ze vroegen het om een logische puzzel op te lossen die bekend staat als de XOR-taak, waarbij het bepalen van de pariteit van twee inputs centraal staat. Dit is een probleem dat een eenvoudige lineaire machine niet kan oplossen, maar de quantum reservoir handelde het met een hoge nauwkeurigheid en voorspelde de uitkomst bijna 99 procent van de tijd correct. Dit demonstreerde dat de machine niet alleen data aan het memoriseren was, maar de data ook daadwerkelijk aan het transformeren was naar een vorm waarin complexe patronen zichtbaar werden. De meest veeleisende test was echter het voorspellen van chaotische tijdreeksen. De onderzoekers voerden de machine data van twee beroemde wiskundige modellen die onvoorspelbaar, chaotisch gedrag genereren: de Mackey-Glass-reeks en een double-scroll systeem. De machine voorspelde succesvol de toekomstige waarden van deze reeksen, zelfs voor stappen ver in de toekomst. In het geval van het double-scroll systeem was de machine in staat om de chaotische attractor te reconstrueren, een complexe geometrische vorm die het gedrag van het systeem definieert, wat de eerste keer is dat een dergelijke reconstructie met een quantumcomputer is bereikt.

De resultaten van dit onderzoek suggereren dat quantum annealers een levensvatbaar platform zijn voor grootschalige machine learning, met name voor taken die betrokken zijn bij tijdgebonden data. De onderzoekers toonden aan dat door gebruik te maken van de natuurlijke dynamica van een groot quantumsysteem, zij temporele informatie konden verwerken zonder de zware training die andere benaderingen beperkt. Ze leverden ook bewijs dat de quantum-aard van de interacties, specifelijk de many-body dynamica gegenereerd tijdens het annealingproces, onmisbaar is voor de werking van het systeem. Hoewel het een open vraag blijft of klassieke computers deze resultaten uiteindelijk zouden kunnen simuleren, demonstreert het experiment dat huidige quantumhardware al taken kan uitvoeren die moeilijk zijn voor standaardmodellen. Dit werk opent een nieuwe weg voor het gebruik van quantummachines niet alleen voor optimalisatie, maar als krachtige motoren voor leren en voorspelling, wat bewijst dat de beste manier om een machine te leren soms is om hem gewoon op zijn eigen kracht te laten draaien.