Quantum neuroplastic learning for time-series processing

In het uitgestrekte landschap van de computertechnologie is er een groeiend verlangen om machines te bouwen die niet alleen leren door getallen te verwerken, maar door hun eigen structuur aan te passen aan de stroom van informatie, net zoals het menselijk brein dat doet. Decennialang hebben wetenschappers bestudeerd hoe biologische hersenen in de loop van de tijd veranderen. Ze weten dat wanneer we een nieuwe vaardigheid leren, de verbindingen tussen onze zenuwcellen, genaamd synapsen, niet alleen sterker of zwakker worden; ze kunnen ook nieuwe verbindingen vormen, oude elimineren en het hele netwerk reorganiseren. Dit vermogen om zichzelf fysiek te herbedraden staat bekend als neuroplasticiteit, en het is de basis van het langetermijngeheugen. Hoewel moderne computers ongelooflijk snel zijn, vertrouwen ze doorgaans op vaste architecturen die vanaf nul moeten worden geprogrammeerd om nieuwe taken aan te kunnen. Quantumcomputing, een veld dat de vreemde wetten van de fysica gebruikt om informatie te verwerken op manieren die klassieke computers niet kunnen, is onlangs begonnen met het verkennen van soortgelijke ideeën. Onderzoekers onderzoeken hoe ze deze fragiele kwantumsystemen aanpasbaarder kunnen maken, in de hoop machines te creëren die complexe patronen kunnen onthouden en zich kunnen aanpassen aan veranderende omgevingen zonder dat daar een volledige herziening voor nodig is.

Een onderzoeker aan het KTH Koninklijk Instituut van Technologie in Stockholm heeft een belangrijke stap gezet richting dit doel door een methode geïntroduceerd die quantum-neuroplastisch leren wordt genoemd. In plaats van een kwantumcomputer te behandelen als een statische machine met een vaste set regels, ontwierp zij een systeem dat zijn eigen interne verbindingen kan reorganiseren op basis van ervaring. Stel je een kwantumcomputer voor als een kleine groep deeltjes, of qubits, die met elkaar interageren. Bij traditioneel kwantumleren worden deze deeltjes eenmalig ingesteld, en probeert de computer te leren door alleen de uiteindelijke output aan te passen, waardoor de kern van het netwerk onveranderd blijft. De nieuwe aanpak staat echter toe dat het netwerk zelf verandert. Net zoals een brein overtollige verbindingen kan wegknippen of nieuwe paden kan aanleggen om een herinnering op te slaan, stelt dit systeem kleine, lokale wijzigingen voor in de manier waarop de qubits met elkaar verbonden zijn. Het test deze wijzigingen tegen nieuwe gegevens, en als een specifieke aanpassing de prestaties verbetert, behoudt het systeem deze. Dit proces vindt langzaam en doelbewust plaats, waarbij het systeem constant evalueert of een nieuwe verbinding de kosten waard is.

De onderzoeker testte dit idee op twee verschillende manieren: eerst via gedetailleerde computersimulaties en daarna op een echte kwantumprocessor. In de simulaties paste zij de methode toe op taken die vereisen dat informatie gedurende een bepaalde tijd wordt onthouden, zoals het herinneren van een reeks invoergegevens uit het verre verleden of het voorspellen van het volgende getal in een complexe, niet-lineaire reeks. Zij ontdekte dat terwijl vaste kwantumsystemen moeite hadden om zaken langer dan een paar stappen te onthouden, het reorganiserende systeem een opmerkelijk vermogen ontwikkelde om informatie veel langer vast te houden. Het verschoof effectief zijn geheugencapaciteit, waardoor het oudere gegevens kon vasthouden terwijl het nog steeds nieuwe invoergegevens verwerkte. Dit was vooral waar voor taken die een langetermijngeheugen vereisten, waarbij de vaste systemen bijna volledig faalden. Het plastische systeem leerde niet alleen sneller; het leerde een ander soort geheugen, één dat kon voortbestaan door vele verschillende uitdagingen zonder te vergeten wat het eerder had geleerd.

Om te zien of deze bevindingen standhielden in de echte wereld, verplaatste zij haar werk naar een fysieke kwantumprocessor bij IBM, een machine die gebruikmaakt van supergeleidende circuits om qubits te creëren. Zij nam een configuratie die in haar simulaties was geoptimaliseerd en bevroor deze, wat betekende dat zij het leerproces stopte en simpelweg de taak uitvoerde. Zij vroeg de machine om een communicatietaak uit te voeren die bekend staat als kanaal-equalisatie, wat inhoudt dat een verstoord signaal wordt schoongemaakt om de oorspronkelijke boodschap te herstellen. In deze test verminderde de gereorganiseerde configuratie de foutmarge aanzienlijk, waarbij de fouten daalden van bijna tien procent naar net boven de twee procent. Dit resultaat was beter dan een standaard, zorgvuldig afgestemd systeem dat dezelfde tijd had gekregen om een goede instelling te vinden. Het succes op de fysieke hardware toonde aan dat de lessen geleerd in de simulatie konden worden overgedragen naar een ruisachtig, echt apparaat, wat bewees dat het vermogen van het systeem om zichzelf te herbedraden niet alleen een theoretisch concept is, maar een praktisch voordeel biedt.

De studie onderzocht ook hoe deze leermethode zich gedraagt wanneer de taak verandert. In een reeks experimenten kreeg het systeem de opdracht om achtereenvolgens tussen zestien verschillende geheugen- en voorspellingsuitdagingen te schakelen. In tegen tegenstelling tot een vast systeem dat zou kunnen worstelen met een nieuwe vereiste, bleef de quantum-neuroplastische leerder zijn interne structuur aanpassen voor elke nieuwe taak. Het behield zijn vermogen om te leren, wat aantoonde dat de wijzigingen die het aanbracht geen tijdelijke oplossingen waren, maar stabiele verbeteringen die het mogelijk maakten om een verscheidenheid aan problemen aan te pakken. De onderzoeker merkte op dat de voordelen het meest uitgesproken waren wanneer de taken vereisten dat het systeem informatie gedurende langere tijd vasthield of complexe, niet-lineaire patronen verwerkte. In deze moeilijke scenario's bood het vermogen om de fysieke verbindingen van de kwantumreservoir te reorganiseren een duidelijk voordeel ten opzichte van systemen die statisch bleven.

Hoewel de resultaten veelbelovend zijn, is de onderzoeker voorzichtig in het benoemen van de beperkingen van haar werk. De experimenten werden uitgevoerd op relatief kleine systemen met slechts een handvol qubits, en het leerproces zelf vereiste een groot aantal computersimulaties om de juiste configuratie te vinden. De fysieke test werd uitgevoerd op een specifiek type kwantumprocessor, en het systeem vertoonde nog niet het vermogen om eerdere taken onbeperkt te onthouden zonder enig verlies van prestaties. De kernbevinding blijft echter robuust: door een kwantumsysteem fysiek zijn verbindingen te laten herbedraden als reactie op prestaties, is het mogelijk om het geheugen en de aanpasbaarheid te verbeteren. Deze aanpak suggereert een nieuwe weg voor het bouwen van kwantummachines die niet alleen snellere rekenmachines zijn, maar flexibele leerlingen die in staat zijn hun eigen structuur te laten evolueren om te voldoen aan de eisen van de wereld om hen heen.