Quantum Computing through Computational Imaging: Representations, Measurement, and Inference

In de wereld van de moderne wetenschap vertrouwen onderzoekers vaak op complexe wiskundige modellen om afbeeldingen te reconstrueren uit incomplete gegevens, zoals het samenvoegen van een helder beeld van de binnenkant van het menselijk lichaam uit röntgenschaduwen. Deze modellen behandelen informatie als arrays van getallen, waarbij elke invoer een specifieke waarde en een specifieke locatie heeft. Een nieuwer veld, quantum computing, belooft deze enorme arrays op een fundamenteel andere manier te verwerken. In plaats van getallen in een raster op te slaan, gebruikt een quantumcomputer minuscule eenheden informatie genaamd qubits. Deze qubits kunnen zich in een staat van superpositie bevinden, wat betekent dat ze een combinatie van mogelijkheden tegelijkertijd kunnen bevatten, beschreven door wiskundige waarden genaamd amplitudes. Er is echter een cruciale complicatie: hoewel deze amplitudes gemanipuleerd kunnen worden om berekeningen uit te voeren, kunnen ze niet direct uitgelezen worden zoals invoer in een spreadsheet. Wanneer een wetenschapper naar het resultaat kijkt, stort de quantumtoestand in tot een enkele, willekeurige uitkomst op basis van de waarschijnlijkheden die door die amplitudes worden gedefieerd. Dit creëert een kloof tussen de krachtige berekeningen die een quantummachine kan uitvoeren en de werkelijke informatie die een mens nodig heeft om te extraheren.

Een team van onderzoekers van instellingen in Italië en Griekenland heeft geprobeerd deze kloof te overbruggen, specifiek voor het gebied van de computationele beeldvorming. Zij stellen dat het niet genoeg is om een beeldvormingsprobleem simpelweg naar een quantumformaat te vertalen; men moet zorgvuldig definiëren wat de quantumtoestand vertegenwoordigt, hoe deze wordt gemeten en wat de uiteindelijke beslissing precies is. In hun werk demonstreren zij dat de manier waarop data in een quantumtoestand wordt gecodeerd, de aard van het antwoord dat je krijgt, verandert. Ze laten zien dat het opslaan van ruwe beelddata als amplitudes verschillend is van het gebruiken van amplitudes om een lijst van mogelijke oplossingen voor een probleem te representeren. Door middel van een reeks zorgvuldig geconstrueerde voorbeelden laten zij zien dat een quantumcomputer de gemiddelde kosten van een oplossing kan verlagen zonder dat de best mogelijke oplossing de meest waarschijnlijke is om op te verschijnen. Dit onderscheid is essentieel voor iedereen die hoopt quantummachines te gebruiken om realistische beeldvormingsproblemen op te lossen, aangezien het verduidelijkt wat deze apparaten wel en niet kunnen leveren.

De onderzoekers begonnen met het onderzoeken van twee zeer verschillende manieren om een quantumcomputer voor een beeldvormingstaak te gebruiken. In de eerste benadering, bekend als amplitude-encoding, worden de werkelijke helderheidswaarden van pixels in een afbeelding direct opgeslagen in de amplitudes van een quantumtoestand. Als je vier pixels hebt, kun je twee qubits gebruiken om hun waarden vast te houden. Echter, wanneer je dit systeem meet, krijg je niet de pixelwaarden terug. In plaats daarvan krijg je één locatie, willekeurig gekozen, waarbij de kans om die locatie te kiezen afhangt van de helderheid van de pixel. De oorspronkelijke schaal van de afbeelding gaat hierbij verloren, en de complexe fase-informatie die cruciaal kan zijn voor reconstructie, wordt verborgen. In de tweede benadering, die het team de voorkeur geeft voor optimalisatieproblemen, bevatten de qubits niet de beelddata zelf. In plaats daarvan representeren zij een volledige kandidaat-oplossing, zoals een specifieke manier om elke pixel te labelen als ofwel achtergrond of voorgrond. Hier representeren de amplitudes de waarschijnlijkheid dat die volledige labeling het juiste antwoord is. Deze subtiele verschuiving in wat de quantumtoestand betekent, verandert alles over hoe de resultaten worden geïnterpreteerd.

Om deze ideeën te testen, construeerde het team een klein, concreet scenario met een afbeelding van vier pixels die gesegmenteerd, of verdeeld, moest worden in twee regio's. Ze definieerden een wiskundig doel dat beloonde voor het matchen van de pixelhelderheid aan een drempelwaarde en strafte voor het hebben van verschillende labels op naburige pixels. Dit creëerde een landschap van mogelijke oplossingen, elk met een specifieke "energie" of kosten. Vervolgens gebruikten ze een quantumalgoritme, bekend als het Quantum Approximate Optimization Algorithm, om naar de beste labeling te zoeken. Dit algoritme werkt door een quantumtoestand voor te bereiden, een reeks operaties toe te passen die de amplitudes vervormen op basis van de kosten van elke oplossing, en deze vervolgens te mengen om interferentie te creëren. Het doel is om de beste oplossing vaker te laten verschijnen dan de andere.

De resultaten van hun simulatie onthulden een contra-intuïtieve waarheid. Nadat het algoritme werd uitgevoerd, daalde de gemiddelde kosten van de door de quantumcomputer geproduceerde oplossingen aanzienlijk, van een beginwaarde van 1,675 naar 0,686. Dit suggereerde dat de machine succesvol beter oplossingen vond dan bij willekeurig gokken. Echter, toen de onderzoekers naar de specifieke oplossingen keken die het meest frequent voorkwamen, ontdekten zij dat de enkele beste mogelijke labeling, die de laagst mogelijke kosten van 0,375 had, niet de meest voorkomende uitkomst was. In plaats daarvan verscheen een iets minder goede oplossing, met een kostenwaarde van 0,675, vaker. De quantuminterferentie die hielp de gemiddelde energie te verlagen, hielp feitelijk een suboptimale oplossing boven de perfecte oplossing te versterken. Deze bevinding daagt de aanname uit dat het verlagen van de gemiddelde energie van een systeem automatisch de optimale oplossing de meest waarschijnlijke maakt om te observeren.

Het team verkende dit verder door te kijken naar echte metingen van bestaande quantumhardware, specifiek van apparaten geleverd door IBM en IQM. Ze analyseerden een iets grotere taak waarbij zes pixels betrokken waren, waarbij het doel was om de label van een specifieke grens tussen regio's te bepalen. Zelfs met de ruis en imperfecties van echte hardware, toonden de gegevens een duidelijk onderscheid tussen de waarschijnlijkheid van het vinden van de enkele perfecte oplossing en de waarschijnlijkheid van het krijgen van een correct antwoord voor slechts de lokale grens. In sommige gevallen was de hardware veel waarschijnlijker in staat om de lokale grens correct te krijgen dan om de perfecte globale oplossing te vinden. Dit versterkt het idee dat het "beste" antwoord volledig afhangt van de vraag die je stelt. Als je de absolute beste globale configuratie nodig hebt, kan de quantumcomputer moeite hebben om dit efficiënt te leveren. Als je alleen een betrouwbare lokale beslissing nodig hebt, kan dezelfde machine zeer effectief zijn.

De onderzoekers gebruikten deze voorbeelden ook om te verduidelijken hoe quantumcomputers omgaan met onzekerheid en informatie. Ze lieten zien dat om een verborgen eigenschap, zoals de fase van een golf, te leren, men niet kan vertrouwen op één enkel type meting. Net zoals een fotograaf wellicht foto's moet maken met verschillende lichtinvalhoeken om de volledige vorm van een object te zien, moet een quantumwetenschapper verschillende meetinstellingen gebruiken om ambiguïteiten op te lossen die een enkele kijk niet kan detecteren. Ze demonstreerden dat hoewel lokale metingen precieze informatie kunnen bieden over een klein deel van een systeem, ze het globale beeld ambigu kunnen laten. Alleen door resultaten van complementaire metingen te combineren, kan het volledige beeld worden gereconstrueerd.

Ten slotte behandelt het artikel de vraag of deze quantummethoden daadwerkelijk sneller of efficiënter zijn dan klassieke computers. De auteurs merken zorgvuldig op dat klassieke computers de problemen voor de kleine voorbeelden die zij bestudeerden, exact en onmiddellijk kunnen oplossen. De waarde van hun werk ligt niet in het claimen van een snelheidswinst die er nog niet is, maar in het vaststellen van een duidelijk kader voor hoe de twee vergeleken kunnen worden. Ze argumenteren dat elke claim van quantumvoordeel rekening moet houden met het gehele proces: hoe de data wordt geladen, hoe het circuit wordt gebouwd, hoeveel keer de machine moet worden uitgevoerd om een betrouwbaar antwoord te krijgen, en hoe de uiteindelijke resultaten worden gedecodeerd. Ze laten zien dat de kosten voor het voorbereiden van de quantumtoestand en het aantal "shots" dat nodig is om een goed antwoord te krijgen, even belangrijk zijn als het algoritme zelf.

In hun conclusie benadrukken de onderzoekers dat de weg vooruit voor quantumbeeldvorming niet bestaat uit het dwingen van elk probleem in een quantummal, maar uit het ontwerpen van de berekening rond de specifieke grootheid die daadwerkelijk nodig is. Of het doel nu een volledige beeldreconstructie is, een specifieke correlatie tussen pixels, of een eenvoudige beslissing over een grens, de vereiste output bepaalt de methode. Door de representatie van de data te scheiden van de meting en de uiteindelijke beslissing, bieden de onderzoekers een routekaart voor ingenieurs en wetenschappers om te begrijpen wat een quantumcomputer realistisch gezien kan teruggeven. Ze tonen aan dat hoewel de technologie veelbelovend is, de reis van een quantumtoestand naar een nuttig wetenschappelijk antwoord een zorgvuldige verantwoording van middelen vereist, een duidelijke definitie van het doel, en een realistisch verwachtingspatroon van wat de machine daadwerkelijk zal produceren. Het werk dient als een praktische gids, die ervoor zorgt dat de enthousiasme voor quantumcomputing geworteld is in een nauwkeurig begrip van de capaciteiten en beperkingen ervan.