Engineered Learning Problems on Noisy Quantum Processors

In de race om machines te bouwen die problemen kunnen oplossen die buiten het bereik van de huidige computers liggen, verkennen wetenschappers een gebied waar de regels van de natuurkunde zelf de processor worden. Dit is het domein van quantum machine learning, een discipline die probeert de vreemde, contra-intuïtieve gedragingen van subatomaire deeltjes te gebruiken om patronen te herkennen en voorspellingen te doen. Het kernidee rust op een concept dat een "kernel" wordt genoemd, wat in essentie een wiskundig hulpmiddel is om te meten hoe vergelijkbaar twee stukken data zijn. In een klassieke computer werkt dit hulpmiddel door datapunten op een vertrouwde manier te vergelijken. In een quantumcomputer wordt de data eerst vertaald naar de taal van de quantummechanica, waar deze bestaat in een complexe, hoogdimensionale ruimte die moeilijk te navigeren is voor klassieke machines. De hoop is dat door deze vertaling uit te voeren, de quantummachine verborgen connecties in de data kan vinden die klassieke methoden simpelweg niet kunnen zien. Er hangt echter een hardnekkige vraag boven het veld: kunnen deze luidruchtige, imperfecte quantumapparaten daadwerkelijk presteren beter dan de krachtigste klassieke supercomputers, of worstelen ze slechts onder het gewicht van hun eigen kwetsbaarheid?

Een team van onderzoekers zette zich scharpe om deze vraag te beantwoorden door een specifieke, kunstmatige uitdaging te ontwerpen waarin een quantumcomputer theoretisch een voordeel zou kunnen hebben. Ze probeerden geen echt wereldprobleem op te lossen, zoals het voorspellen van het weer of het diagnosticeren van een ziekte, omdat de klassieke methoden voor die taken te sterk en te goed begrepen zijn. In plaats daarvan creëerden ze een aangepaste puzzel. Ze namen een standaard set afbeeldingen — foto's van kleding zoals t-shirts en jurken — en gebruikten een quantumcircuit om de data in een nieuwe vorm te transformeren. Vervolgens gebruikten ze de resultaten van die transformatie om labels toe te kennen aan de afbeeldingen, waardoor ze effectief een test creëerden waarbij de "correcte" antwoorden werden gedefinieerd door het unieke perspectief van de quantummachine zelf. Het doel was om te zien of een quantumcomputer deze labels beter kon voorspellen dan een klassieke computer die dezelfde puzzel probeert op te lossen. Om ervoor te zorgen dat de resultaten echt waren en niet slechts een toevalstreffer van de eigenaardigheden van een specifieke machine, voerden ze het experiment uit op twee verschillende quantumprocessors, één met 54 qubits en een andere met 20, en testten ze hetzelfde probleem zelfs op verschillende secties van dezelfde chip om te zien of de resultaten standhielden onder verschillende ruisprofielen.

De onderzoekers ontdekten dat wanneer de quantumcircuits relatief eenvoudig werden gehouden, de quantummachine inderdaad de klassieke rivalen versloeg. Het voorspelde de labels met een hoge mate van nauwkeurigheid, terwijl de beste klassieke modellen moeite hadden om het bij te houden. Deze prestatiekloof was duidelijk en reproduceerbaar over de verschillende hardware-opstellingen heen. Echter, naarmate de onderzoekers de quantumcircuits dieper en complexer maakten om meer data te verwerken, begon het voordeel te vervagen. De ruis die inherent is aan de huidige quantumhardware — de onvermijdelijke fouten die binnensluipen terwijl de machine opereert — begon de resultaten te vervormen. Op een bepaiment punt, met een circuitdiepte gelijk aan tien stappen van een specifieke berekening, daalde de prestatie van de quantummachine zo sterk dat deze niet langer de klassieke modellen kon verslaan. De quantumcomputer won niet meer; hij was net zo verward als de klassieke computer.

Het team richtte zich vervolgens op een reeks technieken die bekend staan als error mitigation (foutmitigatie), die ontworpen zijn om de luidruchtige data op te schonen nadat het experiment is uitgevoerd, door effectief de bekende fouten af te trekken om het ware signaal te onthullen. Ze testten verschillende methoden, waaronder één die probeert te raden wat het resultaat zou zijn geweest als de machine helemaal geen ruis had gehad, en een andere die een reeks snelle pulsen gebruikt om de qubits te stabiliseren. Ze ontdekten dat niet alle foutcorrectiemethoden gelijk zijn. Een techniek, die simpelweg de eindcijfers aanpaste op basis van hoe de machine ze leest, hielp niet. Een andere methode, die probeerde de ruisvrije resultaten te extrapoleren, slaagde erin het prestatieverschil te herstellen, maar alleen door de puzzel zelf moeilijker te maken voor de klassieke computer, in plaats van de quantumcomputer aanzienlijk beter te maken. De meest effectieve techniek was echter een methode die de ruis actief onderdrukte tijdens het proces. Deze aanpak herstelde niet alleen het voordeel van de quantummachine, maar verbeterde ook het vermogen om de puzzel op te lossen, waardoor de prestatie veel dichter bij wat een perfecte, ruisvrije machine zou bereiken, kwam.

Ondanks deze successen waren de onderzoekers zorgvuldig om te verduidelijken wat hun werk niet bewezen heeft. Ze toonden aan dat quantumhardware klassieke machine learning-modellen kan overtreffen op een specifieke, ontworpen taak, maar ze toonden ook aan dat dit voordeel niet absoluut is. Wanneer ze het quantumproces simuleerden met een krachtig klassiek algoritme dat bekend staat als een matrix product state, dat ontworpen is om quantumsystemen na te bootsen, presteerde de klassieke simulatie net zo goed als de luidruchtige quantumhardware. Dit suggereert dat het huidige quantumvoordeel fragiel is en sterk afhangt van het specifieke type probleem en het niveau van ruis. De klassieke simulatie was in staat om het tempo bij te houden omdat de gebruikte quantumcircuits in het experiment niet complex genoeg waren om de grenzen van klassieke computing te doorbreken. De onderzoekers concludeerden dat hoewel ze een pad hebben aangetoond waar quantummachines kunnen winnen, het uiteindelijke doel om de beste klassieke simulatiemethoden te verslaan nog steeds een aanzienlijke horde is. De weg vooruit vereist het ontwerpen van problemen die niet alleen moeilijk zijn voor klassieke computers om te simuleren, maar onmogelijk voor hen om na te bootsen, zelfs met de meest geavanceerde algoritmen van vandaag de dag.

De studie dient als een realistische kaart van het huidige landschap van quantum computing. Het bevestigt dat quantummachines dingen kunnen doen die klassieke machines niet kunnen, maar alleen onder zorgvuldig gecontroleerde omstandigheden en met de hulp van foutcorrectie. Het benadrukt ook dat het veld zich nog in een fase bevindt waarin de "ruis" van de machine vaak de beslissende factor is tussen overwinning en nederlaag. Door aan te tonen dat verschillende foutmitigatietechnieken zeer verschillende effecten hebben, biedt het werk een routekaart voor toekomstige experimenten, waarbij wordt gesuggereerd dat het uitvoeren van een quantumalgoritme alleen niet genoeg is; men moet ook de juiste instrumenten kiezen om de rommel op te ruimen die de machine maakt. De onderzoekers beweerden niet het probleem van het quantumvoordeel te hebben opgelost, maar zij leverden wel sterk bewijs dat het een haalbaar doel is, mits de problemen met voldoende zorg worden gekozen om de klassieke simulaties te slim af te zijn, die momenteel de grootste hindernis vormen.