← Nieuwste papers
⚛️ kwantumfysica

Programming Quantum Circuit Parameters with Large Language Models

Dit artikel onderzoekt de effectiviteit van het gebruik van een bevroren groot taalmodel om parameters voor variationele kwantumcircuits te genereren, waarbij wordt vastgesteld dat hoewel de aanpak moeite heeft met algemene willekeurige Hamiltoniaanse operatoren, het erin slaagt lage-energieconfiguraties voor gestructureerde systemen af te leiden en een fysiek verifieerbaar alternatief biedt voor directe energievoorspelling.

Oorspronkelijke auteur: Tiago de Souza Farias, Caio Moraes Porto, Matheus da Silva Fonseca, Nicolas Armando Cabrera Carpi, Anderson de Araujo Oliveira, Celso Jorge Villas-Boas

Gepubliceerd 2026-11-13
📖 6 min leestijd🧠 Diepgaand

Oorspronkelijke auteur: Tiago de Souza Farias, Caio Moraes Porto, Matheus da Silva Fonseca, Nicolas Armando Cabrera Carpi, Anderson de Araujo Oliveira, Celso Jorge Villas-Boas

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In het opkomende veld van quantum computing leren wetenschappers de vreemde regels van de subatomaire wereld te beheersen om problemen op te lossen die gewone computers duizenden jaren zouden kosten om te kraken. De kern van veel van deze inspanningen zijn "variational quantum algorithms", een hybride benadering die een quantumprocessor combineert met een klassieke computer. De quantummachine bereidt een specifieke toestand van materie voor met behulp van een reeks instelbare parameters, vergelijkbaar met het afstemmen van de knoppen op een complexe radio. De klassieke computer meet vervolgens het resultaat en probeert die knoppen aan te passen om de best mogelijke instelling te vinden, meestal de instelling die overeenkomt met de laagste energietoestand van een systeem. Dit proces is essentieel voor het simuleren van nieuwe materialen of het begrijpen van chemische reacties, maar het is berucht moeilijk. De klassieke computer moet de quantummachine herhaaldelijk vragen om dezelfde berekening steeds opnieuw uit te voeren, waarbij de instellingen telkens een klein beetje worden aangepast, enkel om te ontdekken welke richting naar een beter antwoord leidt. Dit heen-en-weer-proces verbruikt een enorme hoeveelheid tijd en middelen, wat een knelpunt creëert dat de vooruitgang vertraagt.

Onderzoekers vroegen zich onlangs af of een ander soort intelligentie de tijdrovende trial-and-error-fase zou kunnen overslaan. Large language models, dezelfde krachtige kunstmatige intelligentiesystemen die essays kunnen schrijven of vragen kunnen beantwoorden, hebben een verrassend vermogen getoond om complexe patronen te begrijpen. Een team wetenschappers uit Oostenrijk en Brazilië zette zich af om te testen of deze modellen als een kortere route konden fungeren, door de perfecte instellingen voor een quantumcircuit te voorspellen door enkel een beschrijving van het circuit en het probleem dat het moet oplossen te lezen, zonder eerst de experimenten uit te voeren. Ze wilden zien of een AI naar de blauwdruk van een quantummachine en de wiskundige beschrijving van de energie die geminimaliseerd moet worden kon kijken, en simpelweg de juiste getallen kon opschrijven om de knoppen in te stellen, waardoor het trage, iteratieve proces van klassieke optimalisatie werd omzeild.

De onderzoekers gebruikten een bevroren, algemeen doelgericht taalmodel, wat betekent dat ze het niets nieuws over quantumfysica hebben geleerd of specifieke voorbeelden hebben gegeven om van te leren. In plaats daarvan voerden ze de symbolische beschrijving van een quantumcircuit en de wiskundige uitsplitsing van het energieprobleem in, waarbij ze het model vroegen om een volledige lijst met getallen voor de instellingen van het circuit te genereren. Ze testten deze aanpak op drie verschillende soorten uitdagingen: willekeurige wiskundige problemen zonder duidelijk patroon, gestructureerde problemen die echte fysieke systemen zoals moleculen nabootsen, en specifieke quantumalgoritmen die ontworpen zijn om informatie te zoeken of gegevens te transformeren. In het geval van de willekeurige problemen had het model moeite. Wanneer het energielandschap chaotisch was en geen duidelijke structuur miste, waren de gokken van de AI vaak slechter dan wat een standaard, goed gevestigde wiskundige methode via eenvoudige iteratie zou kunnen bereiken. Het model kon de laag-energetische instellingen niet betrouwbaar vinden door enkel naar de symbolen te kijken, wat suggereert dat de AI zonder een duidelijk patroon om te volgen, in feite in het donker gokte.

Het verhaal veranderde echter wanneer de problemen een herkenbare structuur hadden. Wanneer de onderzoekers het model presenteerden met Hamiltonians die echte fysieke systemen vertegenwoordigden, zoals een molecuul bestaande uit vier waterstofatomen, presteerde de AI veel beter. In deze gevallen was het model in staat om parameterconfiguraties te genereren die leidden tot lage energietoestanden, soms zelfs grenzend aan het best mogelijke antwoord met zeer weinig pogingen. De aanwezigheid van identificeerbare fysieke en wiskundige structuur leek te fungeren als een gids, waardoor het model de juiste instellingen kon afleiden. Het team onderzocht ook of het geven van feedback aan het model na elke gok zou helpen. Ze ontdekten dat hoewel het model zijn suggesties licht kon verbeteren wanneer het werd verteld wat de energie van de vorige gok was, de grootste winsten voortkwamen uit het initiële inzicht dat door de structuur van het probleem werd geboden, in plaats van uit een lange cyclus van correcties. Sterker nog, voor de willekruige problemen bood de feedbackloop zeer weinig hulp, wat de gedachte versterkte dat de kracht van het model ligt in het herkennen van patronen in plaats van in brute-force zoeken.

Een cruciaal onderdeel van de studie betrof het controleren van de betrouwbaarheid van de AI-voorspellingen. De onderzoekers ontdekten dat wanneer het model probeerde de uiteindelijke energiewaarde direct te raden, het soms een fundamentele fout maakte door een energieniveau te voorspellen dat fysiek onmogelijk is voor dat systeem. Dit is een significante beperking, aangezien het betekent dat een directe getalvoorspelling van de AI niet vertrouwd kan worden zonder verificatie. In tegenstelling hiermee konden de werkelijke instellingen die het model voor het quantumcircuit leverde, worden getest in een simulatie om een echte, meetbare energiewaarde te produceren. Zelfs als de instellingen niet perfect waren, was de resulterende energie altijd een geldige, fysiek realiseerbare bovengrens. Dit onderscheid is essentieel: het model is beter in het suggereren van een concrete weg naar een oplossing dan in het direct voorspellen van de bestemming.

De onderzoekers testten ook het vermogen van het model om als vertaler op te treden, waarbij ze het model vroegen om naar een quantumcircuit te kijken en uit te leggen wat het deed. Ze gaven het model circuits die bekende taken uitvoerden, zoals het doorzoeken van een database of het transformeren van gegevens, maar ze hadden het visuele uiterlijk van de circuits door elkaar gehusseld om hun identiteit te verbergen. Opmerkelijk genoeg kon het model de onderliggende taak vaak correct identificeren, zelfs wanneer het circuit er totaal anders uitzag dan de standaardvorm. Nog indrukwekkender was dat zelfs wanneer het model er niet in slaagde het algoritme correct te benoemen, het vaak de juiste uitkomst van het experiment voorspelde. Dit suggereert dat het model het functionele gedrag van het systeem begrijpt — het "wat er gebeurt" — zelfs als het niet altijd kan benoemen "wat het is".

Uiteindelijk schetst de studie een genuanceerd beeld van wat kunstmatige intelligentie wel en niet kan in de quantumwereld. Het suggereert dat large language models geen universele vervanging zijn voor traditionele optimalisatiemethoden, vooral wanneer ze te maken hebben met chaotische, ongestructureerde problemen. Echter, wanneer het probleem een duidelijke fysieke of wiskundige structuur bezit, kunnen deze modellen dienen als krachtige instrumenten om de zoektocht naar oplossingen een vliegende start te geven, door veelbelovende beginpunten te bieden die tijd en middelen besparen. Het werk benadrukt dat hoewel AI patronen kan herkennen en fysiek geldige configuraties kan voorstellen, het nog steeds de rigoureuze controle van een werkelijke meting vereist om zijn voorspellingen te bevestigen. De toekomst van quantum computing zal misschien niet afhangen van AI om elk probleem vanaf nul op te lossen, maar eerder van een partnerschap waarbij AI intelligente gissingen doet op basis van structuur, en klassieke methoden die gissingen verfijnen tot nauwkeurige antwoorden.

Verdrinkt u in papers in uw vakgebied?

Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.

Probeer Digest →