In de wereld van de informatica zijn sommige problemen eenvoudig te formuleren, maar extreem moeilijk op te lossen wanneer de hoeveelheid gegevens groeit. Een dergelijke uitdaging is het vinden van de dichtstbijzijnde overeenkomst in een enorme bibliotheek aan informatie. Stel je een bibliothecaris voor die het boek moet vinden dat het meest lijkt op een nieuwe aanvraag door elk volume in de schappen te vergelijken. In een klassieke computer vereist dit proces het controleren van elk item één voor één, een taak die pijnlijk traag wordt naarmate de bibliotheek groter wordt. Dit is de kern van het "k-nearest neighbor"-probleem, een fundamenteel hulpmiddel dat wordt gebruikt in alles van medische diagnoses tot het aanbevelen van films. Decennialang hebben wetenschappers gehoopt dat quantumcomputers, die informatie op een fundamenteel andere manier kunnen verwerken, dit zoekprobleem direct zouden kunnen oplossen. Echter, eerdere pogingen om een quantumversie van dit zoekinstrument te bouwen, vertrouwden op theoretische afkortingen die nog niet bestaan in de echte wereld, of ze waren beperkt tot het oplossen van slechts zeer eenvoudige problemen met twee opties.

Een team onderzoekers aan de Concordia University heeft nu een nieuwe manier gedemonstreerd om deze zoekopdracht uit te voeren die werkt zonder die onmogelijke afkortingen. Ze hebben een quantumcircuit ontworpen dat een enkele nieuwe query kan vergelijken met een enorme collectie trainingsgegevens, inclusief veel verschillende categorieën, allemaal binnen één enkele uitvoering van de machine. Hun werk bewijst dat het mogelijk is om een quantumclassifier te bouwen die meerdere klassen van data gelijktijdig afhandelt, zonder dat daarvoor hypothetische geheugenapparaten nodig zijn die direct toegang hebben tot elk stukje data. In plaats van te vertrouwen op magie of onbewezen technologie, hebben ze een systeem gebouwd met behulp van standaard, fysieke operaties die op werkelijke quantumhardware kunnen worden uitgevoerd. Het resultaat is een machine die, in simulatie, de nauwkeurigheid evenaart van de beste klassieke methoden, terwijl het een nieuwe architecturale weg biedt die geen vereist dat de volledige trainingsset in een apart, massaal geheugenbank wordt geladen.

De onderzoekers begonnen met het aanpakken van het probleem van hoe gewone data te vertalen naar een taal die een quantumcomputer kan begrijpen. Quantummachines werken op toestanden die een specifieke wiskundige grootte moeten hebben, vergelijkbaar met een ballon die opgeblazen moet worden tot een precies volume om zijn vorm te behouden. Als je simpelweg een groot object verkleint om erin te passen, verlies je informatie over de oorspronkelijke grootte. Het team gebruikte een wiskundige techniek genaamd inverse stereografische projectie om hun data op een sfeer te mappen. Dit proces is slim omdat het de oorspronkelijke grootte en vorm van de datapunten behoudt terwijl ze in het vereiste quantumformaat worden geplaatst. Door dit te doen, zorgden ze ervoor dat de afstand tussen twee punten in de oorspronkelijke data getrouw wordt weerspiegeld in de afstand tussen hun quantumrepresentaties. Deze stap was cruciaal; zonder dit zou de quantumcomputer vervormde schaduwen vergelijken in plaats van de werkelijke objecten, wat tot onjuiste antwoorden zou leiden.

Zodra de data correct was gecodeerd, construeerde het team een circuit dat fungeert als een gigantische vergelijkingsmotor. In een traditionele aanpak zou een computer de nieuwe query vergelijken met het eerste trainingspunt, dan het tweede, dan het derde, enzovoort, één voor één. Het beschreven quantumcircuit doet iets radicalers: het plaatst alle trainingsdata in een staat van superpositie, waarbij ze in een combinatie van alle mogelijke toestanden tegelijkertijd bestaan. Het circuit gebruikt vervolgens een netwerk van gecontroleerde swaps, wat kan worden gezien als een geavanceerd sorteermechanisme, om de data te routeren. Dit netwerk stelt de quantumcomputer in staat om de query tegen elk trainingspunt uit elke klasse tegelijkertijd te vergelijken. De machine hoeft ze niet sequentieel te controleren; hij evalueert de gehele bibliotheek in één keer.

Het hart van het meetproces berust op een techniek die bekend staat als de SWAP-test. Dit is een procedure die controleert hoe vergelijkbaar twee quantumtoestanden zijn. Als twee toestanden identiek zijn, geeft de test één resultaat; als ze verschillend zijn, produceert het een ander resultaat. De onderzoekers hebben hun circuit zo ontworpen dat de waarschijnlijkheid van het krijgen van een specifiek meetresultaat direct gekoppeld is aan hoe dicht een trainingspunt bij de query ligt. Door het circuit vele malen uit te voeren en de resultaten te tellen, bouwt de machine een statistisch beeld op van welke trainingspunten de dichtstbijzijnde overeenkomsten zijn. Cruciaal is dat het circuit ook bijhoudt bij welke klasse elke dichtstbijzijnde buur hoort. Dit stelt het systeem in staat om een meerderheidsstemming uit te voeren, waarbij de definitieve label wordt bepaald op basis van de dichtstbijzijnde buren, precies zoals een mens zou doen als hij een groep experts om hun mening vraagt.

Het team testte hun ontwerp met een benchmark die vier verschillende categorieën data omvatte, met duizenden gesimuleerde vergelijkingen. Ze ontdekten dat het quantumcircuit exact dezelfde beslisregels van de klassieke methode reproduceerde. In het limiet van oneindige metingen stemde het quantum systeem en het klassieke systeem in elk enkel testgeval overeen. Zelfs met een realistisch aantal metingen kwam de nauwkeurigheid van de quantumclassifier overeen met de klassieke nauwkeurigheid binnen een zeer kleine marge, waarbij het verschil minder dan één procentpunt bedroeg in de moeilijkste scenario's. Dit niveau van prestatie is significant omdat het aantoont dat de quantumbenadering niet inboet op nauwkeurigheid voor snelheid of complexiteit. Het systeem identificeerde succesvol de juiste buren en wijs de juiste labels toe, wat bewijst dat de onderliggende logica standhoudt onder kritische controle.

Een grote kracht van dit werk is dat het het gebruik van Quantum Random Access Memory, of QRAM, vermijdt. Veel eerdere voorstellen voor quantum machine learning gingen uit van de existentie van deze technologie, die een quantumcomputer in staat zou stellen om direct elk stukje data uit een enorme opslagbank op te halen. Echter, QRAM blijft een theoretisch concept dat nog niet is gebouwd en mogelijk fysiek onmogelijk is om op schaal te construëren. Het nieuwe ontwerp gebruikt geen QRAM. In plaats daarvan laadt het de data direct in de registers van het circuit. Hoewel dit laadproces tijd in beslag neemt die proportioneel is aan de omvang van de data, is het een praktische, implementeerbare stap die niet afhankelijk is van hypothetische hardware. De onderzoekers waren transparant over deze kosten en merkten op dat de tijd die nodig is om data te laden momenteel de belangrijkste bottleneck is, maar ze toonden aan dat het vergelijkingsgedeelte van het proces zeer efficiënt is en niet vereist dat de data in een aparte, ontoegankelijke geheugenbank wordt opgeslagen.

De onderzoekers vergeleken hun methode ook met andere quantumbenaderingen die in de afgelopen jaren zijn voorgesteld. Ze vonden dat methoden die vertrouwen op verschillende soorten data-encodering vaak belangrijke informatie over de grootte van de datapunten verloren, wat leidde tot een lagere nauwkeurigheid. Hun benadering, die de volledige geometrie van de data behoudt, presteerde even goed als de beste klassieke methoden en beter dan andere quantumvoorstellen die vertrouwden op minder volledige encoderingen. Bovendien, toen ze het totaal aantal benodigde fysieke componenten telden, inclusief het geheugen dat nodig is om de data vast te houden, was hun ontwerp efficiënter dan de QRAM-gebaseerde methoden voor datasets groter dan een bepaalde omvang. Dit suggereert dat hun architectuur niet slechts een theoretische curiositeit is, maar een levensvatbare weg voor toekomstige hardware.

De studie concludeert dat het mogelijk is om een multi-class quantumclassifier te bouwen die werkt in een enkel circuit zonder te vertrouwen op onbewezen technologie. Het systeem vertaalt succesvol klassieke data naar quantumtoestanden, vergelijkt een query met een volledige dataset tegelijkertijd, en leest de resultaten met hoge nauwkeurigheid uit. Hoewel de huidige snelheid van het systeem wordt beperkt door de tijd die het kost om de data te laden, is de architectuur zelf solide en modulair. Dit betekent dat naarmate wetenschappers betere manieren ontwikkelen om data in quantumcomputers te laden, dit specifieke circuitontwerp onmiddellijk kan profiteren van die verbeteringen zonder dat het opnieuw ontworpen hoeft te worden. Het werk biedt een duidelijke, concrete demonstratie van hoe quantuminterferentie kan worden ingezet om een klassiek zoekprobleem op te lossen, waarmee het vakgebied een stap dichter bij praktische toepassingen komt waar quantummachines daadwerkelijk kunnen assisteren bij het analyseren van complexe data.