Quantum machine learning: concepten, algoritmen en use cases

Sommige problemen bezorgen klassieke computers flink wat zweet. Het simuleren van moleculaire interacties, het doorzoeken van enorme combinatorische ruimten, het ontbinden van grote getallen: het werk groeit sneller dan de hardware kan bijbenen. Quantumcomputers benaderen deze problemen vanuit een andere hoek, en een kleine maar groeiende groep onderzoekers vraagt zich af of dat verschil ook machine learning kan helpen.

Die vraag is waar quantum machine learning (QML) over gaat. Deze gids legt uit wat QML nou echt is, welke quantumideeën je nodig hebt om het te volgen, de belangrijkste algoritmen waar mensen mee experimenteren, en waar het vakgebied nu staat, wat, ik zeg het maar vast, eerder is in de ontwikkeling dan de krantenkoppen doen vermoeden. Werk je al met klassieke ML via iets als onze Machine Learning Scientist in Python track, dan zul je meer van de structuur hier herkennen dan je misschien verwacht.

Wat is quantum machine learning?

Quantum machine learning gebruikt quantumcomputing om delen van een machinelearningtaak uit te voeren of te versnellen. Dat kan betekenen dat je data in quantumtoestanden codeert, een quantumcircuit inzet in plaats van een klassiek modelonderdeel, of een quantumsubroutine aanroept binnen een verder normale trainingslus. Het label beslaat een breed spectrum, van grotendeels klassieke methoden met één quantumstap tot modellen die volledig op quantumhardware zijn ontworpen.

Voor we verder gaan, is het handig om te verduidelijken wat QML niet is, want daar begint vaak de verwarring. Het is geen snellere drop-in vervanging voor de modellen die je al gebruikt, en het staat niet op het punt om klassieke ML overal te vervangen. Het grootste deel van het vakgebied zit in de onderzoeksfase en draait op simulators of kleine, ruisgevoelige quantummachines. De eerlijke framing: QML stelt een beperktere vraag, namelijk, zijn er specifieke ML-problemen waarbij quantumhardware iets biedt wat klassieke hardware niet makkelijk kan evenaren? Voor een handvol probleemtypes ziet het antwoord er veelbelovend uit. Voor de meeste blijft klassieke ML het juiste gereedschap, en onze Understanding Machine Learning cursus behandelt eerst de basis die de meeste mensen daadwerkelijk nodig hebben.

Basis van quantumcomputing

Je hebt geen natuurkundediploma nodig om de rest van dit artikel te volgen, maar een paar ideeën maken QML een stuk minder mysterieus. Hier is de korte versie, sla gerust over als deze je al bekend zijn.

Qubits versus bits

Een klassieke bit is óf 0 óf 1. Een qubit kan een mengvorm van beide tegelijk bevatten en valt pas bij meting definitief in 0 of 1. Voor de meting wordt een qubit beschreven door twee amplitudes die de kans op elke uitkomst bepalen. Dat is de hele truc: een register van n qubits kan tegelijk een combinatie van 2ⁿ toestanden vertegenwoordigen, waar n klassieke bits er maar één van die toestanden tegelijk kunnen bevatten.

Het addertje (en bij quantumcomputing is er altijd een addertje) is dat je al die toestanden niet simpelweg kunt uitlezen. Meten laat de qubit instorten tot één waarde, dus nuttige informatie terugkrijgen vergt wat finesse. Die beperking weegt zwaarder dan het in eerste instantie lijkt, en het is een groot deel van de reden waarom QML-algoritmen zo zijn ontworpen als je zo meteen ziet.

Superpositie en verstrengeling

Die mengvorm van toestanden heet superpositie. Het tweede idee, verstrengeling, is waar het interessant wordt: twee of meer qubits kunnen zo sterk gecorreleerd raken dat je de een niet kunt beschrijven zonder de ander(en) te beschrijven. Meet je één verstrengelde qubit, dan weet je meteen iets over zijn partner, in principe zelfs over afstand. Klassieke bits kennen hier geen equivalent voor, en de meeste voorgestelde voordelen van quantumcomputing leunen er op de een of andere manier op.

Quantumpoorten

Hoe werk je dan daadwerkelijk met qubits in superpositie en verstrengeling? Daar komen quantumpoorten om de hoek kijken. Het zijn omkeerbare rotaties van de toestand van een qubit: een Hadamardpoort brengt een qubit in superpositie, een CNOT-poort verstrengelt twee qubits. Rijg poorten aaneen en je krijgt een quantumcircuit, de quantumvariant van een programma. Alles rust op lineaire algebra: toestanden zijn vectoren, poorten zijn matrices, en een circuit laten draaien is een reeks matrixoperaties. Als dat deel wat wankel voelt, sluiten de lineaire-algebravaardigheden uit onze data science-leertrajecten hier naadloos op aan.

Met qubits, superpositie, verstrengeling en poorten heb je alles in handen om te zien hoe deze stukken in een QML-workflow samenkomen.

Hoe quantum machine learning werkt

Op hoofdlijnen kent een QML-workflow vier stappen. Eerst codeer je klassieke data in een quantumtoestand, meestal door featurewaarden op rotatiehoeken of amplitudes te mappen. Ten tweede pas je een quantumcircuit toe, vaak met instelbare parameters. Ten derde meet je het circuit, en draai je het vele keren omdat elke meting maar één ingestorte uitkomst oplevert en je genoeg steekproeven nodig hebt om het resultaat betrouwbaar te schatten. Ten vierde voer je dat resultaat terug in een leerproces.

Die laatste stap is waar de meeste praktische QML vandaag leeft. In plaats van alles op een quantummachine te draaien, bouw je een hybride lus: het quantumcircuit levert een waarde, een klassieke optimizer past de parameters van het circuit aan, en de cyclus herhaalt, precies zoals het trainen van een model, behalve dat één deel van de berekening op quantumhardware gebeurt. De huidige quantummachines zijn ruisgevoelig en klein (het veld noemt dit het NISQ-tijdperk, van noisy intermediate-scale quantum), dus het zware werk klassiek houden en alleen het deel uitbesteden dat baat heeft, is de pragmatische keuze. Ik kom zo terug op waarom hybride wint in de volgende sectie.

Typen benaderingen voor quantum machine learning

Nu je de basis van de viertaps-workflow hebt gezien, is het de moeite waard om te vragen: hoeveel daarvan moet echt op quantumhardware draaien? Er zijn grofweg drie manieren om quantumcomputing met machine learning te combineren, en ze verschillen vooral in hoeveel werk de quantummachine daadwerkelijk doet.

Quantum-versterkte machine learning

Hier is het model in essentie klassiek, maar één dure stap wordt aan een quantumroutine uitbesteed voor een mogelijke versnelling: een lineair stelsel oplossen, een kernel schatten, sampelen uit een verdeling. De rest van de pijplijn lijkt op de supervised learning die je zou bouwen in onze Supervised Learning with scikit-learn-cursus.

Volledig quantum modellen

Aan de andere uiterste draaien deze end-to-end op quantumhardware, met zowel data als model in quantumtoestanden. Het zijn de meest ambitieuze varianten van QML en, niet toevallig, nu het minst praktisch: de huidige hardware kan ze op geen enkele nuttige schaal ondersteunen.

Hybride quantum-klassieke modellen

Tussen die twee extremen zit de aanpak die vandaag wél werkt, en waar vrijwel al het serieuze QML-onderzoek plaatsvindt. Een geparametriseerd quantumcircuit handelt een deel van de berekening af terwijl een klassieke optimizer het traint. Het omzeilt de beperkingen van kleine, ruisgevoelige hardware door de quantummachine alleen te vragen wat hij momenteel goed kan.

Quantum machine learning-algoritmen

Je ziet steeds dezelfde handvol algoritmefamilies terugkomen. Ik houd dit op hoog niveau; de wiskunde wordt snel diep, en je hebt die niet nodig om te begrijpen waar elk voor is.

Variationele quantumcircuits (VQC)

Een variationeel quantumcircuit is een quantumcircuit met instelbare parameters, getraind in die hybride lus die ik eerder beschreef. Het is het werkpaard van QML op korte termijn en de basis voor de meeste andere modellen hier. Zo ziet het er ongeveer uit in PennyLane, een populaire open-source QML-bibliotheek:

import pennylane as qml

# A 2-qubit device that runs on a local simulator
dev = qml.device("default.qubit", wires=2)

@qml.qnode(dev)
def variational_circuit(inputs, weights):
    # Encode two input features as qubit rotation angles
    qml.AngleEmbedding(inputs, wires=[0, 1])
    # The trainable layer a classical optimizer will adjust
    qml.BasicEntanglerLayers(weights, wires=[0, 1])
    # Measure to get a value we can feed back into training
    return qml.expval(qml.PauliZ(0))

De gewichten zijn wat de klassieke optimizer over vele iteraties bijwerkt, net zoals gradient descent de gewichten van een neuraal netwerk bijwerkt. Met dat patroon op zijn plek voelen de overige algoritmen als variaties op een thema.

Quantum support vector machines

Een quantum support vector machine behoudt de structuur van een klassieke SVM, maar gebruikt een quantumcircuit om de kernel te berekenen: de gelijkenis tussen datapunten. De hoop is dat een quantum feature space patronen kan vangen waar een klassieke kernel moeite mee heeft. Of dat helpt op echte datasets is nog een open vraag.

Quantumneurale netwerken (QNN's)

Quantumneurale netwerken rangschikken geparametriseerde circuits in lagen en trainen ze vergelijkbaar met klassieke netwerken. Als je een model hebt getraind in onze Introduction to Deep Learning in Python-cursus, is de lus vertrouwd: forward pass, loss, update, alleen draait de forward pass op een quantumcircuit.

Quantum k-means

Quantum k-means is de clusteringvariant: het gebruikt quantumsubroutines om afstanden tussen punten te schatten, de operatie die in klassieke k-means op schaal domineert. Het is het meest directe voorbeeld op deze lijst van "vervang één dure stap door een quantumversie".

Je vraagt je misschien af, gezien al deze algoritmen, of een van hen de belofte van quantumversnellingen daadwerkelijk waarmaakt. Precies dat bekijken we hierna.

Potentiële voordelen van quantum machine learning

Drie mogelijke pluspunten keren het vaakst terug. Bepaalde gestructureerde problemen, zoals het simuleren van quantumsystemen in de chemie en materiaalkunde, passen van nature op quantumhardware, en dat is het gebied waar een voordeel het meest plausibel lijkt. Quantum feature spaces zouden ook complexe relaties kunnen representeren die klassiek lastig te vangen zijn. En voor een paar specifieke algoritmen wijst de theorie op grote, zelfs exponentiële, snelheidswinst.

Merk op dat ik steeds potentiële zeg. Deze voordelen zijn meestal op papier bewezen, onder aannames waar echte hardware nog niet aan voldoet. Een favoriet voorbeeld van de kloof: verschillende theoretische versnellingen gaan ervan uit dat je data al in een quantumtoestand geladen is, maar het laden van klassieke data in die toestand kan net zoveel kosten als de winst die de versnelling oplevert. Precies zo'n verborgen bottleneck is waarom geclaimde voordelen en aangetoonde voordelen nog twee heel verschillende lijsten zijn.

Gezien die kloof is het nuttig om klassieke en quantum ML direct naast elkaar te zetten.

Quantum machine learning vs. klassieke machine learning

De duidelijkste manier om het verschil te zien is naast elkaar.

Klassieke ML domineert reel werk vandaag de dag en zal dat nog wel even blijven doen: de tooling, de hardware en het talent zijn er allemaal. QML is de uitdager in een vroeg stadium die uiteindelijk misschien een niche verovert bij problemen waar de quantumstructuur rendeert. Ze als rivalen behandelen, mist de kern. Voor nu spelen ze in verschillende divisies, en de interessante vraag is welke problemen uiteindelijk zullen oversteken.

Die "verschillende divisies"-framing is ook het beste tegengif tegen de mythes die dit veld vaak omringen, dus laten we die direct aanpakken.

Veelvoorkomende misvattingen over quantum machine learning

Een paar mythes blijven QML achtervolgen, en die zijn het waard om te ontkrachten.

"Quantum ML is voor alles sneller." Dat is het niet. De voorgestelde versnellingen gelden voor specifieke algoritmen onder specifieke voorwaarden. Voor de overgrote meerderheid van ML-taken biedt een quantummachine geen voordeel, en draait hij langzamer als je de huidige hardware meeneemt.

"Quantumcomputers zullen klassieke computers vervangen." Nee. Het zijn gespecialiseerde accelerators gericht op een smalle klasse problemen, geen vervangers voor algemene doeleinden. Je laptop gaat nergens heen, en het klassieke deel van elk hybride QML-model evenmin.

"QML is vandaag productierijp." Deze struikelt de meeste nieuwkomers. Het veld is experimenteel, de hardware is beperkt en ruisgevoelig, en bijna alles draait op simulators. QML is iets om nu te leren en te volgen, niet iets om te shippen.

Met de hype weggepoetst, hou je een oprecht interessant vakgebied over dat het waard is om op eigen merites te leren. Dus als je nieuwsgierig genoeg bent om code te schrijven, hier is waar je begint.

Aan de slag met quantum machine learning

Als de concepten je nieuwsgierig genoeg maken om code te schrijven, is het goede nieuws dat de tooling open-source en beginnersvriendelijk is. PennyLane (de bibliotheek in het voorbeeld hierboven) en Qiskit zijn de twee meest gangbare instappunten, en beide draaien op simulators, dus je hebt geen toegang tot een echte quantummachine nodig om te experimenteren. Qiskits machine learning-module levert kant-en-klare quantumkernels, classifiers en neurale netwerken, en sluit aan op PyTorch, wat het een comfortabele brug maakt vanuit klassiek werk.

Mijn advies: zorg eerst dat de klassieke basis stevig zit. De hybride lus, de optimizers, hoe een model traint, dat is allemaal klassiek, en daarop leun je het meest. Onze Machine Learning Scientist in Python track behandelt die basis, en vanaf daar zijn de quantum-specifieke stukken een add-on in plaats van een herstart. Leer door circuits te draaien en parameters te tweaken; over superpositie lezen brengt je maar tot op zekere hoogte.

Conclusie

Quantum machine learning staat op het snijvlak van twee snel bewegende velden en leent de manier waarop quantumcomputing informatie representeert om delen van de ML-pijplijn aan te pakken. Ik heb dit bewust nuchter gehouden, omdat het onderwerp meer hype aantrekt dan bijna alles in tech op dit moment, en de eerlijke samenvatting is bescheiden: QML staat nog aan het begin, is grotendeels experimenteel en oprecht onzeker over waar het zal renderen.

Dat is geen reden om het te negeren. Het is een reden om de basis nu te begrijpen, terwijl het veld nog klein genoeg is om end-to-end te leren. Als quantumhardware rijpt zoals de optimisten hopen, zijn de mensen die al begrijpen hoe qubits, circuits en hybride training in elkaar grijpen degenen die er klaar voor zijn. En als het niet overal uitpakt, heb je nog steeds een fascinerende hoek van de informatica geleerd, wat, eerlijk gezegd, ook geen slechte uitkomst is.