Europese beurs om zelflerend vermogen van quantumcomputers verder te brengen
Een grote beurs voor onderzoek naar ‘machine learning’ algoritmes voor quantumcomputers. Met deze ERC Consolidator-beurs hopen Vedran Dunjko en zijn collega’s te ontdekken welke problemen uit de echte wereld een quantumcomputer sneller kan oplossen dan een normale.
‘Quantum machine learning wordt vaak genoemd als een van de meest veelbelovende toepassingen van quantumcomputers, maar als je naar de literatuur kijkt, hebben we daar maar heel weinig echt bewijs voor’, zegt Vedran Dunjko, hoogleraar Computer Science bij het informatica-instituut LIACS en leider van de groep Advanced Quantum Algorithms van het LIACS en natuurkunde-instituut LION.
Quantumcomputers en machine learning (verwant aan AI of kunstmatige intelligentie genoemd), zijn de twee grote ontwikkelingen in de computertechnologie. AI komen we inmiddels bijna dagelijks tegen in enthousiaste of juist angstige verhalen over ChatGPT, gezichtsherkenningssoftware en nepfoto’s (al hebben AI’s veel meer in hun mars). Kort door de bocht kunnen machine learning-toepassingen taken oplossen door van voorbeelden te leren, in plaats van dat ze ervoor geprogrammeerd worden. Met de juiste computerarchitectuur en rekenkracht blijkt dat zeer krachtig.
Steeds sneller rekenen
Quantumcomputers werken met quantumbits, of qubits. Waar een gewone bit in een computer 1 of 0 is, kan een qubit allebei tegelijk zijn. Deze technologie is nog volop in ontwikkeling: qubits in laboratoria zijn kwetsbaar en moeten meestal gekoeld worden tot vlak boven het absolute nulpunt van -273 graden Celsius.
Maar quantumcomputers beloven een dramatische versnelling van bepaalde rekenproblemen. Vooral het simuleren van quantummechanische systemen, zoals de structuur van moleculen of materialen, kunnen ze binnen beperkte tijd. Een gewone computer doet daar duizenden jaren over.
Wat ligt er dan meer voor de hand dan deze twee te combineren, en zo een aanval te doen op de allerzwaarste quantumrekenproblemen? ‘Dan kun je bijvoorbeeld vragen stellen zoals: in welke fase verkeert dit natuurkundige systeem. Is het een quantum-spin-vloeistof? Dat zijn natuurkundige problemen die heel, heel moeilijk te berekenen zijn’, zegt Dunjko. De moderne natuurkunde ontdekt steeds meer van zulke materialen met exotische effecten, die regelmatig tot nieuwe toepassingen leiden, van supergeleiders tot extreem gevoelige sensoren.
Welke problemen kan quantum-machine learning oplossen?
Als je die systemen, waarin de quantummechanische effecten op complexe manieren in elkaar grijpen kunt doorrekenen, kun je zowel de materialen beter begrijpen, als de quantum machine learning zelf. Ook kan de combinatie mogelijk helpen voor het interpreteren van data van deeltjesversnellers zoals de Large Hadron Collider in CERN, waar natuurkundigen de krachten tussen elementaire deeltjes onderzoeken. ‘In hoge energie-fysica zijn bepaalde onderdelen heel lastig te begrijpen, bijvoorbeeld effecten van de sterke kernkracht’, zegt Dunjko. Die elementaire natuurkracht houdt de protonen en neutronen in de atoomkern bij elkaar, maar laat zich heel lastig uitrekenen, ook weer door de intense quantummechanische verbondenheid.
‘De fundamentele vraag is: zijn er rekenproblemen die je niet met machine learning alleen kunt oplossen, maar wel met een quantumcomputer-variant?’, zegt Dunjko. Hij denkt van wel, ‘gebaseerd op de waarnemingen die we de laatste twee jaar gedaan hebben hebben.’ Mogelijk kan het zelfs al op de relatief kleine quantumcomputers die nu in aanbouw zijn.
Om die vermoedens ook wiskundig te bewijzen en zo te komen tot verder begrip en een duidelijke richting voor quantum machine learning, dat is het einddoel. Dankzij de ERC Consolidator Grant van 2 miljoen euro kan Dunjko daar nu vijf jaar aan werken, ‘dat wil zeggen: drie promovendi en twee postdocs, en ik.'
Tekst: Bruno van Wayenburg