Het trainen van parametrische interacties in een analoog bosonisch kwantumneuraal netwerk met Fock-basismeting

Slim leren met kwantumgolven

Moderne kunstmatige intelligentie draait op neurale netwerken die zijn opgebouwd uit transistors en digitale code. Deze studie onderzoekt hoe een heel ander soort hardware, opgebouwd uit minuscule trillende elektromagnetische velden die de wetten van de kwantummechanica volgen, getraind kan worden om patronen in data te herkennen. Het werk laat zien hoe je zo’n kwantumneuraal netwerk op een praktische manier kunt ontwerpen en trainen, zodat het uiteindelijk informatie direct binnen toekomstige kwantummachines zou kunnen verwerken.

Een nieuw soort kwantumbrein

De auteurs richten zich op systemen die bestaan uit lichtachtige excitaties, bosonen genoemd, opgeslagen in microgolf- of optische resonatoren. Deze resonatoren kunnen energie uitwisselen en paarvorming van deeltjes veroorzaken wanneer ze door externe signalen worden aangedreven. Op zichzelf worden deze interacties beschreven door lineaire vergelijkingen, die gewoonlijk te eenvoudig zijn om krachtige leerprestaties mogelijk te maken. De sleutel is hier om de fysieke evolutie lineair te houden, maar het systeem uit te lezen met fotonentelling, wat van nature niet-lineaire responsen produceert. Door zorgvuldig te kiezen hoe de resonatoren worden aangedreven en gekoppeld, gedraagt het kwantumapparaat zich als een analoog neuraal netwerk dat invoergegevens naar nuttige uitvoerkenmerken afbeeldt.

Een klassieke computer laat het moeilijke werk doen

Het trainen van gewone neurale netwerken berust op backpropagation, een methode die efficiënt parameters aanpast door de gradiënten van de verliesfunctie te volgen. Deze aanpak direct toepassen op een groot kwantumsysteem is meestal onmogelijk, omdat het simuleren van de volledige dynamica snel onhanteerbaar wordt. De innovatie in dit werk is het benutten van de speciale structuur van zogenaamde Gaussische toestanden, waarbij de evolutie van gemiddelde waarden en fluctuaties compact kan worden beschreven. De kwantumhardware voert de voorwaartse stap uit, waarbij de fysieke velden evolueren, terwijl een klassieke model van diezelfde Gaussische dynamica, die gemakkelijk te simuleren is, wordt gebruikt om gradiënten te berekenen. Deze hybride strategie maakt end-to-end training van de fysieke aandrijfsterkten en koppelingen mogelijk zonder dat daarvoor gradiëntinformatie uit het kwantumapparaat zelf gehaald hoeft te worden.

Het apparaat leren patronen te herkennen

Om hun benadering te testen, simuleren de onderzoekers meerdere leertaken met toenemende moeilijkheid. Eerst vragen ze een klein netwerk van twee resonatoren om onderscheid te maken tussen sinus- en vierkante-golfsignalen die worden gepresenteerd als korte tijdreeksen. Door alleen de kans te meten dat één resonator na elke invoer nul fotonen bevat, en met op gradiënten gebaseerde training van de fysieke parameters, bereikt het model perfecte classificatie. Vergeleken met een niet-getrainde “reservoir”versie van dezelfde hardware, die veel uitvoerlezingen gebruikt, heeft het getrainde netwerk veel minder gemeten grootheden en veel minder experimentele runs nodig om dezelfde nauwkeurigheid te bereiken.

De beste manier vinden om data in te voeren

Het team bestudeert vervolgens een klassiek moeilijk probleem waarbij punten moeten worden toegewezen aan een van twee in elkaar verstrengelde spiralen in het vlak. Deze taak vereist sterke niet-lineariteit. Met vier gekoppelde resonatoren vergelijken ze verschillende manieren om de twee invoercoördinaten in de fysieke besturingen te coderen, zoals de amplitude of fase van de aandrijftonen en van verschillende koppelingsprocessen. Ze vinden dat het inbedden van de data in de sterkte of fase van een speciale interactie die fotonenparen creëert een bijzonder sterk effect heeft, waardoor perfecte classificatie mogelijk wordt met slechts één uitgelezen fotonwaarschijnlijkheid. Andere coderingskeuzes vragen veel meer gemeten outputs, of bereiken nooit volledige nauwkeurigheid. Dit toont aan dat de manier waarop data in het kwantumapparaat wordt geschreven sterk de effectieve niet-lineariteit bepaalt.

Van handgeschreven cijfers naar toekomstige apparaten

Ten slotte pakken de auteurs een kleine beeldherkenningstaak aan met handgeschreven cijfers weergegeven als 8 × 8 pixels. Met zes resonatoren en meerdere paarvormingsprocessen voeren ze de pixels in over meerdere tijdslices, een strategie die lijkt op het herhaaldelijk presenteren van hetzelfde kwantumcircuit met nieuwe data. Na het trainen van enkele honderden fysieke en klassieke parameters classificeert het model onbekende cijfers met meer dan 97 procent nauwkeurigheid terwijl alleen een bescheiden set aan fotonentelresultaten wordt gemeten. Wanneer dezelfde hardware daarentegen als een niet-getraind reservoir wordt gebruikt, blijft de prestatie veel lager, zelfs met meer metingen, wat het voordeel van het optimaliseren van de fysieke interacties onderstreept.

Waarom dit belangrijk is voor kwantumtechnologie

De studie demonstreert dat netwerken opgebouwd uit lineair evoluerende bosonische modi, gecombineerd met niet-lineaire fotonentelling, zowel expressief als trainbaar kunnen zijn met behulp van bekende gradiëntmethoden. Hoewel het huidige werk vertrouwt op klassieke simulatie om de training te sturen en daardoor in omvang beperkt is, sluiten de onderliggende ingrediënten goed aan bij bestaande supergeleidende en fotonische platforms die al steun bieden voor afstelbare parametrische koppelingen. Dit opent een realistisch pad naar kwantumhardware die niet alleen informatie op een kwantummanier verwerkt, maar ook kan worden getraind zoals de neurale netwerken van tegenwoordig, en mogelijk kan dienen als intelligente front-ends voor toekomstige kwantumsensoren en -processors.

Bronvermelding: Dudas, J., Carles, B., Gouzien, E. et al. Training the parametric interactions in an analog bosonic quantum neural network with Fock basis measurement. Sci Rep 16, 14997 (2026). https://doi.org/10.1038/s41598-026-45038-7

Trefwoorden: kwantumneuralenetwerken, bosonische modi, Gaussische dynamica, fotonentelling, kwantummachine learning