Quantum hyperdimensionale computing: een fundamenteel paradigma voor quantum neuromorfe architecturen

Waarom dit nieuwe soort berekenen ertoe doet

Computers zijn overal, maar veel van de moeilijkste problemen van vandaag — van het ontcijferen van genomen tot het vinden van nieuwe medicijnen — zetten zelfs de snelste machines onder druk. Tegelijkertijd bewegen quantumcomputers zich van laboratoriumcuriosa naar praktische hulpmiddelen. Dit artikel introduceert een manier om deze lijnen samen te brengen: een raamwerk genaamd quantum hyperdimensionale computing (QHDC), dat van onderaf is ontworpen zodat quantumhardware op een hersenachtige, patroongebaseerde manier kan ‘denken’.

Van lange getallen naar rijke patronen

Classicale computers behandelen informatie gewoonlijk als precieze getallen die stap voor stap worden verwerkt. Hyperdimensionale computing (HDC) neemt een andere route: het stelt informatie voor als zeer lange vectoren — zie ze als reusachtige pijlen in de ruimte — waarbij elke pijl een concept, een afbeelding of zelfs een zin codeert. Eenvoudige bewerkingen op deze pijlen kunnen concepten aan elkaar binden (zoals het koppelen van een land aan zijn valuta), veel voorbeelden samenvoegen tot een prototype, of componenten herschikken om volgorde in een sequentie vast te leggen. Omdat de informatie is verspreid over veel componenten, zijn deze representaties van nature robuust tegen ruis en goed geschikt om snel te leren van weinig voorbeelden.

Het samenbrengen van hersenachtige codes met quantummachines

De auteurs laten zien dat de kerntrucs van HDC verrassend goed aansluiten bij hoe quantumcomputers van nature werken. In QHDC wordt elke hoogdimensionale vector gerealiseerd als een quantumtoestand verspreid over vele basale configuraties van een paar qubits. Positieve en negatieve waarden in de vector worden omgezet in verschillende quantumfases, waardoor het voor de machine eenvoudig is om twee vectoren te combineren door hun fasepatronen op elkaar te stapelen. Operaties die veel voorbeelden tot één prototype samenbundelen worden uitgevoerd met geavanceerde quantumroutines die meerdere quantumtoestanden zorgvuldig optellen, terwijl volgorde-informatie wordt afgehandeld door een quantumversie van een shuffle gebaseerd op de quantum Fourier-transformatie.

Hoe het nieuwe raamwerk wordt getest

Om verder te gaan dan theorie implementeerde het team QHDC met IBM’s Qiskit-software en draaide het zowel in simulatie als op een 156-qubit IBM Heron quantumprocessor. Ze testten eerst een klassiek puzzelachtig taakje: analogisch redeneren van de vorm “USA is to Dollar as Mexico is to ?”. Alleen met quantumversies van de basis HDC-operaties herkende het systeem in ideale simulaties correct “Peso” als het ontbrekende stuk, wat overeenkwam met klassieke resultaten. Dit toonde aan dat vrij subtiel redeneren gereproduceerd kon worden met enkel quantumtoestanden en interferentie, ook al was de volledige schakeling te diep om betrouwbaar op de huidige ruisgevoelige apparaten te draaien.

Een quantum­systeem leren cijfers te herkennen

De tweede test vroeg of QHDC van echte data kon leren: het onderscheiden van afbeeldingen van de handgeschreven cijfers 3 en 6 uit de MNIST-dataset. Om binnen de huidige hardwarelimieten te passen, werden de afbeeldingen verkleind tot kleine 4×4 zwart‑wit patronen. Elke afbeelding werd gecodeerd in een kleine set quantumfeature‑toestanden en vervolgens gecombineerd tot een prototype voor elke klasse. Omdat de meest ambitieuze volledig quantumversie van deze bundelstap extreem diepe schakelingen zou vereisen, namen de auteurs een hybride aanpak: ze voerden de bundeling als eenvoudige optelling in klassieke ruimte uit en codeerden het resultaat daarna opnieuw als een quantumtoestand. Een quantumroutine bekend als de Hadamard-test vergeleek vervolgens de toestand van elke nieuwe afbeelding met de twee prototypes om het label te beslissen.

Prestaties vandaag en hoop voor morgen

Op een conventionele computer behaalde deze HDC‑achtige classifier een nauwkeurigheid vergelijkbaar met standaard machine‑learningmethoden. In ideale quantum­simulaties kwam de hybride QHDC‑versie zeer dicht in de buurt, en liet ook een belangrijk afwegingspunt zien: hoogwaardiger dimensionale quantumtoestanden verbeterden patroononderscheiding maar vereisten diepere schakelingen die huidige hardware moeilijk zonder verlies van informatie kan uitvoeren. Wanneer uitgevoerd op het echte IBM‑apparaat, daalde de nauwkeurigheid naarmate ruis zich ophoopte, maar de resultaten weerspiegelden nog steeds duidelijk het beoogde gedrag — en dat met veel minder trainingsinspanning dan populaire quantum machine‑learningmodellen die vele rondes van parameterafstemming vereisen.

Wat dit kan betekenen voor toekomstige ontdekkingen

In eenvoudige termen laat dit werk zien dat er een natuurlijke manier bestaat voor quantumcomputers om rijke, hersenachtige patronen op te slaan en te manipuleren in plaats van alleen getallen en logica. De auteurs betogen dat naarmate quantumhardware verbetert, QHDC snelle, ruis‑tolerante hulpmiddelen kan aandrijven voor taken zoals het matchen van genoomsequenties, het screenen van enorme chemische bibliotheken, of het samenvoegen van vele soorten medische data tot een patiëntspecifieke vingerafdruk. Voor nu stelt de studie vast dat deze ideeën niet slechts wiskundige curiosa zijn: ze kunnen geprogrammeerd, uitgevoerd en gemeten worden op echte machines, en leggen daarmee een praktische basis voor quantum neuromorfe computing.

Bronvermelding: Cumbo, F., Li, RH., Raubenolt, B. et al. Quantum hyperdimensional computing: a foundational paradigm for quantum neuromorphic architectures. npj Unconv. Comput. 3, 21 (2026). https://doi.org/10.1038/s44335-026-00064-6

Trefwoorden: quantum computing, hyperdimensionale computing, neuromorfe algoritmen, quantum machine learning, patroonherkenning