Moet je kwantummechanica begrijpen om eruit te kunnen leren?

Als onderzoeker moet je gelukkig niet altijd weten waar je mee bezig bent om nuttig werk te kunnen leveren. Kijk maar naar experten in machine learning. In sciencifictionfilms zijn zij vaak de meesterbreinen achter een snel naderende robot-apocalyps, maar in het dagelijks leven houden ze zich bezig met het trainen van rekenkundige modellen: zogenaamde ‘black boxes’.

Black boxes zijn systemen waarvan we het gedrag kunnen waarnemen, zonder dat we daarvoor alle inwendige details hoeven te begrijpen. Beeld je gerust een zwarte doos in, maar dan wel één met veel regelknoppen die het gedrag van de doos beïnvloeden. Er is ook een in- en uitgang waar we signalen doorheen kunnen sturen. Die worden binnenin vervormd. Aan de regelknoppen kan je draaien. Meer zelfs: je kan de regelknoppen automatisch laten draaien met behulp van een algoritme totdat de doos doet wat jij wil. Niet met als doel om de wereld over te nemen, maar wel bijvoorbeeld om je een volgende Netflixserie aan te raden op basis van je kijkgedrag.

Hoewel je niet exact hoeft te weten wat er gebeurt in de doos, kan je wel kiezen waaruit de doos is opgebouwd. Dat bepaalt namelijk tot wat hij in staat is. Vaak is zo’n doos niks anders dan een computerprogramma, maar niets houdt je tegen om er ook andere dingen aan toe te voegen. Wat denk je van een vleugje kwantummechanica? In mijn thesis gebruikte ik kwantummechanische systemen als black box om baanbrekende informatieverwerking mogelijk te maken.

Rekenen met licht

If you think you understand quantum mechanics, you don’t understand quantum mechanics.

-Richard Feynman

Kwantummechanica is een fysische theorie die de natuur beschrijft op de schaal van atomen en nóg kleinere deeltjes. Ze staat erom bekend erg contra-intuïtief te zijn. De bekendste metafoor die dat beaamt is Schrödingers kat. Fysicus Erwin Schrödinger stelde namelijk dat mocht zijn kat zo klein zijn als aan atoom, dat ze dan levend en dood tegelijk zou kunnen zijn.

Dat soort contra-intuïtieve eigenschappen zijn fundamenteel in toepassingen als medicijnontwerp en steeds kleiner wordende elektronica. Veel mensen en nóg meer computers leveren daarom hard werk om dergelijke kwantummechanische systemen te analyseren, maar het is moeilijk om die systemen te simuleren op onze huidige computers. Wat als we nu computers zouden gebruiken die radicaal anders werken? Wat als we konden rekenen met fysica?

Information is physical.

-Rolf Landauer

Kwantumcomputers rekenen met bouwstenen uit de kwantummechanica. Voorbeelden van zulke bouwstenen zijn fotonen: de elementaire deeltjes waaruit licht is opgebouwd. Door fotonen af te sturen op een reeks daarvoor ontwikkelde hardware-componenten, kunnen we berekeningen maken.

Laat de kwantumcomputer z’n ding maar doen

Het grote probleem met kwantumcomputers is dat ze niet eenvoudig zijn om te maken. Alle exemplaren die vandaag bestaan, zijn moeilijk hanteerbaar. Gelukkig houdt dat ons niet tegen om ze nuttig te gebruiken.

Zo kunnen we proberen om kwantumcomputers helemaal niet te controleren. We stoppen er één in een zwarte doos, gooien de regelknoppen weg en sturen er simpelweg wat signalen naartoe. Als gevolg krijgen we ogenschijnlijk willekeurige output terug. Wat nu zo bijzonder is, is dat die output door het proces een deel van de contra-intuïtieve eigenschappen heeft overgenomen van de kwantumcomputer. Ook al weten we niet precies wat er gebeurde, loste de kwantumcomputer zo een deel van onze taak op. We zeggen dat de kwantumcomputer een reservoir is met relevante inwendige dynamica. Wat blijkt, is dat het achteraf volstaat om de output verder te verwerken met een simpel machine learning-algoritme – een ander zwart doosje mét een klein aantal regelknoppen – om de rest van de taak op te lossen. Kortom, we proberen de kwantummechanica in de eerste zwarte doos niet té veel te begrijpen, terwijl het tweede doosje over de noodzakelijke regelknoppen beschikt om het leerproces te voltooien.

Een gloednieuwe reservoircomputer

De figuur hieronder schetst de kwantum-reservoircomputer die ik tijdens mijn thesis ontwierp. De lijnen zijn baantjes waarin fotonen bewegen. Maak gerust de vergelijking met een knikkerbaan, maar vergeet niet dat we spelen met kwantummechanische knikkers. Aan de rode uiteinden zenden we herhaaldelijk fotonen naar het reservoir. In de lusjes onder de inputbaantjes bevinden zich andere fotonen die overbleven van de vorige input. In het grijze vierkant interageren de oude en nieuwe fotonen met elkaar op kwantummechanische wijze, zonder dat we exact hoeven te weten hoe. In de blauwe rechthoek krijgen we zo een hoop fotonen die informatie bevatten over meerdere vorige inputs. Het reservoir heeft met andere woorden een soort geheugen. Van de hoop fotonen gaat nu een deel naar de detector. De andere worden opnieuw naar de lusjes geleid. Achteraf worden de detecties die uit het reservoir komen, verwerkt met een machine learning-algoritme.

Tijdens mijn thesis maakte ik computersimulaties om tot een goed ontwerp te komen van dit systeem. Zo onderzocht ik welke componenten de rekenkracht van het systeem bevorderen, hoeveel baantjes en fotonen je wil gebruiken en hoelang het hele proces moet duren. Als finale test leerde ik het model een simpele taak. Ik zond herhaaldelijk een foton naar één van de bovenste twee baantjes. Welke van de twee werd beslist met ‘kop of munt’. Het model moest vervolgens aangeven op welke momenten ik wisselde van baantje. Op het eerste gezicht een banale opdracht, maar wel een die als basis dient voor veel andere taken. Aangezien het model hierin slaagde, kunnen we veronderstellen dat het klaar is om ook lastigere berekeningen te maken.

Conclusie

Tijdens mijn thesis ontwierp ik een nieuwe kwantum-reservoircomputer en toonde ik aan dat die er alvast in slaagt om een eenvoudige taak op te lossen. Dit werd nooit eerder gedaan met fotonen in een netwerk van eenvoudige componenten. Het grote voordeel van deze aanpak is dat er – in vergelijking met andere modellen – veel expertise is om dergelijke netwerken te produceren. Dit maakt het waarschijnlijk dat ons model sneller kan leiden tot een fysiek toestel dat taken kan oplossen die buiten het bereik liggen van klassieke computers.