Onderzoekers hebben een methode ontwikkeld waarbij een kunstmatige intelligentie (AI) wordt ingezet om de efficiëntie van quantumcircuits te verhogen. Door gebruik te maken van reinforcement learning kan een agent zelfstandig de meest effectieve volgorde van optimalisatiestappen bepalen, wat leidt tot een aanzienlijke vermindering van het aantal benodigde quantumpoorten.
Binnen de ontwikkeling van quantumsoftware bieden diverse software development kits (SDK's) een reeks zogenaamde 'optimisation passes'. Dit zijn specifieke stappen die bedoeld zijn om een quantumcircuit te vereenvoudigen en efficiënter te maken. Hoewel deze individuele stappen vaak grondig zijn getest en geoptimaliseerd, blijft de volgorde waarin ze worden toegepast meestal over aan de gebruiker of wordt er gebruikgemaakt van standaardreeksen.
Volgens een wetenschappelijk artikel op arxiv.org schieten deze algemene standaardreeksen vaak tekort, omdat ze geen rekening houden met de specifieke kenmerken van individuele circuits. Aan de andere kant vereist het handmatig ontwerpen van een op maat gemaakte volgorde een zeer specialistische kennis van quantumcircuit-ontwerp en optimalisatie.
De inzet van Reinforcement Learning
Om dit probleem op te lossen, hebben Daniel Mills en vijf andere auteurs een systeem ontwikkeld waarbij een agent via reinforcement learning wordt getraind om optimale sequenties van optimalisatiestappen samen te stellen. Reinforcement learning is een vorm van machine learning waarbij een computer leert door ervaringen. Zoals uitgelegd door vible.nl, werkt dit systeem met een agent die keuzes maakt in een bepaalde omgeving. Elke actie leidt tot een resultaat in de vorm van een beloning of een straf, waardoor de agent stap voor stap leert welke strategieën de beste uitkomst bieden.
In het specifieke geval van het quantumonderzoek bestaat de actieruimte van de agent uit optimalisatiestappen die gericht zijn op het verminderen van het aantal 'two-qubit gates'. Deze stappen zijn afgeleid van de standaardreeksen in PyTKET, een toolkit voor quantumcircuits. De kracht van deze aanpak is dat het systeem zelf ontdekt wat de beste strategie is zonder dat er vooraf strikte regels zijn voorgeschreven, een kenmerk van reinforcement learning dat ook wordt beschreven op scribbr.nl.
Significante resultaten en prestaties
De resultaten van het onderzoek tonen een duidelijke verbetering ten opzichte van traditionele methoden. Bij het testen van een diverse set circuits wist de AI-agent een gemiddelde fractie van 57,7% en een mediaan van 56,7% van de two-qubit gates te verwijderen. Ter vergelijking: de best presterende standaardreeks behaalde een gemiddelde reductie van 41,8% en een mediaan van 50,0%, zoals vermeld in de publicatie op .
Een opvallend aspect van het getrainde model is het vermogen om op korte termijn een beloning op te geven om uiteindelijk een beter resultaat te behalen in het totale aantal gates. Dit wijst op een strategisch inzicht van de agent in het optimalisatieproces.
Betekenis voor de quantumtechnologie
De onderzoekers benadrukken dat hun aanpak een strikte scheiding aanbrengt tussen twee verschillende problemen: het ontwerpen van de optimalisatiestappen zelf en het optimaal toepassen van deze stappen in de praktijk. Volgens de auteurs van het artikel op zal deze scheiding van belangen innovaties in beide vakgebieden stimuleren.
Het onderzoek is verschenen in het vakblad Machine Learning: Science and Technology (2026) en is ook beschikbaar via de digitale archieven van . De laatste revisie van het werk werd op 5 november 2026 gepubliceerd, waarmee de effectiviteit van adaptieve AI-gestuurde optimalisatie voor quantumcomputing verder is onderbouwd.