Een recent ontwikkeld systeem genaamd 'Quantum Encoding Agents' probeert een belangrijk technisch obstakel in de wereld van quantum machine learning (QML) weg te nemen. De tool stelt gebruikers in staat om via natuurlijke taal de meest geschikte strategie voor data-embedding te bepalen, waarbij hardwarebeperkingen en de structuur van de data automatisch worden geanalyseerd.
Binnen de quantummechanica, de wetenschap die de eigenschappen van materie op atomaire en subatomaire schaal bestudeert, is de manier waarop informatie wordt gecodeerd essentieel. Volgens britannica.com vormt dit veld de basis voor het begrijpen van quantumtoestanden, wat in QML direct van invloed is op de geometrie van de Hilbert-ruimte en de effectiviteit van quantumkernels. Tot voor kort was de keuze voor een specifieke data-encoding echter een complex proces dat weinig ondersteuning genoot van adequate instrumenten.
Om deze drempel te verlagen, heeft onderzoeker Ana Paula Appel een open-source systeem ontwikkeld. In plaats van handmatige configuraties kunnen gebruikers nu een dataset en een beschrijving van hun doel invoeren. Het systeem profileert vervolgens de data en genereert een kopieerbaar Qiskit-circuit, inclusief een onderbouwing in het Engels of Portugees. Volgens de publicatie op arxiv.org is dit systeem specifiek ontworpen voor de huidige generatie Noisy Intermediate-Scale Quantum (NISQ)-hardware, waarbij rekening wordt gehouden met een foutdrempel voor poorten van ongeveer $10^{-3}$.
De technische werking van de agents steunt op een nauwkeurige analyse van numerieke matrices. Wanneer dergelijke data aanwezig zijn, berekent het systeem de correlatie-fractaaldimensie ($D_2$). Met behulp van de FD-ASE methode worden de relevante kolommen geselecteerd en wordt er een specifiek qubit-budget vastgesteld via de formule $q^* = \max(2, \text{ceil}(D_2))$. Deze berekening is volgens de noodzakelijk om te voorkomen dat bepaalde kaarttypes, zoals IQP- of angle-maps, worden voorgesteld op een breedte waarbij de fidelity-kernel instort. Om de kwaliteit van de voorgestelde oplossing te valideren, maakt het systeem gebruik van Kernel-Target Alignment (KTA).
Het systeem ondersteunt in totaal zeven verschillende families van encodings, waaronder amplitude encoding, angle encoding, dense angle encoding, basis encoding, data re-uploading, custom feature maps en Instantaneous Quantum Polynomial (IQP). Tests op benchmark-datasets tonen aan dat de KTA-methode deze verschillende opties effectief kan onderscheiden, zelfs onder de beperkingen van huidige NISQ-systemen.
Het volledige wetenschappelijke rapport, getiteld "Quantum Encoding Agents: A Natural Language Interface for Data Embedding Strategy Selection in Quantum Machine Learning", werd op 25 september 2026 gepubliceerd. Het document van 12 pagina's bevat uitgebreide data, waaronder acht tabellen en zes figuren, die de effectiviteit van de agents staven. De integratie van taalmodellen met hardware-specifieke analyses markeert een belangrijke stap in het toegankelijker maken van quantumprogrammering, zoals beschreven in de .