Onderzoekers hebben een nieuwe benadering ontwikkeld genaamd Quantum Hamiltonian Descent (QHD), waarmee parametrische quantumcircuits volledig op een quantumcomputer getraind kunnen worden zonder tussenkomst van klassieke optimizers.
In de huidige praktijk van quantumcomputing worden parametrische quantumcircuits doorgaans getraind met behulp van klassieke, lokale optimizers. Bij deze traditionele methode wordt de quantumcomputer enkel gebruikt om de kostenfunctie of de gradiënt ervan op één specifiek punt te evalueren, waarna een klassiek systeem de volgende stap in het optimalisatieproces bepaalt. Volgens een recent wetenschappelijk artikel op arxiv.org biedt de nieuwe methode Quantum Hamiltonian Descent een fundamenteel andere route voor continue optimalisatie.
De werking van Quantum Hamiltonian Descent
Bij QHD worden de parameters van het circuit behandeld als de positie van een quantumdeeltje. De kostenfunctie fungeert hierbij als het potentiaal van dat deeltje. Het algoritme maakt gebruik van twee tijdsschema's die de kinetische en potentiële energie aansturen. Dit proces zorgt ervoor dat de golffunctie het volledige landschap van de kostenfunctie kan verkennen en via quantumtunneling naar het globale minimum kan bewegen.
Tot nu toe was de digitale implementatie van QHD echter problematisch. De methode ging uit van een kostenfunctie die klassiek berekenbaar was, en de foutmarges groeiden exponentieel naarmate er meer qubits per parameter werden gebruikt. Bovendien waren de gebruikte schema's gebaseerd op klassieke optimalisatietechnieken, wat de efficiëntie beperkte.
Een volledig quantummatige aanpak
De auteurs van het onderzoek, Marco Burato en Leonardo Banchi, stellen in hun publicatie op voor om de training van parametrische circuits volledig op de quantumcomputer uit te voeren. Dit gebeurt via een zogenaamde 'online stap', waarbij de qubits die de parameters coderen, op een tweede register coherent de aansturing van het circuit overnemen.
De onderzoekers hebben aangetoond dat voor kostenfuncties met een vloeiende periodieke extensie — waaronder die van parametrische circuits — de simulatiefout een grens heeft die onafhankelijk is van de resolutie van het grid. Voor circuits groeit deze foutmarge bovendien hoogstens lineair met het aantal parameters, wat een aanzienlijke verbetering is ten opzichte van de eerdere exponentiële groei.
Optimalisatie van de zoektocht
Een ander belangrijk resultaat van het onderzoek is de ontdekking dat de ideale dynamiek van het proces slechts afhankelijk is van één enkele curve, afgeleid uit de twee tijdsschema's. Deze curve reguleert de adiabaticiteit van de zoektocht naar het minimum. De overgebleven vrijheid in het ontwerp kan volgens de auteurs worden ingezet om het aantal benodigde quantumgates te minimaliseren.
Simulaties op benchmarkfuncties en parametrische circuits bevestigen de effectiviteit van deze aanpak. Bij een gelijkblijvende rekenkost verhogen de specifiek ontworpen schema's de kans aanzienlijk om het globale minimum te vinden.
Context en terminologie
De term "fully" in de context van deze "fully quantum training" verwijst naar een proces dat volledig of compleet is uitgevoerd binnen het quantumdomein, zonder afhankelijkheid van externe klassieke stappen voor de optimalisatie. Zoals beschreven in de definities van het cambridge.org, betekent dit dat het proces in zijn geheel, van begin tot eind, binnen de quantumarchitectuur plaatsvindt.
Het onderzoek, dat op 23 oktober 2026 is ingediend bij , valt onder de vakgebieden Quantum Physics en Machine Learning. De resultaten suggereren een belangrijke stap voorwaarts in het efficiënter trainen van quantummodellen, waarbij de beperkingen van hybride quantum-klassieke systemen worden omzeild.