Onderzoekers hebben een nieuwe quantumarchitectuur ontwikkeld, de Quantum Recurrent Unit (QRU), die aanzienlijk minder parameters vereist dan traditionele machine learning-modellen terwijl de prestaties behouden blijven.
De snelle groei van moderne machine learning-modellen brengt fundamentele uitdagingen met zich mee, vooral op het gebied van computationele resources en de efficiëntie van parameters. Om deze problemen aan te pakken, hebben Tzong-Daw Wu en Hsi-Sheng Goan een innovatieve quantum neurale netwerkarchitectuur geïntroduceerd. Volgens de publicatie op arxiv.org is deze nieuwe structuur, de Quantum Recurrent Unit (QRU), specifiek ontworpen om compatibel te zijn met Noisy Intermediate-Scale Quantum (NISQ)-apparaten.
Werking en technische innovatie
De QRU maakt gebruik van quantum controlled-SWAP (C-SWAP) gates om een mechanisme voor informatie-selectie te implementeren. Dit proces is geïnspireerd op de klassieke Gated Recurrent Units (GRUs), waardoor het systeem in staat is om temporele informatie selectief te verwerken via quantumoperaties.
Een cruciaal kenmerk van deze architectuur is het gebruik van een feedforward-schema voor meetresultaten met gedeelde parameters over verschillende tijdstappen. Hierdoor wordt een constant aantal parameters behouden. Daarnaast blijft de effectieve quantumcircuitdiepte per stap constant, ongeacht de lengte van de invoersequentie. In de context van de natuurkunde verwijst de term 'quantum' naar de kleinste meetbare eenheid van energie, zoals beschreven door het cambridge.org, wat de basis vormt voor de operaties binnen deze nieuwe architectuur.
Validatie en resultaten
De effectiviteit van de QRU is getoetst via drie progressieve experimenten onder statevector-simulatie:
1. Het voorspellen van oscillatiegedrag.
2. Classificatie van hoogdimensionale kenmerken met behulp van de Wisconsin Diagnostic Breast Cancer (WDBC) dataset.
3. De classificatie van handgeschreven cijfers via de MNIST-dataset.
Uit de resultaten blijkt dat de QRU een reductie in parameters behaalt van 46,2% tot 99,7% in vergelijking met klassieke tegenhangers, terwijl de prestaties vergelijkbaar blijven. Deze data zijn opgenomen in het volledige rapport van , dat in totaal 61 pagina's beslaat, inclusief 19 figuren en 20 tabellen.
Toekomstperspectief en hardware
Naast simulaties zijn er ook eerste hardware-inferentie-experimenten uitgevoerd op quantumprocessors van IBM. Deze tests leveren initieel bewijs dat de uitvoering op echte NISQ-apparaten haalbaar is. De quantum-native benadering van de QRU positioneert het model als een potentieel alternatief voor klassieke componenten in neurale netwerken.
De onderzoekers stellen dat dit een veelbelovende richting is voor parameter-efficiënte quantum machine learning, zeker naarmate de hardwarecapaciteiten en technieken voor foutcorrectie verder verbeteren. Het onderzoek is inmiddels geaccepteerd voor publicatie in EPJ Quantum Technology, zoals vermeld in de documentatie op . Hoewel andere bronnen zoals britannica.com in deze specifieke context geen aanvullende technische details boden, bevestigt de brede wetenschappelijke consensus de noodzaak voor efficiëntere modellen in de huidige AI-evolutie.