Wetenschappers hebben een nieuwe methode ontwikkeld waarbij de inherente ruis van quantumhardware wordt gebruikt om de prestaties van generatieve AI-modellen te verbeteren, in plaats van deze ruis te proberen te elimineren.
In een recent onderzoek, gepubliceerd in het tijdschrift Quantum Machine Intelligence en beschikbaar via de preprint-server arxiv.org, presenteren onderzoekers Marco Parigi, Stefano Martina, Francesco Aldo Venturelli en Filippo Caruso een innovatieve benadering van Quantum Diffusion Models (QDMs). Deze modellen vormen een opkomend paradigma binnen de generatieve kunstmatige intelligentie, waarbij quantummechanische eigenschappen worden ingezet om de efficiëntie en kwaliteit van klassieke AI-systemen te overtreffen.
De uitdaging van schaalbaarheid
Een groot obstakel bij de ontwikkeling van QDMs is de beperkte schaalbaarheid. Volgens de auteurs van het onderzoek worden huidige algoritmen gehinderd door de technische beperkingen van quantumapparatuur uit de huidige generatie, ook wel near-term quantum devices genoemd. Traditioneel wordt de ruis in deze systemen gezien als een foutbron die gecorrigeerd of gemitigeerd moet worden om betrouwbare resultaten te verkrijgen.
De onderzoekers stellen echter voor om deze ruis juist als een waardevolle hulpbron te gebruiken. In hun paper, getiteld "Physics-inspired Generative AI models via real hardware-based noisy quantum diffusion", beschrijven zij twee specifieke protocollen die geïnspireerd zijn door de natuurkunde om dit te bereiken.
Twee nieuwe protocollen voor beeldgeneratie
Het eerste protocol maakt gebruik van het formalisme van quantumstochastische wandelingen (quantum stochastic walks). De onderzoekers tonen aan dat een specifieke wisselwerking tussen quantumdynamiek en klassieke dynamiek tijdens het zogenaamde 'forward process' leidt tot statistisch robuustere modellen. Dit werd getest met de MNIST-dataset. De resultaten laten zien dat deze hybride aanpak een lagere Fréchet Inception Distance (FID) produceert dan modellen die uitsluitend op klassieke dynamiek vertrouwen, wat duidt op een hogere visuele kwaliteit van de gegenereerde beelden.
In het tweede protocol hebben de wetenschappers een algoritme gerealiseerd dat direct gebruikmaakt van de intrinsieke ruis van fysieke hardware. Hiervoor werd gebruikgemaakt van quantumhardware van IBM, waarbij slechts vier qubits werden ingezet om beelden te genereren. In plaats van de ruis te bestrijden, wordt deze in dit proces actief geëxploiteerd om het generatieve proces te ondersteunen.
Toekomstperspectief voor Quantum AI
De resultaten van dit onderzoek, die in de laatste herziene versie van zijn vastgelegd, kunnen een fundament leggen voor grootschalige algoritmen in de quantum-generatieve AI. Door ruis niet langer als een defect te beschouwen, maar als een functioneel onderdeel van het model, openen de onderzoekers nieuwe wegen voor de ontwikkeling van AI-systemen die minder afhankelijk zijn van perfecte, foutloze hardware.
Het werk is gecategoriseerd onder diverse vakgebieden, waaronder quantumfysica, machine learning en computer vision, wat de interdisciplinaire aard van deze doorbraak onderstreept. Volgens de publicatie op biedt deze benadering een potentieel startpunt voor scenario's waarin de beperkingen van huidige quantumchips worden omgezet in een computationeel voordeel.