Heeft quantumcomputing een eerste praktijktoepassing?

Quantum, AI & Fotonica: Een Nieuwe Rekenkundige Revolutie

Computing en informatietechnologieën ondergaan tegelijkertijd verschillende technologische revoluties: de opkomst van AI, de opkomst van quantumcomputing en de verschuiving naar fotonica om de beperkingen van klassieke siliciumcomputers te overwinnen.

Tot nu toe heeft elk van deze nieuwe sectoren grotendeels in geïsoleerde silo's gewerkt: AI-training en -computing worden uitgevoerd op klassieke siliciumchips, quantumcomputing probeert zijn technologie te verbeteren totdat het een praktische toepassing vindt, en fotonica‑technologie experimenteert nog steeds met ontwerpen en toepassingen.

Misschien is het niet verrassend dat door deze velden te combineren nieuwe mogelijkheden ontstaan. Het lijkt erop dat quantumcomputing net een praktische use case heeft gevonden en zelfs geen verdere verbetering nodig heeft om nuttig te zijn.

Onderzoekers van het Vienna Center for Quantum Science and Technology (VCQ) (Oostenrijk), het Politecnico di Milano (Italië), het Consiglio Nazionale delle Ricerche (IFN-CNR) (Italië) en het bedrijf Quantinuum (Verenigd Koninkrijk) hebben ontdekt dat bestaande quantumcomputers klassieke computers kunnen overtreffen bij AI‑training, met behulp van een fotonische processor.

Ze publiceerden hun resultaten in Nature Photonics¹, onder de titel “Experimental quantum-enhanced kernel-based machine learning on a photonic processor”.

Waarom AI‑training en quantumcomputing grenzen ondervinden

De stijgende kosten en energie‑eisen van AI‑training

Recentelijk heeft AI‑technologie enorme vooruitgang geboekt. Dit werd echter alleen bereikt door het gebruik van verbijsterende hoeveelheden rekenkracht, met een verbruik van tientallen miljarden dollars aan chips en elektriciteit.

Natuurlijk kan er enige vooruitgang worden geboekt in efficiëntie, zoals aangetoond door DeepSeek AI die met ultra‑laag kosten zowel in rekenkracht als geld is getraind, en die zijn westerse concurrenten met een orde van grootte overtreft. Maar uiteindelijk zal softwareverbetering slechts beperkt kunnen bijdragen aan het minder reken‑ en energie‑intensief maken van AI‑training.

Schaalbaarheid en ruisuitdagingen van quantumcomputing

Intussen is quantumcomputing een veelbelovende technologie, maar tot nu toe lijdt het onder een fundamenteel defect. De extreem fragiele materietoestand die moet worden behouden voor quantumcomputing maakt het zowel duur als niet erg schaalbaar.

Dit betekent ook dat de verkregen resultaten “ruisachtig” zijn, met regelmatige fouten, vertragingen en onbetrouwbare uitkomsten.

Ook hier kunnen innovaties betekenen dat ofwel een netwerk van kleinere quantumcomputers of een nieuw hardware‑ontwerp, gebruikmakend van een nieuwe materietoestand genaamd topoconductors, die schaalbaarheid mogelijk maakt, het probleem kan oplossen.

Totdat dit is bevestigd, heeft dit de relevantie van quantumcomputing echter in twijfel getrokken, nog steeds een technologie op zoek naar een praktische use case die economisch zinvol is.

Quantum‑verbeterde kernelmethoden voor AI

Hoe quantum‑kernels dimensionale kracht toevoegen aan machine learning

Kernelmethoden zijn veelgebruikte tools in machine learning en maken gebruik van een wiskundige methode om dimensies toe te voegen aan een dataset voor een betere identificatie van verborgen patronen.

Bron: MDPI

Dit omvat uiteraard vrij complexe wiskunde, die grotendeels alleen begrijpelijk zal zijn voor een beperkte groep specialisten die al in dit vakgebied werken. Je kunt een visuele weergave van hoe het werkt zien in deze video:

En dergelijke complexe berekeningen zouden perfect passen bij de unieke capaciteiten van quantumcomputers.

Fotonische processors ontmoeten quantum‑kernels voor AI

Voor dit experiment werd een geïntegreerde fotonische processor, gecreëerd via femtoseconde lasergravure op een borosilicaatglas‑substraat, gebruikt om de gegevens te coderen in een toestand die door een quantumcomputer kan worden verwerkt.

Bron: Nature Photonics

Op deze manier werden kernels die quantuminterferentie vertonen gebruikt voor de berekening en vergeleken met klassieke methoden.

Bron: Nature Photonics

Experimentele resultaten: quantum versus klassieke kernels

De wetenschappers testten vier verschillende datasetgroottes, variërend van 40 tot 100 datapunten, waarbij de quantum‑kernel (in blauw) werd vergeleken met de klassieke kernel (in oranje).

Bron: Nature Photonics

In beide experimenten presteerde de quantum‑kernel beter dan de klassieke.

“We hebben ontdekt dat ons algoritme voor specifieke taken minder fouten maakt dan zijn klassieke tegenhanger.”

Philip Walther – Professor aan de Universiteit van Wenen.

Volgende stappen naar real-world quantum AI‑training

Van demo naar productie: quantum AI‑training

Dit experiment toonde aan dat quantumcomputers, die vandaag bestaan, klassieke computers kunnen overtreffen in taken die vaak worden gebruikt bij het trainen van neurale netwerken.

Dit is belangrijk omdat men tot nu toe aannam dat alleen een betrouwbaardere quantumcomputer ooit voor dit soort toepassingen kon worden gebruikt. Nu dit experimenteel is bewezen onjuist te zijn, zal de volgende stap een beperkte uitvoering van real‑life AI‑training met die technologie zijn.

Hiervoor kunnen nieuwe algoritmen, geïnspireerd op quantumarchitecturen, worden ontworpen, die betere prestaties opleveren.

“Dit impliceert dat bestaande quantumcomputers goede prestaties kunnen tonen zonder noodzakelijkerwijs de state‑of‑the‑art technologie te overschrijden” Zhenghao Yin – PhD‑student aan de Universiteit van Wenen.

Hoe quantum‑fotonica AI‑energieverbruik verlaagt

Fotonica‑platformen kunnen dezelfde of een superieure rekencapaciteit leveren met een veel lager energieverbruik. Aangezien energie steeds meer de bottleneck wordt van de AI‑industrie, meer dan rekencapaciteit of innovaties, kan dit het gebruik van quantum‑fotonische computers bijzonder belangrijk maken.

“Dit kan in de toekomst cruciaal blijken, aangezien machine‑learning‑algoritmen onhaalbaar worden door de te hoge energie‑eisen” Iris Agresti – PhD‑student aan de Universiteit van Wenen.

 Trapped‑Ion versus supergeleiding quantumtechnologie: wat komt er hierna?

Dit kan belangrijke consequenties hebben voor de richting van de quantumcomputing‑industrie.

Tot nu toe is het veld verdeeld tussen trapped‑ion‑technologie, met hoge betrouwbaarheid maar lage quantum‑computercapaciteit (qubits) per apparaat, en meer complexe ontwerpen die afhankelijk zijn van supergeleiding, die tot nu toe zeer ruisgevoelig zijn, maar die waarschijnlijker op grote schaal kunnen worden opgeschaald naar een groot aantal qubits.

Het onderzoek werd uitgevoerd in nauwe samenwerking met Quantinuum, waarbij 4 van de 12 wetenschappers in het artikel bij dit bedrijf werken. Als specialist in trapped‑ion‑technologie is het logisch dat Quantinuum zoekt naar een situatie waarin het lage aantal qubits van haar computers al een relevant bedrijfsgeval kan uitvoeren.

Als dit waar blijkt te zijn, zou het bedrijf een belangrijke leverancier van rekencapaciteit voor de AI‑industrie kunnen worden, mogelijk een deel van Nvidia’s (NVDA ) prestaties nabootsend.

Investeren in quantumcomputing

Honeywell / Quantinuum

Quantinuum is het resultaat van de fusie tussen Honeywell Quantum Solutions en Cambridge Quantum.

Honeywell blijft de meerderheidsaandeelhouder van het bedrijf (waarschijnlijk 52% eigendom) na een kapitaalronde met een waardering van $5 miljard. Oprichter Ilyas Khan zou ongeveer 20% van het bedrijf bezitten. Andere aandeelhouders zijn onder meer JSR Corporation, Mitsui, Amgen (AMGN ), IBM en JP Morgan.

Een mogelijke beursgang van Quantinuum in de toekomst, mogelijk als onderdeel van een grotere bedrijfsherstructurering, wordt geschat op maximaal $20 miljard en zou kunnen plaatsvinden tussen 2026 en 2027.

Quantumcomputing is niet het centrale onderdeel van Honeywell’s bedrijfsactiviteiten, die meer gericht zijn op producten in de lucht‑ en ruimtevaart, automatisering en speciale chemicaliën & materialen.

Elk van deze domeinen kan echter profiteren van quantumcomputing, met name computational chemistry en quantum‑cybersecurity, wat Honeywell mogelijk een voordeel geeft ten opzichte van haar concurrenten.

Het belangrijkste model van het bedrijf op dit moment is de H2, een trapped‑ion chip met 56 qubits en een twee‑qubit‑poortfideliteit van 99,895%.

Het bedrijf heeft gestreefd naar hoogwaardige computing met zeer weinig fouten, meer dan alleen het toevoegen van zoveel mogelijk qubits, en heeft zo een zogenaamd “fault‑tolerant quantum computing” gecreëerd.

Deze aanpak wordt door het bedrijf “Better qubits, better results” genoemd, waarbij een vergelijkbaar aantal qubits 100‑ tot 1.000‑maal betrouwbaardere resultaten oplevert.

Bron: Quantinuum

Dit zou met name een verschil kunnen maken in de dringend benodigde quantum‑resistente cryptografie, waarbij defensiebedrijf Thales (HO.PA -0,96%) al samenwerkt met Quantinuum en ook de internationale banks HSBC en JP Morgan betrekt.

Quantinuum biedt ook haar eigen quantum‑computational chemistry InQuanto aan, bruikbaar voor farmaceutica, materiaalkunde, chemicaliën, energie en lucht‑ en ruimtevaarttoepassingen.

Net als veel andere quantumcomputing‑bedrijven, biedt Quantinuum Helios, een “hardware‑as‑a‑service” aan, waardoor gebruikers kunnen profiteren van quantumcomputing zonder de complexiteit van het zelf beheren van het systeem.

Quantinuum tekende in november 2024 een partnerschap met het Duitse Infineon, Europa’s grootste halfgeleiderfabrikant. Infineon zal haar geïntegreerde fotonica‑ en besturingselektronicatechnologie inbrengen om de volgende generatie trapped‑ion quantumcomputers te creëren.

Naarmate geïntegreerde fotonica dichter bij praktische use cases komt, wordt nu duidelijk hoe belangrijk dit partnerschap kan zijn voor de toekomst van Quantinuum. Op dit moment lijkt de volgende stap voor het bedrijf het uitbrengen van ‘s werelds eerste AI‑gerichte fotonica‑quantumchip te zijn.

In de komende maanden zal Quantinuum resultaten delen van lopende samenwerkingen, waarmee het baanbrekende potentieel van quantum‑gedreven vooruitgang in Generatieve AI wordt getoond.

De innovatieve Gen QAI‑capaciteit zal het gebruik van Metallic Organic Frameworks voor medicijnafgifte verbeteren en versnellen, waardoor efficiëntere en gepersonaliseerde behandelingsopties mogelijk worden, met details die bij de lancering van Helios worden onthuld.

Quantinuum Announces Generative Quantum AI Breakthrough with Massive Commercial Potential

De aankondiging in deze publicatie maakt deel uit van een reeks nieuwsberichten over de snelle vooruitgang van de AI‑quantumcomputing‑verbinding bij Quantinuum.

Meer lopende use cases kunnen de toekomstige waarde van het bedrijf sterk verhogen, en daarmee Honeywell’s positie daarin en de potentiële winst die investeerders kunnen behalen.

Laatste Honeywell / Quantinuum (HON) aandelennieuws en ontwikkelingen

Studie geraadpleegd

^{1. Yin, Z., Agresti, I., de Felice, G. et al. Experimental quantum-enhanced kernel-based machine learning on a photonic processor. Nature Photonics. (2025). https://doi.org/10.1038/s41566-025-01682-5}