Naar inhoud
Dossier · UitlegTechnologieBijgewerkt Q4 2026 ·

Wat hebben quantumcomputers en AI met elkaar te maken, en wat is hype?

Eerste versie 3 min6/6 feiten bevestigd

Quantumcomputers en AI raken elkaar op twee manieren: als trainbaar quantumcircuit dat dient als leermodel naast of in plaats van een klassiek neuraal netwerk, en als AI die zo’n circuit zelf helpt optimaliseren. Of dat ook sneller of beter werkt dan de klassieke aanpak, staat per toepassing nog open.

Wat een quantum neural network is

Hoe een quantumcomputer werkt staat in een eerder uitlegstuk. Hier gaat het om wat zo’n machine met AI te maken heeft. IBM noemt het leermodel een quantum neural network (QNN): een variationeel quantumcircuit, opgebouwd als een klassiek neuraal netwerk. Een encoderingslaag laadt data in een quantumtoestand. Daarna verwerkt een trainbaar circuitonderdeel die toestand met parameters die een klassiek algoritme bijstelt, en een meting levert de uitkomst. IBM benadrukt zelf dat zo’n circuit niet per se op een neuraal netwerk moet lijken. De term is vooral een uitleg om het idee te begrijpen, geen technische eis.

De claim: voordeel bij genereren

Google Quantum AI claimde in een paper die op 10 september 2025 op arXiv verscheen voor het eerst “generatief quantumvoordeel” in machinelearning. Met een supergeleidende processor van 68 qubits leerde en genereerde hun systeem naar eigen zeggen kansverdelingen en quantumcircuits die een klassieke computer niet in redelijke tijd kan evenaren. De onderzoekers zeggen hun model bewust zo ontworpen te hebben dat het de “barren plateaus” vermijdt die trainen van quantummodellen anders blokkeren.

Die verwijzing is geen bijzaak. Vijf Google-onderzoekers (McClean, Boixo, Smelyanskiy, Babbush en Neven) toonden dat probleem in 2018 zelf aan in Nature Communications. Bij een willekeurig opgezet quantumcircuit neemt de kans dat de gradiënt niet verdwijnt exponentieel af met het aantal qubits, zo lieten ze zien. Trainen wordt daardoor volgens hen in de praktijk onmogelijk zodra een systeem meer dan een handvol qubits telt, tenzij de opzet van het circuit dat gericht vermijdt. Dezelfde onderzoeksgroep claimt nu een manier om het te omzeilen.

Waar klassieke AI vaak net zo goed is

Een tweede resultaat van Google zet de hype-vraag scherper. In 2021 toonden Google-onderzoekers in Nature Communications aan dat klassieke machinelearning, met genoeg data, veel “quantum” problemen net zo goed aanpakt als een quantumcomputer. Hun klassieke modellen verwerkten met data problemen tot wel 30 qubits groot, van nature quantummechanisch. Alleen bij één speciaal geconstrueerd probleem vonden ze nog een leervoordeel voor quantummodellen. Volgens de auteurs hangt een quantumvoordeel dus niet alleen af van de taak, maar ook van hoeveel data er beschikbaar is.

Wat bedrijven claimen te bouwen

Bedrijf Claim Peildatum
IonQ QGAN scoort in tot 70% van de gevallen hoger op beeldkwaliteit dan klassieke modellen; LLM-finetuning met quantum-ML wint aan nauwkeurigheid bij meer qubits 1 mei 2025.
Quantinuum (met Google DeepMind) AlphaTensor-Quantum optimaliseert een quantumcircuit naar minder T-poorten, en overtreft volgens Quantinuum de beste bestaande methoden 27 maart 2025.

IonQ publiceerde zijn resultaten in april 2025 als preprints op arXiv, nog niet peer-reviewed. Quantinuum noemt ook de omgekeerde richting: “Generative Quantum AI” traint klassieke AI-modellen op data uit de eigen H2-quantumcomputer.

Hoe de twee claims zich tot elkaar verhouden

De lijn tussen doorbraak en hype hangt dus af van de taak en de hoeveelheid beschikbare data, meer dan van quantum versus klassiek op zich. Bij genereren van kansverdelingen op specifiek geconstrueerde problemen claimt Google nu een aantoonbaar voordeel. Bij taken waar klassieke modellen al veel trainingsdata hebben, toont Google’s eigen oudere werk dat een quantumvoordeel vaak niet standhoudt.

Welke eerdere claims van quantumvoordeel standhielden is terug te lezen in een eerder uitlegstuk op deze site; daar valt een vergelijkbaar patroon te zien. De volgende toets komt van bredere herhaling: of andere labs Google’s generatieve claim op grotere systemen bevestigen, en of IonQ’s en Quantinuum’s resultaten standhouden buiten hun eigen papers.

Bronnen

  1. [1]IBM Quantum Learning: quantum machine learning IBM Quantum en IBM Research
  2. [2]Generative quantum advantage for classical and quantum problems Google Quantum AI
  3. [3]Barren plateaus in quantum neural network training landscapes Google Quantum AI
  4. [4]Quantum machine learning and the power of data Google Quantum AI
  5. [5]IonQ Demonstrates Quantum-Enhanced Applications Advancing AI IonQ
  6. [6]Quantinuum and Google DeepMind unveil the reality of the symbiotic relationship between quantum and AI Quantinuum
MethodiekHoe dit artikel tot stand kwam
Feiten bevestigd
6 / 6
Bronnen
6
Laatst gecontroleerd
9 nov 2026
Beeld
Foto

Dit artikel is door een AI-systeem geschreven op basis van feiten uit internationale vakmedia, publicaties van bedrijven en onderzoeksinstellingen en openbare bronnen, met de bron bij elk feit, en gecontroleerd volgens onze methodologie. De auteursnaam is een redactioneel pseudoniem. Fouten? Meld ze via de contactpagina.

Gebruikte feiten

  1. Een quantum neural network (QNN) is volgens IBM een variationeel quantumcircuit (VQC) dat qua opbouw analoog is aan een klassiek neuraal netwerk: een encoderingslaag laadt data in een quantumtoestand, daarna volgt een trainbaar circuitonderdeel met aanpasbare parameters die een klassiek algoritme optimaliseert, en een meting levert de uitkomst. IBM benadrukt dat een parameteriseerd quantumcircuit niet per se de structuur van een neuraal netwerk moet volgen en dat de term vooral een didactische analogie is. IBM Quantum Learning (quantum.cloud.ibm.com) · 9 nov 2026
  2. Google Quantum AI claimde in een paper die op 10 september 2025 op arXiv verscheen (arXiv:2509.09033) voor het eerst "generatief quantumvoordeel" in machinelearning: met een 68-qubit supergeleidende processor leerde en genereerde het systeem naar eigen zeggen kansverdelingen en quantumcircuits die een klassieke computer niet in redelijke tijd kan evenaren. Volgens de onderzoekers vermijdt hun model-ontwerp bewust "barren plateaus" en lokale minima die trainen van quantum-modellen anders blokkeren. Google Research (research.google) · 9 nov 2026
  3. Onderzoekers van Google (Jarrod McClean, Sergio Boixo, Vadim Smelyanskiy, Ryan Babbush en Hartmut Neven) toonden in 2018 in Nature Communications aan dat willekeurig opgezette quantumcircuits voor machinelearning tegen een fundamenteel probleem lopen, "barren plateaus" genoemd: de kans dat de gradiënt in enige richting niet verdwijnt tot een vaste precisie, neemt exponentieel af met het aantal qubits. Daardoor wordt trainen van zulke modellen volgens de auteurs in de praktijk onmogelijk zodra een systeem meer dan een handvol qubits telt, tenzij de opzet van het circuit dit probleem gericht vermijdt. Google Research (research.google) · 9 nov 2026
  4. Google-onderzoekers lieten in 2021 in Nature Communications zien dat klassieke machinelearning, als er genoeg data beschikbaar is, veel "quantum" problemen net zo goed kan aanpakken als een quantumcomputer: in hun experimenten verwerkten klassieke modellen met data tot wel 30 qubits grote, naar hun aard quantummechanische problemen. Alleen voor een speciaal geconstrueerd probleem - niet een natuurlijk voorkomend probleem - vonden ze een empirisch leervoordeel voor quantummodellen. Volgens de auteurs hangt het antwoord op de vraag of een quantumcomputer helpt bij machinelearning dus niet alleen af van de taak, maar ook van hoeveel data er is. Google Research (research.google) · 9 nov 2026
  5. IonQ claimde op 1 mei 2025 twee toepassingen van quantum-machinelearning: microstructuurbeelden van materialen, gegenereerd met een hybride quantum generative adversarial network (QGAN), behaalden volgens IonQ in tot 70% van de gevallen een hogere kwaliteitsscore dan beelden van klassieke generatieve modellen; daarnaast zag het bedrijf bij het fijnafstemmen van grote taalmodellen met quantum-machinelearning een toenemende classificatienauwkeurigheid naarmate het aantal qubits groeide, met een geprojecteerde energiebesparing bij inferentie voorbij de 46 qubits. Beide resultaten stonden in twee technische papers die IonQ in april 2025 als preprint op arXiv publiceerde, nog niet peer-reviewed. IonQ (ionq.com) · 9 nov 2026
  6. Quantinuum meldde op 27 maart 2025 dat het samen met Google DeepMind AlphaTensor-Quantum ontwikkelde: een AI-systeem, afgeleid van DeepMind's AlphaTensor, dat een quantumcircuit als invoer neemt en er volgens Quantinuum een versie met minder T-poorten (een kostbare bewerking voor foutcorrectie) uit teruggeeft, met behoud van de functie. Quantinuum stelt dat AlphaTensor-Quantum de beste bestaande optimalisatiemethoden overtrof en op meerdere circuits dezelfde uitkomst haalde als door mensen ontworpen oplossingen. Omgekeerd noemt Quantinuum ook "Generative Quantum AI" (Gen QAI): klassieke AI-modellen die worden getraind op data die zijn gegenereerd door Quantinuum's eigen H2-quantumcomputer. Quantinuum (quantinuum.com) · 9 nov 2026