Quantum Application Lab (QAL)

Probleem: Bij Air France KLM werken meer dan 7.000 medewerkers in ploegendiensten met verschillende contractpercentages, vaardigheden en autorisatieniveaus. Het efficiënt inroosteren van al deze medewerkers is een complexe taak. Klassiek wordt dit opgelost door basis- en persoonlijke roosters te ontwerpen, wat de efficiëntie vermindert.

Oplossing: Quantum annealing wordt gebruikt om het globale minimum in een functie te vinden, hetgeen de roosterprocessen ondersteunt en verbetert. Deze techniek is geschikt voor optimalisatieproblemen zoals bemanningsroosters. Door het probleem te formuleren als een Quadratic Unconstrained Optimization (QUBO) probleem, vonden we oplossingen met quantum annealing, hybride annealing en gesimuleerde annealing.

Resultaat: Quantum annealers bereiken bijna het optimale rooster, terwijl hybride solvers beide methoden overtreffen. Quantum annealing kan in de toekomst optimale roosters genereren (met meer variabelen) die voldoen aan regelgeving, voorkeuren en operationele behoeften, efficiënter dan traditionele methoden.

Dit werk wordt ondersteund door het Nationaal Groeifonds (NGF) van Nederland, als onderdeel van het Quantum Delta NL-programma.

Probleem: Bathymetrie is de studie van waterdieptes, uitgevoerd door S[&]T met behulp van remote sensing data. Dit is belangrijk voor het Nederlandse Ministerie van Defensie om nuttige inlichtingen te verzamelen. Ze gebruiken het bijvoorbeeld om mogelijke landingsplaatsen voor voertuigen die zowel over land als over water kunnen voortbewegen of de aanwezigheid van zandbanken te bepalen.

De diepte van de oceaanbodem tussen 0 en 20 meter wordt afgeleid uit grote hoeveelheden multispectrale satellietgegevens met geavanceerde machine learning-algoritmen. Deze gegevens, bestaande uit 13 spectrale banden met een temporele resolutie van 5 dagen en een ruimtelijke resolutie tussen 10 en 60 meter, leiden tot een enorme hoeveelheid data die onhandelbaar wordt voor klassieke methoden.

Oplossing: Quantum neurale netwerken kunnen hoge nauwkeurigheden bereiken met kleine hoeveelheden gegevens, omdat quantum machine learning-algoritmen goed kunnen generaliseren met weinig data. Het nadeel is de moeilijkheid om grote datasets op een quantumprocessor te laden. Om optimaal gebruik te maken van quantum hardware, werd een klassieke dimensiereductie toegepast om de hoge spectrale dimensionaliteit van de beschikbare gegevens te verminderen. Vervolgens werden de gegevens ingebed in een variational quantum classifier om ze in diepte-intervallen te classificeren.

Resultaat: Het quantum algoritme werd uitgevoerd op een 4-qubit simulator en getest op echte multispectrale gegevens nabij de Middellandse Zee. De klassieke resultaten werden gereproduceerd met een quantum classifier. Nauwkeuriger waterdiepte meten met minder gegevens is voordelig voor klimaatmonitoring, hulpbronnenexploratie en navigatie.

Probleem: Pulsar detectie is een complexe taak in de radioastronomie, waarbij enorme hoeveelheden gegevens moeten worden verwerkt om deze verre kosmische bakens te lokaliseren. Samen met ASTRON willen we de detectie en analyse van pulsars verfijnen en zo onze kosmische kennis verrijken. Dit is een enorme klus, mede door ondetecteerbare kosmische fenomenen.

Oplossing: Dit project benut quantum computing om de analyse van astronomische gegevens te versnellen en te verbeteren. Twee methoden vormen de kern: een variational one-qubit classifier en een Variational Quantum Linear Solver (VQLS). De one-qubit classifier vereenvoudigt de categorisatie van gegevens, wat helpt bij de snelle identificatie van potentiële pulsars. De VQLS, beschikbaar op QAL's GitHub, biedt een nieuwe benadering voor het oplossen van lineaire stelsels van vergelijkingen voor het reconstrueren van beelden, een veelvoorkomende uitdaging in pulsar data-analyse, met verbeterde efficiëntie en schaalbaarheid door quantum computing.

Resultaat: De toepassing van quantum computing in pulsar detectie kan de data-analysetijden aanzienlijk verkorten en mogelijk voorheen ondetecteerbare kosmische fenomenen onthullen. De signaalverwerkingspijplijn bestaat uit vele computationeel intensieve stappen. De introductie van de variational classifiers en VQLS in verschillende delen van deze pijplijn vormt de basis voor diepgaande ontdekkingen in het veld.

Probleem: Alliander vergroot de capaciteit van hun netwerk in de komende 10 jaar met een hoeveelheid die vergelijkbaar is met de hoeveelheid van de afgelopen 100 jaar. Nieuwe technologieën zoals zonnepanelen en elektrische voertuigen voegen extra complexiteit aan het electriciteitsnetwerk toe. Samen met QAL onderzoekt Alliander de bruikbaarheid van quantum computing voor het optimaliseren van de robuustheid van energienetwerken bij mogelijke kabelstoringen; het zogenaamde ‘N-1 probleem’.

Oplossing: Drie quantum computing-oplossingen werden onderzocht: amplitudeversterking, quantum annealing en Gaussian Boson Samplers. Deze methoden benutten quantum parallelisme en adiabatische evolutie om netwerkherconfiguraties en connectiviteit na kabelstoringen efficiënt te controleren.

Resultaat: Tests toonden aan dat quantum computing potentieel heeft om de robuustheid van grote systemen te verifiëren, hetgeen onberekenbaar is met huidige, klassieke computers. Meer informatie

Dit werk wordt ondersteund door het Nationaal Groeifonds (NGF) van Nederland, als onderdeel van het Quantum Delta NL-programma.

Probleem: Toyota Motor Europe werkt samen met QAL aan fotokatalyse voor watersplitsing, een belangrijk proces voor duurzame waterstofproductie. Het nauwkeurig simuleren van deze reacties is complex en vereist innovatieve computermethoden.

Oplossing: Het project gebruikt een geavanceerd quantumalgoritme, de state-averaged orbital optimization variational quantum eigensolver (SA-OOVQE), om de energie-interacties bij fotokatalyse te simuleren. Dit algoritme maakt het mogelijk om complexe processen nauwkeurig en efficiënt te modelleren, wat diepgaand inzicht biedt in de interacties tijdens fotokatalyse.

Resultaat: Het gebruik van SA-OOVQE bij fotokatalyse biedt grote voordelen. Het verbetert de nauwkeurigheid van simulaties en geeft diepere inzichten in de reactiemechanismen, wat het onderzoeks- en ontwikkelingsproces versnelt. Simulaties zijn uitgevoerd op een quantumsimulator en met verdere samenwerking en hardware-ontwikkeling verwachten we steeds grotere systemen te kunnen simuleren.

Probleem: De snelle economische groei, energietransitie en digitalisering in Nederland hebben geleid tot een toename van het elektriciteitsverbruik. Vooral nieuwe kantoren, fabrieken, woonwijken, datacenters, elektrische voertuigen en warmtepompen vragen meer energie. Alliander zoekt manieren om de prestaties van hun netanalyse en simulaties te verbeteren, omdat traditionele methoden niet meer voldoende zijn. Belangrijk hierbij is het uitvoeren van berekeningen met betrekking tot vermogensstroomanalyse en toestandschatting die zeer rekenintensief zijn.

Oplossing: Alliander gebruikt quantum computing om hun berekeningen te versnellen. Een belangrijk onderdeel is het herordenen van matrices, wat de efficiëntie van de berekeningen verbetert. Dit wordt gedaan met een quantumalgoritme dat problemen oplost met behulp van Quadratic Unconstrained Binary Optimization (QUBO). Deze aanpak is getest op een aantal datasets uit de praktijk en heeft veelbelovende resultaten opgeleverd.

Resultaat: Het versnellen van deze berekeningen helpt bij het snel identificeren van zwakke punten in het net en het voorspellen van toekomstige energiebehoeften. Dit is cruciaal voor het waarborgen voor netstabiliteit, onderhoud, upgrades en het voorkomen van storingen, waardoor een betrouwbare en efficiënte elektriciteitsvoorziening wordt gewaarborgd.

Probleem: Genomische selectie verbetert toekomstige generaties door dieren of planten met gewenste eigenschappen te fokken. Dit proces, dat DNA-markers en kenmerken gebruikt, belooft hogere opbrengsten, betere kwaliteit, ziekteresistentie en duurzaamheid. Samen met onderzoekers van Wageningen Livestock & Research (WLR) ontwikkelen we algoritmen om de computationele uitdagingen van grote en complexe datasets aan te pakken.

Oplossing: Onderzoekers van QAL en WLR hebben gerandomiseerde algoritmen voor singuliere-waarde-decomposities (SVD) ontwikkeld. Deze methoden verminderen de dimensionaliteit van datasets, versnellen berekeningen en terwijl de mate van nauwkeurigheid behouden blijft. Quantum-geïnspireerde selectietechnieken richten zich op de top 5% met de hoogste genetische waarde, wat inefficiëntie vermindert. Hulpmiddelen zoals verkorte SVD en Halko's algoritmen verkorten de rekentijden aanzienlijk.

Resultaat: Deze aanpak optimaliseert genomische voorspellingen, verkort de identificatietijd van waardevolle individuen en verbetert fokprogramma's. Dit draagt bij aan voedselzekerheid, biodiversiteitsbehoud en een duurzamere landbouw.

Dit werk wordt ondersteund door het Nederlandse Nationaal Groeifonds (NGF) als onderdeel van het Quantum Delta NL-programma.

Probleem: Organisaties gebruiken portfolioanalyse om te onderzoeken hoe hun bedrijfsactiviteiten en beleggings- of aandelen portefeuilles bijdragen aan het resultaat. Voor een optimale verdeling van risico en rendement, worden scenario's doorgerekend en vergeleken met de doelstellingen. Naarmate er meer variabelen worden toegevoegd of de analyseperiode langer is, worden deze scenario's complexer. Dit kan leiden tot een omvangrijk probleem dat lastig uit te rekenen is of vereenvoudigd moet worden. Hierdoor kan het voorkomen dat de analyse niet langer het optimale antwoord geeft.

Oplossing: TNO onderzocht samen met Rabobank of quantum computing kan helpen bij het optimaliseren van portfolio's van leningen. In deze casus werden financiële doelstellingen van het wereldwijde leningenportfolio in de land- en tuinbouwsector gecombineerd met milieu- en duurzaamheidsdoelstellingen. "We wilden niet alleen een traditionele analyse over omzet, winst en rendement, maar ook wilden we de doelstellingen over de klimaatdoelen van Parijs verwerkt zien en de impact van onze portfolio daarop," zegt Mischa Vos van Rabobank. Het probleem werd geherformuleerd als een kwadratisch onbeperkt binair optimalisatieprobleem (QUBO). Twee QUBO-formuleringen werden gepresenteerd, elk met een andere focus.

Resultaat: Mischa Vos: "Het resultaat verraste ons aangenaam. We hadden snel een analyse die als basis voor toekomstige beslissingen kan dienen." Frank Phillipson van TNO was ook tevreden: "Dit praktijkvoorbeeld toont de potentie van quantumcomputers." Vos voegt toe: "De directie beslist, maar Rabobank wil bijdragen aan de klimaatdoelen van 2035. Ons portfolio speelt daarin een cruciale rol. Waarin investeren we en waarin niet?"

Lees in dit artikel meer over de resultaten en laat zien hoe quantum computing complexe optimalisatieproblemen in de financiële sector kan aanpakken. Het benadrukt ook het potentieel van quantum computing voor efficiëntere en robuustere portfolioanalyses. Of bekijk de video.