Kwantumcomputers moeten veel dingen mogelijk gaan maken zoals netwerken optimaliseren, nieuwe materialen onderzoeken en moleculen simuleren. AI kan sommige daarvan nu al, en wel zo goed dat je je kunt afvragen of we kwantumcomputers eigenlijk wel nodig hebben.
Heeft de kwantumcomputer zijn voorsprong verloren?
Bedrijven en overheden investeren al jaren miljarden in kwantumcomputers. Wat hen drijft is de hoop op een machine die ooit de prestaties van alle bestaande computers zal overtreffen – met toepassingen variërend van geneeskunde tot fundamenteel onderzoek.
Desondanks hebben kwantumcomputers nog geen enkel relevant probleem sneller, nauwkeuriger of efficiënter kunnen oplossen dan klassieke computers. Erger nog: artificiële intelligentie boekt ondertussen vooruitgang op conventionele hardware en laat indrukwekkende resultaten zien op precies die gebieden waar kwantumcomputers eigenlijk zouden moeten schitteren.
Is dat slechts een momentopname of, zoals sommige critici suggereren, heeft de kwantumcomputer zijn historische kans al gemist? We bekijken verschillende probleemklassen en analyseren welke daarvan daadwerkelijk baat hebben bij een kwantumcomputer – en voor welke AI voldoende is.
AI versus kwantum
Om een duidelijk onderscheid te kunnen maken tussen de verschillende mogelijkheden, moet eerst duidelijk zijn wat er precies vergeleken wordt. AI verwijst naar een verzameling methoden en modellen voor conventionele computers. Kwantumcomputers zijn daarentegen een nieuw type hardware-architectuur dat kwantumobjecten gebruikt als rekeneenheden, bekend als qubits.
De vergelijking gaat dus tussen de prestaties van AI-algoritmen op conventionele infrastructuur, zoals CPU’s en GPU’s, en kwantumalgoritmen op kwantumprocessors. Je kunt meer te weten komen over kwantumhardware in een eerder artikel [1]. Er is sprake van een kwantumvoordeel als een kwantumcomputer een probleem sneller, nauwkeuriger of met minder middelen kan oplossen dan elke mogelijke klassieke methode.
De belofte van kwantumcomputers …
Een van de grootste problemen bij het vergelijken van de mogelijkheden van AI en kwantumcomputers is dat het nog steeds onduidelijk is welke problemen kwantumcomputers ooit zullen kunnen oplossen. Er zijn nog steeds geen krachtige apparaten die gebruikt kunnen worden om theorieën te testen.
Het is ook moeilijk om nieuwe methoden te ontwikkelen voor een niet-bestaande machine waarvan de mogelijkheden en beperkingen volstrekt onduidelijk zijn.
Twee van de meest veelbelovende toepassingsgebieden zijn kwantumsimulatie en optimalisatie. De simulatie van kwantummechanische systemen komt het dichtst bij de oorspronkelijke visie van Richard Feynmann (zie voor verwijzingen naar bronnen de link bij dit artikel).
In plaats van klassieke computers de regels van de kwantumfysica te leren en ze na te bootsen, is het zinvol om een computer te bouwen van kwantumobjecten die van nature aan die regels gehoorzamen.
Kwantumsimulatie kan het onderzoek bevorderen op gebieden die de bouwstenen van de natuur onderzoeken, van de kleinste elementaire deeltjes tot complexe moleculen voor de ontwikkeling van medicijnen. Kwantumcomputers lossen dus kwantumproblemen op.
“Simulatie is de populairste kandidaat waarvoor we hopen als eerste een kwantumvoordeel te behalen,” zegt bijvoorbeeld Jan-Rainer Lahmann. Hij is wiskundige en wereldwijd hoofd van het IBM Quantum Ambassadors expertteam bij IBM. Het bedrijf hoopt dit jaar een kwantumvoordeel te behalen met zijn kwantumcomputers.
Voor het tweede toepassingsgebied, optimalisatie, verwacht het team ook iets later een kwantumvoordeel. Ze zijn op zoek naar de optimale oplossing voor een probleem, of dat nu de kortste route tussen verschillende locaties is, de meest efficiënte positie van zendmasten of de energetisch meest gunstige constellatie van een molecuul.
Conventionele computers moeten meestal alle mogelijkheden uitproberen om de optimale oplossing te vinden. Kwantumcomputers kunnen, eenvoudig gezegd, daarentegen alle opties tegelijkertijd testen [2].
… en wat AI al kan
“Er zijn problemen waarvan mensen 10 tot 15 jaar geleden dachten dat ze alleen met kwantumcomputers konden worden opgelost,” zegt Nico Piatkowski. Hij is als informaticus hoofd van de Quantum Machine Intelligence groep bij Fraunhofer IAIS en onderzoeker bij het Lamarr Institute for Machine Learning and Artificial Intelligence. Daar doet hij onderzoek naar de wisselwerking tussen AI en kwantumcomputing.
“Inmiddels is wel aangetoond dat AI de natuur kan simuleren of optimalisatieproblemen kan oplossen.” In 2017 bijvoorbeeld losten Giuseppe Carleo van ETH Zürich en Matthias Troyer van Microsoft Research een veeldeeltjesprobleem op met behulp van kunstmatige neurale netwerken.
De hamvraag was hoe een groot aantal deeltjes zich in de ruimte rangschikt volgens de wetten van de natuurkunde. Het model dat de onderzoekers gebruikten om het probleem op te lossen werkt op een vergelijkbare manier als het AI-programma AlphaGo. Onderzoekers van DeepMind leerden dat model de regels van het spel Go, en het model verbeterde stap voor stap door het spel te spelen.
Carleo en Troyer gaven hun model de Schrödingervergelijking, de basisvergelijking van de kwantummechanica, als spelregel. Het model probeerde vervolgens de deeltjes zo in de ruimte te verdelen dat hun energie geminimaliseerd werd, in overeenstemming met de tendens van alle fysieke systemen – en met succes.
Recentere resultaten hebben aangetoond hoe AI eigenschappen van aangeslagen kwantumtoestanden inschat, aan problemen van de kwantumveldentheorie werkt of het gedrag van biomoleculen simuleert.
Een van de meest succesvolle AI-modellen voor de wetenschap kreeg in 2024 de Nobelprijs voor Scheikunde: AlphaFold [3]. Het programma, ontwikkeld door DeepMind-onderzoekers Demis Hassabis en John Jumper, voorspelt de driedimensionale structuur van eiwitten op basis van hun bouwstenen – een tientallen jaren oud en extreem moeilijk optimalisatieprobleem.
“Het is verbazingwekkend hoeveel er al bereikt kan worden met machine learning,” zegt Lahmann. Voor kwantumcomputers ziet het er op dit moment niet zo goed uit, want ze bereiken nog niets, dus directe vergelijkingen met machine- of AI-oplossingen zijn niet mogelijk.
“Wij geloven in kwantumcomputers en investeren daarom veel geld in de ontwikkeling ervan,” zegt Lahmann. “Maar er is geen bewijs en geen zekerheid dat het ook echt zal werken.” Met andere woorden: het is mogelijk dat AI gewoon het beste hulpmiddel blijft voor sommige problemen waarbij gehoopt werd op een kwantumvoordeel.
Een kwestie van complexiteit
Nico Piatkowski legt echter uit op welke gebieden er hoop blijft bestaan: “Complexiteitstheorie onthult welke problemen kwantumcomputers eigenlijk goed kunnen oplossen.” Complexiteitstheorie is een tak van de theoretische informatica en analyseert welke problemen hoe moeilijk zijn om op te lossen. Problemen die exponentieel schalen met de grootte van het probleem zijn een relevante klasse. Die worden in vakjargon NP-moeilijk genoemd.
Een voorbeeld is het handelsreizigersprobleem. Een handelsreiziger wil verschillende steden bezoeken en zoekt de kortste route waarbij hij elke stad maar één keer bezoekt en aan het eind weer in de eerste stad aankomt. “Als ik slechts één stad toevoeg, wordt het probleem niet een beetje moeilijker dan voorheen, maar twee keer zo moeilijk. Ik heb dus een computer nodig die twee keer zo krachtig is om de taak op te lossen,” legt Piatkowski uit. De hardware-eisen nemen dus enorm toe.
In het geval van kwantumcomputers is de kosten-batenverhouding omgekeerd omdat ze op een fundamenteel andere manier werken dan conventionele computers. Hun potentiële rekenkracht schaalt exponentieel met het aantal qubits, oftewel de logische rekeneenheid van een kwantumcomputer. “Je hebt dus maar één extra qubit nodig om de hele oplossingsruimte in kaart te brengen – niet twee keer zoveel kwantumcomputers.”
Hoeveel efficiënter een kwantumcomputer is, hangt met name af van de vraag of er een kwantumalgoritme is dat het probleem in kwestie sneller kan oplossen dan klassieke algoritmen.
Voor sommige NP-moeilijke problemen, zoals dat van de handelsreiziger, zou het Grover-algoritme (zie kader) theoretisch een kwadratische versnelling kunnen bereiken, zegt Piatkowski. “Dat is niet exponentieel sneller, maar het is nog steeds een verschil tussen 81 dagen en 9 dagen rekentijd. Als dat in de praktijk genoeg is, zullen kwantumcomputers echt een verschil maken.”
Het Grover-algoritme
De Indiaas-Amerikaanse informaticus Lov Grover ontwikkelde in 1996 een kwantumalgoritme dat tegenwoordig bekendstaat als het Grover-algoritme. Dat algoritme lost de taak op om een element in een ongesorteerde lijst te vinden. Terwijl een klassieke computer gemiddeld de helft van de lijst moet doorzoeken om het gezochte element te vinden, zorgt het Grover-algoritme met een kwantumcomputer aantoonbaar voor een kwadratische versnelling. Uit een lijst met 100 items vindt een klassieke computer het gezochte element dus gemiddeld na 50 stappen – een kwantumcomputer heeft er slechts 10 nodig. De reden daarvoor is, eenvoudig gezegd, dat de kwantumcomputer meerdere lijstitems tegelijkertijd kan controleren.
Ook AI-modellen kunnen NP-moeilijke problemen oplossen. Al in 2017 presenteerde een onderzoeksteam van Google Brain (nu onderdeel van Google DeepMind) een methode om moeilijke optimalisatieproblemen te onderzoeken met behulp van neurale netwerken en reinforcement learning. Daarmee kon het een benaderende oplossing vinden voor het handelsreizigersprobleem met maximaal 100 steden.
“Het grote verschil is dat AI het probleem niet exact oplost. In plaats daarvan herkent het patronen en gebruikt het statistieken om overeenkomsten te vinden tussen de trainingsgegevens en de nieuwe invoer,” legt Piatkowski uit. “De AI stelt een kandidaat-oplossing voor en als de benadering goed genoeg is, is dat genoeg. Het werkelijke, moeilijke combinatorische probleem is echter nog niet opgelost. Maar dat is precies wat kwantumcomputers wel doen.”
Met andere woorden: de AI gokt slim, maar de kwantumcomputer berekent echt de oplossing.
Exacte oplossingen
Hoewel dat voldoende is voor sommige optimalisatieproblemen – bijvoorbeeld het zoeken naar eiwitstructuren met alfavouwen – zijn er problemen waarvoor een benaderende oplossing niet goed genoeg is.
Een bekend voorbeeld is de ontbinding van grote getallen in hun priemfactoren. Als je het getal 15 hebt, is het de taak om de twee factoren en priemgetallen 3 en 5 te vinden. Voor zeer grote getallen is priemfactorisatie zo’n moeilijk wiskundig probleem dat het de basis vormt voor veel van de huidige gevestigde encryptiemethoden zoals RSA [4].
Peter Shor ontwikkelde echter het naar hem genoemde Shor-algoritme, dat het probleem op een kwantumcomputer met exponentiële versnelling kan oplossen. “Geen enkele benadering is voldoende voor priemfactorisatie en je moet een gigantische getallenruimte doorzoeken om de exacte oplossing te vinden,” zegt Piatkowski.
Zelfs het grootste neurale netwerk kan de complexiteitsklasse niet veranderen. “Dat zijn precies de problemen waarvoor een AI nooit een kwantumcomputer zou kunnen vervangen.”
Verschillende tools
Alle computers hebben hun sterke en zwakke punten, zegt Jan Lahmann. “We zien AI en kwantumcomputers niet als concurrenten,” zegt hij. “Het zijn twee manieren om problemen op te lossen en afhankelijk van de taak moet je beslissen welke van de twee het juiste gereedschap is.”
Later is daarom vooral een intelligent orkestratieplatform nodig, dat taken verdeelt over de juiste elementen van de computerinfrastructuur die ze het meest efficiënt verwerken, bijvoorbeeld CPU, GPU of QPU.
Het is gebleken dat klassieke computertechnologie (onder andere door AI en machine-learning) en kwantumcomputers elkaars ontwikkeling aanjagen. In 2019 loste Google met zijn Sycamore-kwantumprocessor bijvoorbeeld in 200 seconden een probleem op waar een supercomputer naar schatting 10.000 jaar over zou hebben gedaan. Maar slechts korte tijd later ontwikkelden onderzoekers bij IBM klassieke algoritmen verder zodat ook zij het probleem in de kortst mogelijke tijd konden oplossen. Dat voorbeeld laat zien dat het doel voor het kwantumvoordeel kan worden bijgesteld.
AI voor kwantum
Onderzoekers gebruiken ook AI om kwantumcomputing te verbeteren. bij IBM heet het project AI for Quantum. “Het schrijven van kwantumcode met AI, vooral Qiskit-code, ligt bijzonder voor de hand,” zegt Lahmann [5].
Het team probeert ook hun transpiler te optimaliseren met behulp van AI. De transpiler herschrijft kwantumcode zodat die overeenkomt met de hardware en bepaalt bijvoorbeeld welke software-qubit overeenkomt met welke hardware-qubit.
In de derde benadering gebruikt het team AI en kwantumcomputers samen op verschillende punten in het probleemoplossingsproces. Lahmann legt uit. “Ik zal je een voorbeeld geven. Ik beschrijf mijn probleem in alledaagse taal en AI zet het om in een wiskundig correcte formulering zodat een kwantumcomputer het probleem kan oplossen.”
Piatkowski gebruikt AI ook om onderzoek te doen naar kwantumcomputers. Hij houdt zich onder andere bezig met resource-constrained computing, oftewel onderzoeken hoe machine-learning kan slagen met zo min mogelijk resources. Dat bracht de informaticus bij het kwantum, omdat de huidige kwantumcomputers maar over beperkte resources beschikken. “Het is een belangrijke vraag hoe je schakelingen kunt vertalen naar kwantumcomputers, die nu nog vrij klein zijn, zodat een probleem toch goed wordt weergegeven of benaderd. AI kan hierbij helpen.”
Kwantum voor AI
Tegelijkertijd hopen onderzoekers AI verder te ontwikkelen met behulp van kwantumcomputers. Dat is een ander aandachtspunt van Piatkowski’s Quantum Machine Intelligence-groep.
Een voorbeeld is de zogeheten feature-selection. “De vraag is: als ik een neuraal netwerk heb, bijvoorbeeld om classificaties uit te voeren of waarden te voorspellen, welke delen van de data – welke features – heb ik dan echt nodig?” legt Piatkowski uit. “Als je de features zo veel mogelijk beperkt, kun je de systemen misschien op een smartphone laten draaien of met minder energie laten werken.”
Feature-selection is ook een NP-moeilijk probleem – dat kwantumcomputers met de juiste algoritmes mogelijk efficiënter kunnen oplossen dan conventionele computers.
IBM is bezig met soortgelijke benaderingen. IBM werkte onlangs bijvoorbeeld samen met de bank HSBC om de computerhandel in obligaties te optimaliseren. Specifiek probeerden ze de nauwkeurigheid van voorspellingen of een bod al dan niet verkocht zou worden te verbeteren.
“HSBC heeft dat proces eerder geoptimaliseerd met behulp van normaal machinaal leren. Samen met ons heeft de bank nu een deeltaak geoptimaliseerd met behulp van kwantum-machine-learning en was zo in staat om een tot 34 procent betere voorspellingsnauwkeurigheid te bereiken,” legt Lahmann uit.
Om die verbetering te bereiken, heeft een echte IBM-kwantumcomputer de gegevens voorbewerkt voordat ze naar het klassieke machine-learning-algoritme gestuurd werden.
Intelligentie ontmoet superpositie
Kwantum-machine-learning is een combinatie van AI en kwantumcomputers. Dat onderzoeksgebied probeert op verschillende manieren kwantumcomputers te integreren in machinaal leren, of het nu gaat om het voorbewerken van gegevens – zoals in het IBM-voorbeeld hierboven – of om het vervangen van lagen van neurale netwerken door kwantumalgoritmen.
Er zit echter geen universeel principe achter de term kwantum-machine-learning en het is ook geen garantie voor meer efficiëntie of snelheid, legt Lahmann uit. “We kunnen niet generaliseren dat dit algoritme altijd betere resultaten oplevert.” Het toont ook geen kwantumvoordeel aan, want het team heeft nog niet bewezen dat hun methode beter is dan elke denkbare klassieke oplossing – het is alleen beter dan de methode die HSBC tot nu toe heeft gebruikt.
“De vraag is wat uiteindelijk belangrijk is in de praktijk. Moet ik het voordeel wiskundig bewijzen of is het voldoende als ik een voordeel behaal in zakelijke termen?”
Conclusie
Concurrentie of co-evolutie? AI maakt al indruk bij taken die ooit werden beschouwd als de beste toepassingsvoorbeelden voor kwantumcomputers. AI kan echter alleen benaderende oplossingen vinden. Kwantumcomputers voeren daarentegen berekeningen uit met kwantumalgoritmen, leveren willekeurig nauwkeurige oplossingen en zouden het schalen van een probleem fundamenteel kunnen veranderen – maar dat is nog niet bewezen.
De vermeende concurrentie heeft echter beweging gebracht op beide gebieden. Enerzijds omdat klassieke en kwantumtechnologieën zich aan elkaar meten en zo de benchmark voortdurend veranderen. Ten tweede omdat beide gebieden van elkaar profiteren.
AI ondersteunt de ontwikkeling van kwantumcomputers, en kwantumcomputers zouden machine-learning sneller of efficiënter kunnen maken. Een strategische taakverdeling tussen twee zeer verschillende rekenmodellen is daarom waarschijnlijker dan een knock-out overwinning.
Sabrina Patsch en Marco den Teuling
Literatuur
[1] Sabrina Patsch en Marco den Teuling, Hoe ver is kwantumcomputing gevorderd?, c’t 6/2026, p.88
[2] Sabrina Patsch, Hoe kwantumcomputers moderne encryptie bedreigen, c’t 3/2026, p.40
[3] Sabrina Patsch en Noud van Kruysbergen, Hoe computers leren eiwitten te vouwen, c’t 3/2025, p.84
[4] Wilhelm Drehling en Noud van Kruysbergen, Asymmetrische versleuteling: veilig door trapdoor-functies, c’t 6/2021, p.76
[5] Sabrina Patsch en Noud van Kruysbergen, Reken zelf op een kwantumcomputer, c’t 12/2025, p.125
Praat mee