Революционно изследване на международен екип, ръководен от Университета във Виена, показа, че дори малки по мащаб квантови компютри могат значително да повишат ефективността на машинното обучение чрез нов фотонен квантов електрически кръг.
Изследователите доказаха, че днешната квантова технология не е само експериментална — тя вече може да превъзхожда класическите системи при определени задачи. В експеримента е използван фотонен квантов компютър за класифициране на данни, като е демонстрирано, че малки квантови процесори могат да се справят по-добре от конвенционалните алгоритми. „Открихме, че при определени задачи нашият алгоритъм допуска по-малко грешки от класическия си еквивалент“, обяснява Филип Валтер от Университета във Виена, ръководител на проекта.
Експерименталната установка включва фотонен квантов електрически кръг, изграден в Политехническия университет в Милано (Италия), който изпълнява алгоритъм за машинно обучение, първоначално предложен от изследователи в Quantinuum (Обединеното кралство). „Това означава, че съществуващите квантови компютри могат да покажат добри резултати, без непременно да надхвърлят най-съвременните технологии“, допълва Джънхао Ин, първи автор на публикацията в Nature Photonics.
Особено обещаващ аспект на това изследване е, че фотонните платформи могат да консумират значително по-малко енергия в сравнение със стандартните компютри. „Това може да се окаже решаващо в бъдеще, тъй като алгоритмите за машинно обучение стават неизпълними поради твърде високите си енергийни изисквания“, подчертава съавторът Ирис Агрески. Тъй като през електрическия кръг преминава само светлина, а не ток, фотонните чипове имат по-ниски изисквания за охлаждане. Комбинирането на това с по-висока производителност и изчислителна плътност води до значителни енергийни спестявания. Някои фотонни AI ускорители обещават до 30 пъти по-ниска консумация на енергия в сравнение с графичен процесор (GPU).
Резултатът има значение както за квантовите изчисления, тъй като идентифицира задачи, които се възползват от квантови ефекти, така и за стандартните изчисления. Всъщност могат да се създадат нови алгоритми, вдъхновени от квантовите архитектури, които да постигат по-добра производителност и по-ниска енергийна консумация. Този пробив демонстрира, че малки фотонни квантови компютри могат да превъзхождат класическите системи при определени задачи в машинното обучение, като изследователите използват квантово подобрен алгоритъм върху фотонен електрически кръг за по-точна класификация на данни в сравнение с конвенционалните методи.
Докато AI системите продължават да нарастват по сложност и енергийни нужди, това изследване открива път към по-устойчиви и мощни AI технологии, които се възползват от квантовите предимства още днес, а не само в теоретичното бъдеще. Интеграцията на квантова фотоника и машинно обучение е една от най-обещаващите граници в компютърните технологии, като вече се появяват и непосредствени практически приложения.