Екип от международни изследователи, ръководен от Виенския университет, постигна значителен пробив в квантовите изчисления и изкуствения интелект, като показа, че дори малки по мащаб квантови компютри могат да донесат реални ползи за приложенията на машинното самообучение.
Изследването, публикувано в Nature Photonics на 8 юни 2025 г., използва новаторска фотонна квантова схема за реализиране на квантово-усъвършенстван алгоритъм за машинно самообучение, базиран на ядра. Изследователите доказаха, че техният квантов подход превъзхожда най-съвременните класически методи като гаусови и невронни тангентни ядра при задачи за бинарна класификация.
"Открихме, че при определени задачи нашият алгоритъм допуска по-малко грешки от класическия си еквивалент," обяснява професор Филип Валтер от Виенския университет, ръководител на проекта. "Това означава, че съществуващите квантови компютри могат да покажат добри резултати, без непременно да надхвърлят най-новите класически технологии," допълва Джънхао Ин, първи автор на публикацията.
Експерименталната установка включва фотонна квантова схема, изградена в Политехническия университет в Милано (Италия), която изпълнява алгоритъм за машинно самообучение, първоначално предложен от изследователи в Quantinuum (Обединеното кралство). Системата използва квантова интерференция и кохерентност на единични фотони, за да постигне по-висока точност при класифициране на данни.
Освен подобрената точност, този фотонен подход предлага и значителни предимства по отношение на енергийната ефективност. С нарастващата сложност и енергоемкост на приложенията за машинно самообучение, квантовите фотонни процесори могат да осигурят устойчив алтернативен вариант. "Това може да се окаже решаващо в бъдеще, тъй като алгоритмите за машинно самообучение стават неизпълними поради твърде високите енергийни изисквания," подчертава съавторът Ирис Агрести.
Изследването има значение и извън квантовите изчисления, тъй като идентифицира конкретни задачи, които се възползват от квантови ефекти, и може да вдъхнови създаването на нови класически алгоритми с по-добра производителност и по-ниска енергийна консумация. Това представлява важна стъпка към практическото квантово предимство в приложенията на изкуствения интелект и преодолява пропастта между теоретичните квантови изчисления и реалното им приложение.