Et banebrydende studie fra et internationalt forskerhold ledet af Wiens Universitet har vist, at selv små kvantecomputere kan give et markant løft til maskinlæring ved hjælp af et nyt fotonisk kvantekredsløb.
Forskerne har påvist, at nutidens kvanteteknologi ikke blot er eksperimentel—den kan allerede nu overgå klassiske systemer i specifikke opgaver. I eksperimentet brugte man en fotonisk kvantecomputer til at klassificere datapunkter og demonstrerede, at små kvanteprocessorer kan præstere bedre end konventionelle algoritmer. "Vi fandt, at vores algoritme for bestemte opgaver begår færre fejl end dens klassiske modstykke," forklarer Philip Walther fra Wiens Universitet, som leder projektet.
Det eksperimentelle setup omfatter et kvantefotonisk kredsløb bygget på Politecnico di Milano (Italien), som kører en maskinlæringsalgoritme først foreslået af forskere fra Quantinuum (Storbritannien). "Dette betyder, at eksisterende kvantecomputere kan levere gode resultater uden nødvendigvis at skulle overstige den nuværende teknologiske grænse," tilføjer Zhenghao Yin, førsteforfatter på publikationen i Nature Photonics.
Et særligt lovende aspekt ved denne forskning er, at fotoniske platforme kan bruge væsentligt mindre energi end standardcomputere. "Dette kan vise sig afgørende i fremtiden, da maskinlæringsalgoritmer bliver uholdbare på grund af deres alt for høje energiforbrug," understreger medforfatter Iris Agresti. Da det kun er lys og ikke strøm, der løber gennem kredsløbet, har fotoniske chips lavere kølekrav. Kombinationen af højere ydeevne og beregningstæthed fører til betydelige energibesparelser. Nogle fotoniske AI-acceleratorer lover at bruge op til 30 gange mindre energi end et grafikkort (GPU).
Resultatet har betydning både for kvanteberegning, da det identificerer opgaver, der drager fordel af kvanteeffekter, og for klassisk computing. Faktisk kan nye algoritmer inspireret af kvantearkitekturer designes, hvilket kan give bedre ydeevne og lavere energiforbrug. Dette gennembrud viser, at små fotoniske kvantecomputere kan overgå klassiske systemer i specifikke maskinlæringsopgaver, idet forskerne brugte en kvanteforstærket algoritme på et fotonisk kredsløb til at klassificere data mere præcist end konventionelle metoder.
Efterhånden som AI-systemer bliver mere komplekse og energikrævende, åbner denne forskning en vej mod mere bæredygtige og kraftfulde AI-teknologier, der udnytter kvantefordele allerede i dag—ikke kun i en teoretisk fremtid. Integration af kvantefotonik og maskinlæring repræsenterer en af de mest lovende fronter inden for computerteknologi, hvor praktiske anvendelser allerede er begyndt at dukke op.