I det, eksperter kalder 'den hellige gral inden for kvantecomputing', har forskere opnået en ubetinget eksponentiel hastighedsforøgelse på kvantehardware og dermed definitivt bevist, at kvantecomputere kan overgå klassiske computere uden teoretiske forbehold.
Den banebrydende forskning, offentliggjort i Physical Review X den 5. juni 2025, blev ledet af Daniel Lidar, professor i ingeniørvidenskab ved USC og ekspert i kvantefejlkorrektion. Sammen med kolleger fra USC og Johns Hopkins University demonstrerede Lidars team den eksponentielle fordel ved at benytte to af IBMs 127-qubit Eagle kvanteprocessorer, der blev betjent eksternt via skyen.
Det, der gør denne præstation særligt bemærkelsesværdig, er, at hastighedsforøgelsen er 'ubetinget', hvilket betyder, at den ikke afhænger af ubeviste antagelser. 'Tidligere påstande om hastighedsforøgelse krævede antagelsen om, at der ikke findes en bedre klassisk algoritme at sammenligne med,' forklarer Lidar. 'Adskillelsen i ydeevne kan ikke omvendes, fordi den eksponentielle hastighedsforøgelse, vi har demonstreret, for første gang er ubetinget.'
Holdet tilpassede Simons problem—en matematisk udfordring, der handler om at finde skjulte mønstre i funktioner—til implementering på ægte kvantehardware. Dette problem anses som en forløber for Shors faktoriseringalgoritme, der startede hele feltet inden for kvantecomputing. For at overvinde støj og fejl, som typisk plager kvantesystemer, anvendte forskerne avancerede fejlundertrykkelsesteknikker, herunder dynamisk decoupling og målefejlmitigering.
Selvom Lidar understreger, at 'dette resultat ikke har praktiske anvendelser ud over at vinde gættelege,' er implikationerne for AI dybtgående. Efterhånden som kvantecomputere udvikler sig, kan de dramatisk accelerere maskinlæringsprocesser, især for optimeringsproblemer og komplekse beregninger, der i dag kræver enorme computerressourcer.
Kvanteforstærkede AI-algoritmer har allerede vist potentiale i specifikke anvendelser. Ny forskning har vist, at kvanteteknikker kan forbedre kernel-baseret maskinlæring, så det bliver hurtigere, mere præcist og mere energieffektivt end klassiske metoder. Efterhånden som kvantehardware skaleres op, kan disse fordele muliggøre en ny generation af AI-evner, der tidligere var urealistiske på grund af beregningsmæssige begrænsninger.
Resultatet demonstrerer utvetydigt kvantecomputingens længe lovede evne til at levere eksponentielle hastighedsforøgelser og markerer et afgørende skridt mod praktisk kvantefordel i virkelige anvendelser.