Et internationalt forskerhold ledet af Wiens Universitet har opnået et markant gennembrud inden for kvantecomputing og kunstig intelligens ved at demonstrere, at selv små kvantecomputere kan give praktiske fordele for maskinlæringsapplikationer.
Studiet, der blev offentliggjort i Nature Photonics den 8. juni 2025, benyttede et nyt fotonisk kvantekredsløb til at implementere en kvanteforstærket kernel-baseret maskinlæringsalgoritme. Forskerne viste, at deres kvantebaserede tilgang overgår de mest avancerede klassiske metoder såsom Gaussiske og neurale tangentkerner i binære klassifikationsopgaver.
"Vi fandt, at vores algoritme begår færre fejl end dens klassiske modstykke i specifikke opgaver," forklarer professor Philip Walther fra Wiens Universitet, som ledte projektet. "Dette indikerer, at eksisterende kvantecomputere kan levere gode resultater uden nødvendigvis at overgå den nyeste teknologi," tilføjer Zhenghao Yin, førsteforfatter på publikationen.
Det eksperimentelle setup bestod af et kvantefotonisk kredsløb bygget på Politecnico di Milano (Italien), hvorpå der blev kørt en maskinlæringsalgoritme først foreslået af forskere ved Quantinuum (Storbritannien). Systemet udnytter kvanteinterferens og enkeltfotonkoherens til at opnå overlegen nøjagtighed i dataklassifikationsopgaver.
Ud over forbedret nøjagtighed tilbyder denne fotoniske tilgang betydelige fordele i energieffektivitet. I takt med at maskinlæringsapplikationer bliver stadig mere komplekse og energikrævende, kan kvantefotoniske processorer udgøre et bæredygtigt alternativ. "Dette kan vise sig afgørende i fremtiden, da maskinlæringsalgoritmer bliver urealistiske på grund af for højt energiforbrug," understreger medforfatter Iris Agresti.
Forskningen har betydning ud over kvantecomputing, da den identificerer specifikke opgaver, der drager fordel af kvanteeffekter, og kan inspirere til nye klassiske algoritmer med bedre ydeevne og lavere energiforbrug. Dette repræsenterer et vigtigt skridt mod praktisk kvantefordel i AI-applikationer og bygger bro mellem teoretisk kvantecomputing og reel implementering.