Et banebrydende studie har vist, at kvantecomputing ikke blot er et løfte for fremtiden, men allerede i dag giver konkrete fordele for anvendelser inden for kunstig intelligens.
Et internationalt forskerhold ledet af Wiens Universitet har med succes demonstreret, at selv beskedne kvanteprocessorer kan overgå traditionelle maskinlæringsalgoritmer i bestemte opgaver. Deres arbejde, som er offentliggjort i Nature Photonics denne måned, repræsenterer en af de første praktiske anvendelser af kvantecomputing til at forbedre almindelige AI-systemer.
Forskerne benyttede et fotonisk kvantekredsløb, bygget på Politecnico di Milano i Italien, til at implementere en maskinlæringsalgoritme, der oprindeligt blev foreslået af forskere fra Quantinuum i Storbritannien. Eksperimentet fokuserede på binære klassifikationsopgaver, hvor kvantesystemet viste sig at være mere præcist end klassiske metoder.
"Vi fandt ud af, at vores algoritme begår færre fejl end den klassiske modpart i specifikke opgaver," forklarer Philip Walther fra Wiens Universitet, som ledte projektet. "Det betyder, at eksisterende kvantecomputere kan levere gode resultater uden nødvendigvis at overstige den nuværende teknologiske grænse," tilføjer Zhenghao Yin, førsteforfatter på publikationen.
Ud over forbedret nøjagtighed byder den fotoniske tilgang på betydelige fordele i energieffektivitet. "Dette kan vise sig afgørende i fremtiden, da maskinlæringsalgoritmer bliver uholdbare på grund af alt for høje energikrav," understreger medforfatter Iris Agresti. Efterhånden som AI-systemer vokser i størrelse og kompleksitet, er deres enorme energiforbrug blevet et presserende problem.
Forskningen bygger bro mellem teoretiske kvantefordele og praktiske anvendelser og demonstrerer, at nutidens kvanteteknologi kan forbedre maskinlæringssystemer uden at vente på storskala kvantecomputere. Denne udvikling åbner nye muligheder for mere effektive algoritmer inspireret af kvantearkitekturer og kan potentielt revolutionere vores tilgang til AI-beregninger i en stadig mere datadrevet verden.