Ein internationales Forscherteam unter Leitung der Universität Wien hat einen bedeutenden Durchbruch im Bereich Quantencomputing und Künstliche Intelligenz erzielt: Es konnte zeigen, dass selbst kleinmaßstäbliche Quantencomputer praktische Vorteile für Machine-Learning-Anwendungen bieten können.
Die am 8. Juni 2025 in Nature Photonics veröffentlichte Studie nutzte einen neuartigen photonischen Quantenschaltkreis, um einen quantenunterstützten, kernelbasierten Machine-Learning-Algorithmus zu implementieren. Die Forschenden wiesen nach, dass ihr Quantenansatz bei binären Klassifikationsaufgaben den Stand der Technik übertrifft – darunter klassische Methoden wie Gaußsche und neuronale Tangential-Kernel.
"Wir haben festgestellt, dass unser Algorithmus bei bestimmten Aufgaben weniger Fehler macht als sein klassisches Pendant", erklärt Professor Philip Walther von der Universität Wien, der das Projekt leitete. "Das bedeutet, dass bereits existierende Quantencomputer gute Leistungen zeigen können, ohne zwangsläufig über den aktuellen Stand der Technik hinauszugehen", ergänzt Zhenghao Yin, Erstautor der Publikation.
Der experimentelle Aufbau umfasste einen photonischen Quantenschaltkreis, der am Politecnico di Milano (Italien) entwickelt wurde und einen Machine-Learning-Algorithmus ausführte, der erstmals von Forschenden bei Quantinuum (Vereinigtes Königreich) vorgeschlagen wurde. Das System nutzt Quanteninterferenz und Einzelphotonen-Kohärenz, um eine überlegene Genauigkeit bei Datenklassifikationsaufgaben zu erreichen.
Neben der verbesserten Genauigkeit bietet dieser photonische Ansatz erhebliche Vorteile in puncto Energieeffizienz. Da Machine-Learning-Anwendungen immer komplexer und energieintensiver werden, könnten photonische Quantenprozessoren eine nachhaltige Alternative darstellen. "Das könnte in Zukunft entscheidend sein, da Machine-Learning-Algorithmen aufgrund des zu hohen Energiebedarfs zunehmend an ihre Grenzen stoßen", betont Co-Autorin Iris Agresti.
Die Forschung hat auch über das Quantencomputing hinaus Bedeutung, da sie spezifische Aufgaben identifiziert, die von Quanteneffekten profitieren, und neue klassische Algorithmen mit besserer Leistung und geringerem Energieverbrauch inspirieren könnte. Dies stellt einen wichtigen Schritt in Richtung praktischer Quantenüberlegenheit bei KI-Anwendungen dar und schlägt eine Brücke zwischen theoretischem Quantencomputing und realer Umsetzung.