Μια πρωτοποριακή μελέτη από διεθνή ερευνητική ομάδα με επικεφαλής το Πανεπιστήμιο της Βιέννης απέδειξε ότι ακόμα και μικρής κλίμακας κβαντικοί υπολογιστές μπορούν να ενισχύσουν σημαντικά την απόδοση της μηχανικής μάθησης μέσω ενός καινοτόμου φωτονικού κβαντικού κυκλώματος.
Οι ερευνητές έδειξαν ότι η σημερινή κβαντική τεχνολογία δεν είναι απλώς πειραματική—ήδη μπορεί να ξεπεράσει τα κλασικά συστήματα σε συγκεκριμένες εργασίες. Το πείραμα χρησιμοποίησε έναν φωτονικό κβαντικό υπολογιστή για την ταξινόμηση δεδομένων και απέδειξε ότι μικρού μεγέθους κβαντικοί επεξεργαστές μπορούν να αποδώσουν καλύτερα από συμβατικούς αλγορίθμους. «Διαπιστώσαμε ότι για συγκεκριμένες εργασίες ο αλγόριθμός μας κάνει λιγότερα λάθη από τον κλασικό του αντίστοιχο», εξηγεί ο Philip Walther από το Πανεπιστήμιο της Βιέννης, επικεφαλής του έργου.
Η πειραματική διάταξη περιλαμβάνει ένα φωτονικό κβαντικό κύκλωμα που κατασκευάστηκε στο Πολυτεχνείο του Μιλάνου (Ιταλία), το οποίο εκτελεί έναν αλγόριθμο μηχανικής μάθησης που προτάθηκε αρχικά από ερευνητές της Quantinuum (Ηνωμένο Βασίλειο). «Αυτό σημαίνει ότι οι υπάρχοντες κβαντικοί υπολογιστές μπορούν να παρουσιάσουν καλές επιδόσεις χωρίς να απαιτείται να ξεπεράσουν την τρέχουσα τεχνολογική αιχμή», προσθέτει ο Zhenghao Yin, πρώτος συγγραφέας της δημοσίευσης στο Nature Photonics.
Ένα ιδιαίτερα ελπιδοφόρο στοιχείο αυτής της έρευνας είναι ότι οι φωτονικές πλατφόρμες μπορούν να καταναλώνουν σημαντικά λιγότερη ενέργεια σε σύγκριση με τους συμβατικούς υπολογιστές. «Αυτό θα μπορούσε να αποδειχθεί κρίσιμο στο μέλλον, δεδομένου ότι οι αλγόριθμοι μηχανικής μάθησης καθίστανται μη βιώσιμοι λόγω των υπερβολικών ενεργειακών απαιτήσεών τους», τονίζει η συν-συγγραφέας Iris Agresti. Εφόσον μόνο φως, και όχι ηλεκτρικό ρεύμα, διαρρέει το κύκλωμα, τα φωτονικά τσιπ έχουν χαμηλότερες απαιτήσεις ψύξης. Ο συνδυασμός αυτού με υψηλότερη απόδοση και υπολογιστική πυκνότητα οδηγεί σε σημαντική εξοικονόμηση ενέργειας. Ορισμένοι φωτονικοί επιταχυντές ΤΝ υπόσχονται κατανάλωση έως και 30 φορές λιγότερης ενέργειας σε σχέση με μια μονάδα γραφικών επεξεργασίας (GPU).
Το αποτέλεσμα έχει αντίκτυπο τόσο στην κβαντική υπολογιστική, καθώς εντοπίζει εργασίες που ωφελούνται από τα κβαντικά φαινόμενα, όσο και στην κλασική πληροφορική. Πράγματι, μπορούν να σχεδιαστούν νέοι αλγόριθμοι εμπνευσμένοι από κβαντικές αρχιτεκτονικές, επιτυγχάνοντας καλύτερες επιδόσεις και μειωμένη ενεργειακή κατανάλωση. Αυτό το επίτευγμα αποδεικνύει ότι μικρής κλίμακας φωτονικοί κβαντικοί υπολογιστές μπορούν να ξεπεράσουν τα κλασικά συστήματα σε συγκεκριμένες εργασίες μηχανικής μάθησης, με τους ερευνητές να χρησιμοποιούν έναν κβαντικά ενισχυμένο αλγόριθμο σε φωτονικό κύκλωμα για να ταξινομήσουν δεδομένα με μεγαλύτερη ακρίβεια από τις συμβατικές μεθόδους.
Καθώς τα συστήματα τεχνητής νοημοσύνης συνεχίζουν να αυξάνουν την πολυπλοκότητα και τις ενεργειακές απαιτήσεις τους, αυτή η έρευνα ανοίγει τον δρόμο για πιο βιώσιμες και ισχυρές τεχνολογίες ΤΝ που αξιοποιούν τα κβαντικά πλεονεκτήματα σήμερα, και όχι μόνο σε θεωρητικό επίπεδο στο μέλλον. Η ενσωμάτωση της κβαντικής φωτονικής και της μηχανικής μάθησης αποτελεί ένα από τα πιο υποσχόμενα σύνορα της υπολογιστικής τεχνολογίας, με άμεσες πρακτικές εφαρμογές να αναδύονται ήδη.