Σε αυτό που οι ειδικοί αποκαλούν «άγιο δισκοπότηρο της κβαντικής υπολογιστικής», ερευνητές πέτυχαν άνευ όρων εκθετική επιτάχυνση σε κβαντικό υλικό, αποδεικνύοντας οριστικά ότι οι κβαντικοί υπολογιστές μπορούν να ξεπεράσουν τους κλασικούς χωρίς θεωρητικές επιφυλάξεις.
Η πρωτοποριακή έρευνα, που δημοσιεύθηκε στο Physical Review X στις 5 Ιουνίου 2025, πραγματοποιήθηκε υπό την καθοδήγηση του Daniel Lidar, καθηγητή μηχανικής στο USC και ειδικού στη διόρθωση κβαντικών σφαλμάτων. Σε συνεργασία με συναδέλφους από το USC και το Πανεπιστήμιο Johns Hopkins, η ομάδα του Lidar επέδειξε το εκθετικό πλεονέκτημα χρησιμοποιώντας δύο από τους 127-qubit Eagle κβαντικούς επεξεργαστές της IBM, οι οποίοι λειτουργούσαν απομακρυσμένα μέσω cloud.
Αυτό που καθιστά το επίτευγμα ιδιαίτερα σημαντικό είναι ότι η επιτάχυνση είναι «άνευ όρων», δηλαδή δεν βασίζεται σε μη αποδεδειγμένες υποθέσεις. «Οι προηγούμενοι ισχυρισμοί για επιτάχυνση απαιτούσαν την υπόθεση ότι δεν υπάρχει καλύτερος κλασικός αλγόριθμος για σύγκριση με τον κβαντικό αλγόριθμο», εξηγεί ο Lidar. «Ο διαχωρισμός στην απόδοση δεν μπορεί να αναιρεθεί, επειδή η εκθετική επιτάχυνση που δείξαμε είναι, για πρώτη φορά, άνευ όρων.»
Η ομάδα τροποποίησε το πρόβλημα του Simon —ένα μαθηματικό πρόβλημα που αφορά την εύρεση κρυφών προτύπων σε συναρτήσεις— ώστε να υλοποιηθεί σε πραγματικό κβαντικό υλικό. Το πρόβλημα αυτό θεωρείται πρόδρομος του αλγορίθμου παραγοντοποίησης του Shor, ο οποίος εκκίνησε ολόκληρο τον τομέα της κβαντικής υπολογιστικής. Για να ξεπεράσουν τον θόρυβο και τα σφάλματα που συνήθως ταλανίζουν τα κβαντικά συστήματα, οι ερευνητές χρησιμοποίησαν προηγμένες τεχνικές καταστολής σφαλμάτων, όπως δυναμική αποσύζευξη και μετριασμό σφαλμάτων μέτρησης.
Αν και ο Lidar προειδοποιεί ότι «το αποτέλεσμα αυτό δεν έχει πρακτικές εφαρμογές πέραν της νίκης σε παιχνίδια μαντεψιάς», οι επιπτώσεις για την τεχνητή νοημοσύνη είναι σημαντικές. Καθώς οι κβαντικοί υπολογιστές συνεχίζουν να εξελίσσονται, θα μπορούσαν να επιταχύνουν δραστικά τις διαδικασίες μηχανικής μάθησης, ειδικά για προβλήματα βελτιστοποίησης και σύνθετους υπολογισμούς που σήμερα απαιτούν τεράστιους υπολογιστικούς πόρους.
Οι κβαντικά ενισχυμένοι αλγόριθμοι τεχνητής νοημοσύνης έχουν ήδη δείξει υποσχέσεις σε συγκεκριμένες εφαρμογές. Πρόσφατη έρευνα έδειξε ότι οι κβαντικές τεχνικές μπορούν να ενισχύσουν τη μηχανική μάθηση που βασίζεται σε πυρήνες, καθιστώντας την ταχύτερη, ακριβέστερη και πιο ενεργειακά αποδοτική σε σχέση με τις κλασικές μεθόδους. Καθώς το κβαντικό υλικό κλιμακώνεται, αυτά τα πλεονεκτήματα θα μπορούσαν να επιτρέψουν μια νέα γενιά δυνατοτήτων τεχνητής νοημοσύνης που μέχρι σήμερα θεωρούνταν ανέφικτες λόγω υπολογιστικών περιορισμών.
Το επίτευγμα αυτό αποδεικνύει με σαφήνεια την πολυαναμενόμενη ικανότητα της κβαντικής υπολογιστικής να προσφέρει εκθετικές επιταχύνσεις, σηματοδοτώντας ένα κρίσιμο βήμα προς την πρακτική κβαντική υπεροχή σε πραγματικές εφαρμογές.