Μια διεθνής ομάδα ερευνητών με επικεφαλής το Πανεπιστήμιο της Βιέννης πέτυχε μια σημαντική πρόοδο στην κβαντική υπολογιστική και την τεχνητή νοημοσύνη, αποδεικνύοντας ότι ακόμη και μικρής κλίμακας κβαντικοί υπολογιστές μπορούν να προσφέρουν πρακτικά οφέλη για εφαρμογές μηχανικής μάθησης.
Η μελέτη, που δημοσιεύτηκε στο Nature Photonics στις 8 Ιουνίου 2025, χρησιμοποίησε ένα καινοτόμο φωτονικό κβαντικό κύκλωμα για την υλοποίηση ενός κβαντικά ενισχυμένου αλγορίθμου μηχανικής μάθησης βασισμένου σε πυρήνες. Οι ερευνητές έδειξαν ότι η κβαντική τους προσέγγιση υπερτερεί των πλέον προηγμένων κλασικών μεθόδων, όπως οι Gaussian και neural tangent kernels, σε εργασίες δυαδικής ταξινόμησης.
"Διαπιστώσαμε ότι για συγκεκριμένες εργασίες ο αλγόριθμός μας κάνει λιγότερα λάθη από τον κλασικό αντίστοιχό του", εξηγεί ο καθηγητής Philip Walther από το Πανεπιστήμιο της Βιέννης, επικεφαλής του έργου. "Αυτό σημαίνει ότι οι υπάρχοντες κβαντικοί υπολογιστές μπορούν να παρουσιάσουν καλές επιδόσεις χωρίς να ξεπερνούν απαραίτητα την πλέον προηγμένη τεχνολογία", προσθέτει ο Zhenghao Yin, πρώτος συγγραφέας της δημοσίευσης.
Η πειραματική διάταξη περιλάμβανε ένα φωτονικό κβαντικό κύκλωμα που κατασκευάστηκε στο Politecnico di Milano (Ιταλία), το οποίο εκτελούσε έναν αλγόριθμο μηχανικής μάθησης που προτάθηκε αρχικά από ερευνητές της Quantinuum (Ηνωμένο Βασίλειο). Το σύστημα χρησιμοποιεί κβαντική συμβολή και συνοχή μονοφωτονίων για να επιτύχει ανώτερη ακρίβεια σε εργασίες ταξινόμησης δεδομένων.
Πέρα από τη βελτιωμένη ακρίβεια, αυτή η φωτονική προσέγγιση προσφέρει σημαντικά πλεονεκτήματα ενεργειακής απόδοσης. Καθώς οι εφαρμογές μηχανικής μάθησης γίνονται όλο και πιο σύνθετες και ενεργοβόρες, οι φωτονικοί κβαντικοί επεξεργαστές θα μπορούσαν να αποτελέσουν μια βιώσιμη εναλλακτική λύση. "Αυτό θα μπορούσε να αποδειχθεί κρίσιμο στο μέλλον, καθώς οι αλγόριθμοι μηχανικής μάθησης καθίστανται μη εφικτοί λόγω υπερβολικών ενεργειακών απαιτήσεων", τονίζει η συν-συγγραφέας Iris Agresti.
Η έρευνα έχει επιπτώσεις πέρα από την κβαντική υπολογιστική, καθώς εντοπίζει συγκεκριμένες εργασίες που ωφελούνται από τα κβαντικά φαινόμενα και θα μπορούσε να εμπνεύσει νέους κλασικούς αλγορίθμους με καλύτερη απόδοση και χαμηλότερη κατανάλωση ενέργειας. Αυτό αποτελεί ένα σημαντικό βήμα προς το πρακτικό κβαντικό πλεονέκτημα στις εφαρμογές τεχνητής νοημοσύνης, γεφυρώνοντας το χάσμα μεταξύ θεωρητικής κβαντικής υπολογιστικής και πραγματικής υλοποίησης.