Μια πρωτοποριακή μελέτη απέδειξε ότι η κβαντική υπολογιστική δεν αποτελεί απλώς υπόσχεση για το μέλλον, αλλά προσφέρει ήδη απτά οφέλη σε εφαρμογές τεχνητής νοημοσύνης σήμερα.
Μια διεθνής ερευνητική ομάδα υπό την ηγεσία του Πανεπιστημίου της Βιέννης έδειξε με επιτυχία ότι ακόμη και μετρίου μεγέθους κβαντικοί επεξεργαστές μπορούν να ξεπεράσουν τους συμβατικούς αλγόριθμους μηχανικής μάθησης σε συγκεκριμένες εργασίες. Η εργασία τους, που δημοσιεύθηκε αυτόν τον μήνα στο Nature Photonics, αποτελεί μία από τις πρώτες πρακτικές εφαρμογές της κβαντικής υπολογιστικής για την ενίσχυση καθημερινών συστημάτων τεχνητής νοημοσύνης.
Οι ερευνητές χρησιμοποίησαν ένα φωτονικό κβαντικό κύκλωμα που κατασκευάστηκε στο Politecnico di Milano της Ιταλίας, για να υλοποιήσουν έναν αλγόριθμο μηχανικής μάθησης που αρχικά προτάθηκε από ερευνητές της Quantinuum στο Ηνωμένο Βασίλειο. Το πείραμα επικεντρώθηκε σε δυαδικές εργασίες ταξινόμησης, όπου το κβαντικό σύστημα επέδειξε ανώτερη ακρίβεια σε σύγκριση με τις κλασικές προσεγγίσεις.
"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. "Αυτό υποδηλώνει ότι οι υπάρχοντες κβαντικοί υπολογιστές μπορούν να έχουν καλές επιδόσεις χωρίς να ξεπερνούν απαραίτητα την τρέχουσα τεχνολογία αιχμής", προσθέτει ο Zhenghao Yin, πρώτος συγγραφέας της δημοσίευσης.
Πέρα από τη βελτιωμένη ακρίβεια, η φωτονική προσέγγιση προσφέρει σημαντικά πλεονεκτήματα ενεργειακής απόδοσης. "Αυτό θα μπορούσε να αποδειχθεί κρίσιμο στο μέλλον, δεδομένου ότι οι αλγόριθμοι μηχανικής μάθησης γίνονται μη βιώσιμοι λόγω της υπερβολικής ενεργειακής απαίτησης", τονίζει η συν-συγγραφέας Iris Agresti. Καθώς τα συστήματα τεχνητής νοημοσύνης συνεχίζουν να αυξάνονται σε μέγεθος και πολυπλοκότητα, η τεράστια κατανάλωση ενέργειας έχει καταστεί επείγον ζήτημα.
Η έρευνα γεφυρώνει το χάσμα μεταξύ θεωρητικών κβαντικών πλεονεκτημάτων και πρακτικών εφαρμογών, αποδεικνύοντας ότι η τρέχουσα κβαντική τεχνολογία μπορεί να ενισχύσει τα συστήματα μηχανικής μάθησης χωρίς να απαιτείται η αναμονή για μεγάλους κβαντικούς υπολογιστές. Αυτή η εξέλιξη ανοίγει νέες δυνατότητες για πιο αποδοτικούς αλγόριθμους εμπνευσμένους από κβαντικές αρχιτεκτονικές, με την προοπτική να φέρει επανάσταση στον τρόπο με τον οποίο προσεγγίζουμε τους υπολογισμούς τεχνητής νοημοσύνης σε έναν ολοένα και πιο δεδομενοκεντρικό κόσμο.