Kansainvälinen tutkijaryhmä Wienin yliopiston johdolla on saavuttanut merkittävän läpimurron kvanttilaskennassa ja tekoälyssä osoittamalla, että jopa pienikokoiset kvanttitietokoneet voivat tarjota käytännön hyötyjä koneoppimissovelluksissa.
Nature Photonics -lehdessä 8. kesäkuuta 2025 julkaistussa tutkimuksessa hyödynnettiin uutta fotonista kvanttipiiriä kvanttitehostetun kernel-pohjaisen koneoppimisalgoritmin toteuttamiseen. Tutkijat osoittivat, että heidän kvanttimenetelmänsä päihittää huipputason perinteiset menetelmät, kuten Gaussiset ja neurotangentin kernelit, binääriluokittelutehtävissä.
"Huomasimme, että tietyissä tehtävissä algoritmimme tekee vähemmän virheitä kuin perinteinen vastineensa", selittää professori Philip Walther Wienin yliopistosta, joka johti projektia. "Tämä tarkoittaa, että nykyiset kvanttitietokoneet voivat tarjota hyviä tuloksia ilman, että niiden tarvitsee ylittää nykyteknologian rajoja", lisää julkaisun ensimmäinen kirjoittaja Zhenghao Yin.
Kokeellinen laitteisto koostui Politecnico di Milanossa (Italia) rakennetusta fotonisesta kvanttisirusta, jolla ajettiin koneoppimisalgoritmia, jonka olivat alun perin kehittäneet Quantinuumin (Iso-Britannia) tutkijat. Järjestelmä hyödyntää kvantti-interferenssiä ja yksittäisten fotonien koherenssia saavuttaakseen paremman tarkkuuden datan luokittelussa.
Parantuneen tarkkuuden lisäksi fotoninen lähestymistapa tarjoaa merkittäviä energiatehokkuusetuja. Koneoppimissovellusten monimutkaistuessa ja energiankulutuksen kasvaessa kvanttifotoniset prosessorit voivat tarjota kestävän vaihtoehdon. "Tämä voi olla tulevaisuudessa ratkaisevaa, sillä koneoppimisalgoritmit käyvät mahdottomiksi liian suuren energiankulutuksen vuoksi", korostaa toinen kirjoittaja Iris Agresti.
Tutkimuksella on vaikutuksia myös kvanttilaskennan ulkopuolella, sillä se tunnistaa tehtäviä, joissa kvanttiefekteistä on hyötyä, ja voi inspiroida uusia, tehokkaampia ja energiapihimpiä perinteisiä algoritmeja. Tämä on merkittävä askel kohti käytännön kvanttietua tekoälysovelluksissa ja kaventaa kuilua teoreettisen kvanttilaskennan ja todellisten sovellusten välillä.