Uraauurtava tutkimus osoittaa, että kvanttilaskenta ei ole pelkkä tulevaisuuden lupaus, vaan tarjoaa jo nyt konkreettisia hyötyjä tekoälysovelluksissa.
Wienin yliopiston johtama kansainvälinen tutkijaryhmä on onnistuneesti osoittanut, että jopa vaatimattoman kokoiset kvanttiprosessorit voivat päihittää perinteiset koneoppimisalgoritmit tietyissä tehtävissä. Heidän Nature Photonics -lehdessä tässä kuussa julkaistu työnsä edustaa yhtä ensimmäisistä käytännön sovelluksista, joissa kvanttilaskentaa hyödynnetään arkipäivän tekoälyjärjestelmien parantamiseen.
Tutkijat käyttivät Milanon Politecnico di Milanossa rakennettua fotonista kvanttikehää toteuttaakseen koneoppimisalgoritmin, jonka oli alun perin kehittänyt brittiläinen Quantinuum-tutkimusryhmä. Kokeessa keskityttiin binäärisiin luokittelutehtäviin, joissa kvanttijärjestelmä osoitti parempaa tarkkuutta kuin perinteiset menetelmät.
"Huomasimme, että tietyissä tehtävissä algoritmimme tekee vähemmän virheitä kuin klassinen vastineensa", kertoo projektia johtanut Philip Walther Wienin yliopistosta. "Tämä tarkoittaa, että nykyiset kvanttitietokoneet voivat saavuttaa hyviä tuloksia ilman, että niiden tarvitsee ylittää nykyteknologian rajoja", lisää julkaisun ensimmäinen kirjoittaja Zhenghao Yin.
Parantuneen tarkkuuden lisäksi fotoninen lähestymistapa tarjoaa merkittäviä energiatehokkuusetuja. "Tällä voi olla ratkaiseva merkitys tulevaisuudessa, sillä koneoppimisalgoritmit ovat käymässä mahdottomiksi liian suuren energiankulutuksen vuoksi", painottaa toinen kirjoittaja Iris Agresti. Tekoälyjärjestelmien kasvaessa kooltaan ja monimutkaistuessaan niiden valtava energiankulutus on noussut merkittäväksi huolenaiheeksi.
Tutkimus kuroo umpeen teoreettisten kvanttietujen ja käytännön sovellusten välistä kuilua osoittamalla, että nykyinen kvanttiteknologia voi parantaa koneoppimisjärjestelmiä ilman, että tarvitsee odottaa suuria kvanttitietokoneita. Tämä kehitys avaa uusia mahdollisuuksia tehokkaammille, kvanttiarkkitehtuureista inspiraationsa saaville algoritmeille ja voi mullistaa tapamme lähestyä tekoälyn laskentaa yhä dataintensiivisemmässä maailmassa.