Nakamit ng isang internasyonal na grupo ng mga mananaliksik na pinangunahan ng University of Vienna ang isang makabuluhang tagumpay sa larangan ng quantum computing at artificial intelligence, matapos nilang patunayan na kahit ang maliliit na quantum computer ay maaaring magbigay ng praktikal na benepisyo para sa mga aplikasyon ng machine learning.
Ang pag-aaral, na inilathala sa Nature Photonics noong Hunyo 8, 2025, ay gumamit ng kakaibang photonic quantum circuit upang isakatuparan ang isang quantum-enhanced kernel-based machine learning algorithm. Ipinakita ng mga mananaliksik na nalampasan ng kanilang quantum na pamamaraan ang mga pinakabagong klasikong paraan tulad ng Gaussian at neural tangent kernels sa mga binary classification na gawain.
"Natuklasan namin na sa ilang partikular na gawain, mas kaunti ang nagagawang pagkakamali ng aming algorithm kumpara sa klasikong bersyon," paliwanag ni Propesor Philip Walther mula sa University of Vienna, na nanguna sa proyekto. "Ipinapahiwatig nito na maaaring magpakita ng mahusay na performance ang mga umiiral na quantum computer kahit hindi pa lumalagpas sa pinakabagong teknolohiya," dagdag ni Zhenghao Yin, pangunahing may-akda ng publikasyon.
Ang eksperimentong setup ay gumamit ng quantum photonic circuit na binuo sa Politecnico di Milano (Italy), kung saan pinatakbo ang isang machine learning algorithm na unang iminungkahi ng mga mananaliksik mula sa Quantinuum (United Kingdom). Ginamit ng sistema ang quantum interference at single-photon coherence upang makamit ang mas mataas na katumpakan sa mga gawain ng data classification.
Bukod sa pinahusay na katumpakan, nag-aalok din ang photonic na pamamaraan ng malaking bentahe sa pagtitipid ng enerhiya. Habang patuloy na nagiging mas kumplikado at mas matakaw sa enerhiya ang mga aplikasyon ng machine learning, maaaring maging mas matatag at sustenableng alternatibo ang quantum photonic processors. "Mahalaga ito sa hinaharap, lalo na't nagiging hindi na praktikal ang ilang machine learning algorithms dahil sa sobrang taas ng konsumo ng enerhiya," diin ni Iris Agresti, isa sa mga may-akda.
Ang pananaliksik na ito ay may implikasyon hindi lamang sa quantum computing, kundi pati na rin sa pagtukoy ng mga partikular na gawain na nakikinabang sa quantum effects at maaaring magbigay-inspirasyon sa pagbuo ng mga bagong klasikong algorithm na may mas mahusay na performance at mas mababang konsumo ng enerhiya. Isa itong mahalagang hakbang patungo sa praktikal na quantum advantage sa mga aplikasyon ng AI, na nag-uugnay sa pagitan ng teoretikal na quantum computing at aktuwal na implementasyon sa totoong mundo.