Tim međunarodnih istraživača predvođenih Sveučilištem u Beču postigao je značajan napredak u području kvantnog računarstva i umjetne inteligencije, pokazujući da čak i malorazmjerni kvantni računala mogu pružiti praktične koristi za primjene strojnog učenja.
Studija, objavljena u časopisu Nature Photonics 8. lipnja 2025., koristila je novi fotonički kvantni sklop za implementaciju kvantno unaprijeđenog algoritma strojnog učenja temeljenog na kernelima. Istraživači su pokazali da njihov kvantni pristup nadmašuje najsuvremenije klasične metode poput Gaussovih i neural tangent kernela u zadacima binarne klasifikacije.
"Otkrili smo da naš algoritam za određene zadatke čini manje pogrešaka od klasičnih ekvivalenata," objašnjava profesor Philip Walther sa Sveučilišta u Beču, voditelj projekta. "To znači da postojeća kvantna računala mogu pokazati dobre performanse bez nužnog nadilaženja najnaprednije tehnologije," dodaje Zhenghao Yin, prvi autor publikacije.
Eksperimentalni postav uključivao je fotonički kvantni sklop izrađen na Politehničkom sveučilištu u Milanu (Italija), na kojem je pokrenut algoritam strojnog učenja koji su prvi predložili istraživači iz Quantinuuma (Ujedinjeno Kraljevstvo). Sustav koristi kvantnu interferenciju i koherenciju pojedinačnih fotona za postizanje vrhunske točnosti u zadacima klasifikacije podataka.
Osim poboljšane točnosti, ovaj fotonički pristup nudi i značajne prednosti u energetskoj učinkovitosti. Kako aplikacije strojnog učenja postaju sve složenije i energetski zahtjevnije, kvantni fotonički procesori mogli bi predstavljati održivu alternativu. "To bi u budućnosti moglo biti ključno, s obzirom na to da algoritmi strojnog učenja postaju neizvedivi zbog previsokih energetskih zahtjeva," naglašava koautorica Iris Agresti.
Ovo istraživanje ima implikacije i izvan kvantnog računarstva, jer identificira specifične zadatke koji imaju koristi od kvantnih efekata te bi mogao inspirirati razvoj novih klasičnih algoritama s boljim performansama i manjom potrošnjom energije. Ovo predstavlja značajan korak prema praktičnoj kvantnoj prednosti u AI aplikacijama, premošćujući jaz između teorijskog kvantnog računarstva i stvarne primjene.