Tim peneliti internasional yang dipimpin oleh Universitas Wina telah mencapai terobosan penting dalam komputasi kuantum dan kecerdasan buatan, dengan membuktikan bahwa bahkan komputer kuantum skala kecil dapat memberikan manfaat nyata bagi aplikasi machine learning.
Studi yang dipublikasikan di Nature Photonics pada 8 Juni 2025 ini menggunakan sirkuit kuantum fotonik inovatif untuk menerapkan algoritma machine learning berbasis kernel yang ditingkatkan dengan kuantum. Para peneliti menunjukkan bahwa pendekatan kuantum mereka mampu mengungguli metode klasik tercanggih seperti Gaussian dan neural tangent kernel dalam tugas klasifikasi biner.
"Kami menemukan bahwa untuk tugas-tugas tertentu, algoritma kami menghasilkan lebih sedikit kesalahan dibandingkan algoritma klasik," jelas Profesor Philip Walther dari Universitas Wina, pemimpin proyek ini. "Hal ini menunjukkan bahwa komputer kuantum yang ada saat ini sudah dapat menunjukkan performa baik tanpa harus melampaui teknologi tercanggih yang ada," tambah Zhenghao Yin, penulis utama publikasi tersebut.
Pengaturan eksperimen ini menampilkan sirkuit fotonik kuantum yang dibangun di Politecnico di Milano (Italia), menjalankan algoritma machine learning yang pertama kali diusulkan oleh peneliti dari Quantinuum (Inggris). Sistem ini memanfaatkan interferensi kuantum dan koherensi foton tunggal untuk mencapai akurasi lebih tinggi dalam tugas klasifikasi data.
Selain peningkatan akurasi, pendekatan fotonik ini juga menawarkan keunggulan efisiensi energi yang signifikan. Seiring aplikasi machine learning menjadi semakin kompleks dan boros energi, prosesor kuantum fotonik dapat menjadi alternatif yang berkelanjutan. "Hal ini bisa menjadi sangat penting di masa depan, mengingat algoritma machine learning semakin tidak layak dijalankan karena kebutuhan energi yang terlalu tinggi," tegas rekan penulis Iris Agresti.
Riset ini memiliki implikasi yang melampaui komputasi kuantum, karena mengidentifikasi tugas-tugas spesifik yang mendapat manfaat dari efek kuantum dan dapat menginspirasi pengembangan algoritma klasik baru dengan performa lebih baik dan konsumsi energi lebih rendah. Ini merupakan langkah penting menuju keunggulan kuantum yang praktis dalam aplikasi AI, menjembatani kesenjangan antara teori komputasi kuantum dan implementasi di dunia nyata.