Sekumpulan penyelidik antarabangsa yang diketuai oleh Universiti Vienna telah mencapai satu pencapaian penting dalam bidang pengkomputeran kuantum dan kecerdasan buatan, membuktikan bahawa komputer kuantum berskala kecil pun boleh memberikan manfaat praktikal untuk aplikasi pembelajaran mesin.
Kajian yang diterbitkan dalam Nature Photonics pada 8 Jun 2025 ini menggunakan litar kuantum fotonik baharu untuk melaksanakan algoritma pembelajaran mesin berasaskan kernel yang dipertingkatkan kuantum. Para penyelidik menunjukkan bahawa pendekatan kuantum mereka mengatasi kaedah klasik terkini seperti kernel Gaussian dan neural tangent dalam tugasan pengelasan binari.
"Kami mendapati bahawa untuk tugasan tertentu, algoritma kami melakukan lebih sedikit kesilapan berbanding kaedah klasik," jelas Profesor Philip Walther dari Universiti Vienna yang mengetuai projek ini. "Ini bermakna komputer kuantum sedia ada boleh menunjukkan prestasi yang baik tanpa semestinya melepasi teknologi terkini," tambah Zhenghao Yin, penulis utama penerbitan tersebut.
Tetapan eksperimen ini menampilkan litar fotonik kuantum yang dibina di Politecnico di Milano (Itali), menjalankan algoritma pembelajaran mesin yang pertama kali dicadangkan oleh penyelidik di Quantinuum (United Kingdom). Sistem ini menggunakan gangguan kuantum dan koheren foton tunggal untuk mencapai ketepatan lebih tinggi dalam tugasan pengelasan data.
Selain peningkatan ketepatan, pendekatan fotonik ini juga menawarkan kelebihan kecekapan tenaga yang ketara. Memandangkan aplikasi pembelajaran mesin semakin kompleks dan memerlukan tenaga yang tinggi, pemproses fotonik kuantum boleh menjadi alternatif yang lestari. "Ini boleh menjadi sangat penting pada masa hadapan memandangkan algoritma pembelajaran mesin semakin tidak praktikal akibat permintaan tenaga yang terlalu tinggi," tegas penulis bersama, Iris Agresti.
Penyelidikan ini mempunyai implikasi yang melangkaui pengkomputeran kuantum, kerana ia mengenal pasti tugasan tertentu yang mendapat manfaat daripada kesan kuantum dan boleh mengilhamkan algoritma klasik baharu dengan prestasi lebih baik serta penggunaan tenaga lebih rendah. Ini merupakan langkah penting ke arah kelebihan kuantum praktikal dalam aplikasi AI, merapatkan jurang antara teori pengkomputeran kuantum dan pelaksanaan dunia sebenar.