Satu kajian inovatif telah membuktikan bahawa pengkomputeran kuantum bukan sekadar janji masa depan, malah sudah menawarkan manfaat nyata untuk aplikasi kecerdasan buatan (AI) hari ini.
Sebuah pasukan penyelidik antarabangsa yang diketuai oleh Universiti Vienna berjaya menunjukkan bahawa pemproses kuantum bersaiz sederhana pun mampu mengatasi algoritma pembelajaran mesin konvensional dalam tugas-tugas tertentu. Hasil kerja mereka, yang diterbitkan dalam Nature Photonics bulan ini, merupakan antara aplikasi praktikal pertama pengkomputeran kuantum untuk meningkatkan sistem AI harian.
Para penyelidik menggunakan litar kuantum fotonik yang dibina di Politecnico di Milano, Itali, untuk melaksanakan algoritma pembelajaran mesin yang asalnya dicadangkan oleh penyelidik di Quantinuum, United Kingdom. Eksperimen ini memfokuskan kepada tugas pengelasan binari, di mana sistem kuantum menunjukkan ketepatan yang lebih tinggi berbanding pendekatan klasik.
"Kami mendapati bahawa untuk tugas-tugas tertentu, algoritma kami melakukan lebih sedikit kesilapan berbanding kaedah klasik," jelas Philip Walther dari Universiti Vienna, ketua projek ini. "Ini bermakna komputer kuantum sedia ada boleh menunjukkan prestasi yang baik tanpa perlu melangkaui teknologi semasa," tambah Zhenghao Yin, penulis utama penerbitan tersebut.
Selain peningkatan ketepatan, pendekatan fotonik ini turut menawarkan kelebihan kecekapan tenaga yang ketara. "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. Ketika sistem AI terus berkembang dari segi saiz dan kerumitan, penggunaan tenaga yang besar telah menjadi isu utama.
Penyelidikan ini merapatkan jurang antara kelebihan teori kuantum dan aplikasi praktikal, membuktikan bahawa teknologi kuantum masa kini boleh meningkatkan sistem pembelajaran mesin tanpa perlu menunggu komputer kuantum berskala besar. Perkembangan ini membuka peluang baharu untuk algoritma yang lebih cekap berinspirasikan seni bina kuantum, sekaligus berpotensi merevolusikan cara kita mendekati pengiraan AI dalam dunia yang semakin didorong oleh data.