Australische onderzoekers hebben een doorbraak bereikt in quantumcomputing die door experts wordt omschreven als een 'gamechanger' en die de verwerkingsmogelijkheden van AI in de komende jaren drastisch kan versnellen.
Het team van de Universiteit van Sydney, onder leiding van professor David Reilly, heeft een piepkleine CMOS-'chiplet' ontwikkeld die kan functioneren bij 100 millikelvin (net boven het absolute nulpunt) en meerdere silicium-spin-qubits kan aansturen met slechts microwatts aan vermogen. Hiermee wordt een technisch probleem opgelost dat lange tijd als onoverkomelijk werd beschouwd in de quantumtechnologie.
De innovatie is vooral belangrijk omdat de aansturings-elektronica op minder dan een millimeter afstand van de qubits kan worden geplaatst, zonder hun kwetsbare quantumtoestand te verstoren. 'Door zorgvuldig ontwerp laten we zien dat de qubits nauwelijks iets merken van het schakelen van 100.000 transistoren pal naast hen,' aldus Reilly, die het resultaat omschreef als 'het einde van een lange weg' na tien jaar ontwikkeling.
Traditionele quantumcomputers vereisen omvangrijke externe aansturingssystemen die met dikke bedrading zijn verbonden, wat een grote belemmering vormt voor opschaling. Door de aansturings-elektronica direct te integreren in een cryogeen-vriendelijke CMOS-behuizing, heeft het Australische team deze beperking weggenomen en de weg vrijgemaakt voor quantumprocessors met miljoenen qubits op één enkele chip.
De doorbraak maakt gebruik van silicium-spin-qubits, die bijzonder veelbelovend zijn vanwege hun compatibiliteit met bestaande halfgeleiderproductietechnieken. In tegenstelling tot andere quantumtechnologieën kunnen deze qubits op grote schaal worden geproduceerd met dezelfde CMOS-fabricageprocessen als die in moderne smartphones en computers worden gebruikt.
De gevolgen voor kunstmatige intelligentie zijn ingrijpend. Quantumcomputers met miljoenen qubits kunnen het trainen van complexe AI-modellen exponentieel versnellen en geheel nieuwe soorten algoritmen mogelijk maken die op klassieke hardware onmogelijk zijn. Dit kan leiden tot doorbraken op gebieden als medicijnontwikkeling, materiaalkunde en de optimalisatie van complexe systemen, die zelfs voor de meest geavanceerde AI-systemen van vandaag nog niet haalbaar zijn.