Een baanbrekende studie van een internationaal onderzoeksteam onder leiding van de Universiteit van Wenen heeft aangetoond dat zelfs kleinschalige quantumcomputers de prestaties van machine learning aanzienlijk kunnen verbeteren met behulp van een nieuw fotonisch quantumcircuit.
De onderzoekers hebben laten zien dat de huidige quantumtechnologie niet slechts experimenteel is—ze kan klassieke systemen nu al overtreffen bij specifieke taken. In het experiment werd een fotonische quantumcomputer gebruikt om datapunten te classificeren, en werd aangetoond dat kleine quantumprocessors beter kunnen presteren dan conventionele algoritmes. "We ontdekten dat ons algoritme bij bepaalde taken minder fouten maakt dan zijn klassieke tegenhanger," legt Philip Walther van de Universiteit van Wenen uit, projectleider.
De experimentele opstelling bevat een quantumfotonisch circuit gebouwd aan de Politecnico di Milano (Italië), waarop een machine learning-algoritme draait dat oorspronkelijk werd voorgesteld door onderzoekers van Quantinuum (Verenigd Koninkrijk). "Dit betekent dat bestaande quantumcomputers goede prestaties kunnen leveren zonder noodzakelijkerwijs de huidige stand van de techniek te overstijgen," voegt Zhenghao Yin toe, eerste auteur van de publicatie in Nature Photonics.
Een bijzonder veelbelovend aspect van dit onderzoek is dat fotonische platforms aanzienlijk minder energie kunnen verbruiken dan standaardcomputers. "Dit kan in de toekomst cruciaal blijken, aangezien machine learning-algoritmes steeds onhaalbaarder worden door hun te hoge energieverbruik," benadrukt mede-auteur Iris Agresti. Omdat er alleen licht en geen stroom door het circuit gaat, hebben fotonische chips minder koeling nodig. In combinatie met hogere prestaties en rekendichtheid leidt dit tot aanzienlijke energiebesparingen. Sommige fotonische AI-versnellers beloven tot wel 30 keer minder energie te verbruiken dan een grafische processor (GPU).
Het resultaat heeft impact op zowel quantumcomputatie, omdat het taken identificeert die profiteren van quantumeffecten, als op standaardcomputing. Nieuwe algoritmes geïnspireerd door quantumarchitecturen zouden namelijk kunnen worden ontworpen, met betere prestaties en lager energieverbruik tot gevolg. Deze doorbraak toont aan dat kleinschalige fotonische quantumcomputers klassieke systemen kunnen overtreffen bij specifieke machine learning-taken, waarbij onderzoekers een quantum-versterkt algoritme op een fotonisch circuit gebruikten om data nauwkeuriger te classificeren dan conventionele methoden.
Naarmate AI-systemen steeds complexer worden en meer energie vragen, opent dit onderzoek de weg naar duurzamere en krachtigere AI-technologieën die nu al quantumvoordelen benutten, en niet pas in een theoretische toekomst. De integratie van quantumfotonica en machine learning vormt een van de meest veelbelovende fronten in de computertechnologie, met directe praktische toepassingen die nu al zichtbaar worden.