In wat experts de 'heilige graal van quantumcomputing' noemen, hebben onderzoekers een onvoorwaardelijke exponentiële versnelling gerealiseerd op quantumhardware, waarmee definitief is bewezen dat quantumcomputers klassieke computers kunnen overtreffen zonder theoretische kanttekeningen.
Het baanbrekende onderzoek, gepubliceerd in Physical Review X op 5 juni 2025, werd geleid door Daniel Lidar, hoogleraar techniek aan USC en expert op het gebied van quantumfoutcorrectie. Samen met collega's van USC en Johns Hopkins University toonde Lidar's team het exponentiële voordeel aan met behulp van twee van IBM's 127-qubit Eagle-quantumprocessors, die op afstand via de cloud werden bediend.
Wat deze prestatie bijzonder significant maakt, is dat de versnelling 'onvoorwaardelijk' is; het resultaat berust dus niet op onbewezen aannames. 'Eerdere claims van versnelling vereisten de aanname dat er geen betere klassieke algoritmen bestaan om het quantumalgoritme mee te vergelijken,' legt Lidar uit. 'Het prestatieverschil kan niet worden teruggedraaid, omdat de exponentiële versnelling die wij hebben aangetoond, voor het eerst onvoorwaardelijk is.'
Het team paste Simon's probleem—een wiskundige uitdaging waarbij verborgen patronen in functies moeten worden gevonden—aan voor implementatie op echte quantumhardware. Dit probleem wordt gezien als een voorloper van Shor's factorisatie-algoritme, dat het hele veld van quantumcomputing op gang bracht. Om de ruis en fouten die quantumsystemen doorgaans teisteren te overwinnen, maakten de onderzoekers gebruik van geavanceerde foutonderdrukkingstechnieken zoals dynamische decoupling en mitigatie van meetfouten.
Hoewel Lidar waarschuwt dat 'dit resultaat geen praktische toepassingen heeft buiten het winnen van raadspelletjes,' zijn de implicaties voor AI aanzienlijk. Naarmate quantumcomputers zich verder ontwikkelen, kunnen ze machine learning-processen drastisch versnellen, vooral bij optimalisatieproblemen en complexe berekeningen die momenteel enorme rekenkracht vereisen.
Quantumversterkte AI-algoritmen hebben al veelbelovende resultaten laten zien in specifieke toepassingen. Recent onderzoek toonde aan dat quantumtechnieken kernel-gebaseerde machine learning kunnen verbeteren, waardoor deze sneller, nauwkeuriger en energie-efficiënter wordt dan klassieke methoden. Naarmate quantumhardware verder opschaalt, kunnen deze voordelen een nieuwe generatie AI-mogelijkheden mogelijk maken die voorheen onpraktisch waren door computationele beperkingen.
Deze prestatie toont onomstotelijk aan dat quantumcomputing de lang beloofde exponentiële versnellingen kan leveren, en markeert een cruciale stap richting praktisch quantumvoordeel in toepassingen uit de echte wereld.