Een team van internationale onderzoekers onder leiding van de Universiteit van Wenen heeft een belangrijke doorbraak gerealiseerd op het gebied van quantum computing en kunstmatige intelligentie. Zij toonden aan dat zelfs kleinschalige quantumcomputers praktische voordelen kunnen bieden voor machine learning-toepassingen.
De studie, gepubliceerd in Nature Photonics op 8 juni 2025, maakte gebruik van een nieuw fotonisch quantumcircuit om een quantum-versterkt kernel-gebaseerd machine learning-algoritme te implementeren. De onderzoekers lieten zien dat hun quantumaanpak beter presteert dan geavanceerde klassieke methoden zoals Gaussische en neurale tangent-kernels bij binaire classificatietaken.
"We ontdekten dat ons algoritme bij specifieke taken minder fouten maakt dan het klassieke alternatief," legt professor Philip Walther van de Universiteit van Wenen uit, die het project leidde. "Dit betekent dat bestaande quantumcomputers al goede prestaties kunnen leveren zonder noodzakelijkerwijs de huidige stand van de techniek te overtreffen," voegt Zhenghao Yin toe, eerste auteur van de publicatie.
De experimentele opstelling bestond uit een fotonisch quantumcircuit, gebouwd aan de Politecnico di Milano (Italië), waarop een machine learning-algoritme draaide dat oorspronkelijk werd voorgesteld door onderzoekers van Quantinuum (Verenigd Koninkrijk). Het systeem maakt gebruik van quantuminterferentie en enkel-fotoncoherentie om een hogere nauwkeurigheid te bereiken bij dataclassificatietaken.
Naast de verbeterde nauwkeurigheid biedt deze fotonische benadering aanzienlijke voordelen op het gebied van energie-efficiëntie. Nu machine learning-toepassingen steeds complexer en energie-intensiever worden, kunnen quantum-fotonische processoren een duurzaam alternatief bieden. "Dit kan in de toekomst cruciaal blijken, aangezien machine learning-algoritmen onuitvoerbaar dreigen te worden door een te hoog energieverbruik," benadrukt coauteur Iris Agresti.
Het onderzoek heeft ook bredere implicaties, omdat het specifieke taken identificeert die profiteren van quantumeffecten en inspiratie kunnen bieden voor nieuwe klassieke algoritmen met betere prestaties en lager energieverbruik. Dit vormt een belangrijke stap richting praktisch quantumvoordeel in AI-toepassingen en overbrugt de kloof tussen theoretische quantum computing en praktische implementatie.