Przełomowe badanie międzynarodowego zespołu naukowców pod przewodnictwem Uniwersytetu Wiedeńskiego wykazało, że nawet małoskalowe komputery kwantowe mogą znacząco zwiększyć wydajność uczenia maszynowego dzięki nowatorskiemu fotonicznemu obwodowi kwantowemu.
Naukowcy udowodnili, że dzisiejsza technologia kwantowa to nie tylko eksperyment – już teraz może przewyższać klasyczne systemy w określonych zadaniach. W eksperymencie wykorzystano fotoniczny komputer kwantowy do klasyfikacji punktów danych i wykazano, że niewielkie procesory kwantowe mogą działać lepiej niż tradycyjne algorytmy. „Odkryliśmy, że w przypadku określonych zadań nasz algorytm popełnia mniej błędów niż jego klasyczny odpowiednik” – wyjaśnia Philip Walther z Uniwersytetu Wiedeńskiego, kierownik projektu.
W eksperymencie zastosowano fotoniczny obwód kwantowy zbudowany na Politechnice Mediolańskiej (Włochy), na którym uruchomiono algorytm uczenia maszynowego zaproponowany przez badaczy z firmy Quantinuum (Wielka Brytania). „To oznacza, że istniejące komputery kwantowe mogą osiągać dobre wyniki bez konieczności wykraczania poza obecny stan technologii” – dodaje Zhenghao Yin, pierwszy autor publikacji w Nature Photonics.
Szczególnie obiecującym aspektem tych badań jest to, że platformy fotoniczne mogą zużywać znacznie mniej energii niż standardowe komputery. „To może okazać się kluczowe w przyszłości, biorąc pod uwagę, że algorytmy uczenia maszynowego stają się niewykonalne ze względu na zbyt duże zapotrzebowanie na energię” – podkreśla współautorka Iris Agresti. Ponieważ przez obwód przepływa jedynie światło, a nie prąd, fotoniczne układy scalone wymagają mniej chłodzenia. W połączeniu z wyższą wydajnością i gęstością obliczeniową prowadzi to do znacznych oszczędności energii. Niektóre akceleratory AI oparte na fotonice obiecują zużycie nawet 30 razy mniej energii niż jednostka GPU.
Wynik ten ma znaczenie zarówno dla obliczeń kwantowych, ponieważ identyfikuje zadania korzystające z efektów kwantowych, jak i dla tradycyjnej informatyki. Możliwe jest bowiem projektowanie nowych algorytmów inspirowanych architekturą kwantową, które osiągną lepsze wyniki i zmniejszą zużycie energii. To przełomowe osiągnięcie pokazuje, że małoskalowe fotoniczne komputery kwantowe mogą przewyższać klasyczne systemy w wybranych zadaniach uczenia maszynowego, a naukowcy zastosowali algorytm wzbogacony kwantowo na fotonicznym obwodzie, aby klasyfikować dane dokładniej niż konwencjonalne metody.
W miarę jak systemy AI stają się coraz bardziej złożone i energochłonne, te badania otwierają drogę do bardziej zrównoważonych i wydajnych technologii sztucznej inteligencji, które już dziś wykorzystują przewagi kwantowe, a nie tylko w teorii. Integracja fotoniki kwantowej i uczenia maszynowego stanowi jedną z najbardziej obiecujących granic rozwoju technologii obliczeniowych, a jej praktyczne zastosowania pojawiają się już teraz.