Międzynarodowy zespół badaczy pod przewodnictwem Uniwersytetu Wiedeńskiego osiągnął znaczący przełom w dziedzinie komputerów kwantowych i sztucznej inteligencji, udowadniając, że nawet małoskalowe komputery kwantowe mogą przynosić praktyczne korzyści dla zastosowań uczenia maszynowego.
Badanie, opublikowane 8 czerwca 2025 roku w czasopiśmie Nature Photonics, wykorzystało nowatorski fotoniczny układ kwantowy do implementacji kwantowo-wspomaganego algorytmu uczenia maszynowego opartego na jądrach. Naukowcy wykazali, że ich podejście kwantowe przewyższa najnowocześniejsze metody klasyczne, takie jak jądra Gaussa czy jądra styczne sieci neuronowych, w zadaniach binarnej klasyfikacji.
"Odkryliśmy, że w przypadku określonych zadań nasz algorytm popełnia mniej błędów niż jego klasyczny odpowiednik" – wyjaśnia profesor Philip Walther z Uniwersytetu Wiedeńskiego, kierujący projektem. "To oznacza, że istniejące komputery kwantowe mogą osiągać dobre wyniki bez konieczności wykraczania poza obecny stan technologii" – dodaje Zhenghao Yin, pierwszy autor publikacji.
W eksperymencie wykorzystano fotoniczny układ kwantowy zbudowany na Politechnice Mediolańskiej (Włochy), na którym uruchomiono algorytm uczenia maszynowego zaproponowany przez badaczy z firmy Quantinuum (Wielka Brytania). System wykorzystuje interferencję kwantową i koherencję pojedynczych fotonów, aby osiągnąć wyższą precyzję w zadaniach klasyfikacji danych.
Oprócz poprawy dokładności, podejście fotoniczne oferuje znaczące korzyści w zakresie efektywności energetycznej. W miarę jak aplikacje uczenia maszynowego stają się coraz bardziej złożone i energochłonne, fotoniczne procesory kwantowe mogą stanowić zrównoważoną alternatywę. "To może okazać się kluczowe w przyszłości, biorąc pod uwagę, że algorytmy uczenia maszynowego stają się niewykonalne ze względu na zbyt wysokie zapotrzebowanie na energię" – podkreśla współautorka Iris Agresti.
Badania mają znaczenie wykraczające poza komputery kwantowe, ponieważ wskazują konkretne zadania, które korzystają z efektów kwantowych i mogą inspirować powstawanie nowych algorytmów klasycznych o lepszej wydajności i niższym zużyciu energii. To ważny krok w kierunku praktycznej przewagi kwantowej w zastosowaniach AI, zbliżający teorię komputerów kwantowych do realnych wdrożeń.