Przełomowe badania dowodzą, że komputery kwantowe to nie tylko obietnica przyszłości, lecz już dziś oferują wymierne korzyści dla zastosowań sztucznej inteligencji.
Międzynarodowy zespół naukowców pod kierownictwem Uniwersytetu Wiedeńskiego udowodnił, że nawet niewielkie procesory kwantowe mogą przewyższać tradycyjne algorytmy uczenia maszynowego w określonych zadaniach. Ich praca, opublikowana w tym miesiącu w Nature Photonics, stanowi jedno z pierwszych praktycznych zastosowań komputerów kwantowych do usprawniania codziennych systemów AI.
Naukowcy wykorzystali fotonowy obwód kwantowy zbudowany na Politechnice Mediolańskiej do implementacji algorytmu uczenia maszynowego, pierwotnie zaproponowanego przez badaczy z Quantinuum w Wielkiej Brytanii. Eksperyment skupiał się na zadaniach binarnej klasyfikacji, gdzie system kwantowy wykazał wyższą dokładność niż podejścia klasyczne.
"Odkryliśmy, że w przypadku określonych zadań nasz algorytm popełnia mniej błędów niż jego klasyczny odpowiednik" – wyjaśnia Philip Walther z Uniwersytetu Wiedeńskiego, kierujący projektem. "To oznacza, że już istniejące komputery kwantowe mogą osiągać dobre wyniki bez konieczności przekraczania obecnego stanu technologii" – dodaje Zhenghao Yin, pierwszy autor publikacji.
Oprócz poprawy dokładności, podejście fotonowe oferuje znaczące korzyści w zakresie efektywności energetycznej. "Może to okazać się kluczowe w przyszłości, zważywszy, że algorytmy uczenia maszynowego stają się niewykonalne ze względu na zbyt wysokie zapotrzebowanie na energię" – podkreśla współautorka Iris Agresti. Wraz ze wzrostem rozmiaru i złożoności systemów AI, ich ogromne zużycie energii staje się coraz poważniejszym problemem.
Badania te wypełniają lukę między teoretycznymi przewagami kwantowymi a praktycznymi zastosowaniami, pokazując, że obecna technologia kwantowa może usprawniać systemy uczenia maszynowego bez konieczności oczekiwania na wielkoskalowe komputery kwantowe. To osiągnięcie otwiera nowe możliwości dla bardziej wydajnych algorytmów inspirowanych architekturami kwantowymi, co potencjalnie może zrewolucjonizować podejście do obliczeń AI w coraz bardziej zdominowanym przez dane świecie.