O echipă internațională de cercetători, condusă de Universitatea din Viena, a realizat un progres semnificativ în domeniul calculului cuantic și al inteligenței artificiale, demonstrând că chiar și computerele cuantice de mici dimensiuni pot aduce beneficii practice pentru aplicațiile de învățare automată.
Studiul, publicat în Nature Photonics pe 8 iunie 2025, a utilizat un circuit cuantic fotonic inovator pentru a implementa un algoritm de învățare automată bazat pe kernel, îmbunătățit cu tehnologie cuantică. Cercetătorii au arătat că abordarea lor cuantică depășește metodele clasice de ultimă generație, precum kernelurile Gaussiene și kernelurile tangentă neuronală, în sarcini de clasificare binară.
„Am descoperit că, pentru anumite sarcini, algoritmul nostru comite mai puține erori decât omologul său clasic”, explică profesorul Philip Walther de la Universitatea din Viena, coordonatorul proiectului. „Aceasta implică faptul că și computerele cuantice existente pot oferi performanțe bune fără a depăși neapărat tehnologia de ultimă oră”, adaugă Zhenghao Yin, primul autor al publicației.
Configurația experimentală a inclus un circuit cuantic fotonic construit la Politecnico di Milano (Italia), care a rulat un algoritm de învățare automată propus inițial de cercetători de la Quantinuum (Regatul Unit). Sistemul utilizează interferența cuantică și coerența fotonilor unici pentru a obține o acuratețe superioară în sarcinile de clasificare a datelor.
Dincolo de acuratețea îmbunătățită, această abordare fotonică oferă avantaje semnificative și în ceea ce privește eficiența energetică. Pe măsură ce aplicațiile de învățare automată devin tot mai complexe și mai consumatoare de energie, procesoarele cuantice fotonice ar putea reprezenta o alternativă sustenabilă. „Acest lucru ar putea deveni crucial în viitor, având în vedere că algoritmii de învățare automată devin imposibil de utilizat din cauza cererii prea mari de energie”, subliniază coautoarea Iris Agresti.
Cercetarea are implicații dincolo de calculul cuantic, identificând sarcini specifice care beneficiază de efecte cuantice și care ar putea inspira noi algoritmi clasici cu performanțe mai bune și consum energetic redus. Aceasta reprezintă un pas important către avantajul cuantic practic în aplicațiile de inteligență artificială, reducând distanța dintre teoria calculului cuantic și implementarea sa în lumea reală.