Международная исследовательская группа под руководством Венского университета провела революционное исследование, показав, что даже маломасштабные квантовые компьютеры могут существенно повысить эффективность машинного обучения с помощью новой фотонной квантовой схемы.
Учёные доказали, что современные квантовые технологии — это не просто эксперимент: они уже способны превосходить классические системы в определённых задачах. В эксперименте использовался фотонный квантовый компьютер для классификации данных, и было показано, что небольшие квантовые процессоры могут работать лучше традиционных алгоритмов. «Мы обнаружили, что для ряда задач наш алгоритм допускает меньше ошибок, чем классический аналог», — объясняет руководитель проекта Филип Вальтер из Венского университета.
Экспериментальная установка включает фотонную квантовую схему, созданную в Политехническом университете Милана (Италия), на которой запускался алгоритм машинного обучения, впервые предложенный исследователями компании Quantinuum (Великобритания). «Это означает, что существующие квантовые компьютеры могут демонстрировать высокую производительность, даже не выходя за пределы современных технологических возможностей», — добавляет Чжэнхао Инь, первый автор публикации в Nature Photonics.
Особенно перспективным аспектом этого исследования является то, что фотонные платформы могут потреблять значительно меньше энергии по сравнению с обычными компьютерами. «Это может оказаться критически важным в будущем, учитывая, что алгоритмы машинного обучения становятся всё менее осуществимыми из-за чрезмерных энергетических затрат», — подчёркивает соавтор Ирис Агрессти. Поскольку через схему проходит только свет, а не электрический ток, фотонные чипы требуют менее интенсивного охлаждения. В сочетании с более высокой производительностью и плотностью вычислений это приводит к значительной экономии энергии. Некоторые фотонные ускорители ИИ обещают потреблять до 30 раз меньше энергии, чем графические процессоры (GPU).
Этот результат важен как для квантовых вычислений, поскольку позволяет выявить задачи, выигрывающие от квантовых эффектов, так и для классических вычислений. На самом деле, на основе квантовых архитектур могут быть разработаны новые алгоритмы, обеспечивающие лучшую производительность и снижение энергопотребления. Этот прорыв демонстрирует, что маломасштабные фотонные квантовые компьютеры способны превосходить классические системы в ряде задач машинного обучения: исследователи использовали квантово-усиленный алгоритм на фотонной схеме для более точной классификации данных по сравнению с традиционными методами.
По мере того как системы искусственного интеллекта становятся всё более сложными и энергоёмкими, это исследование открывает путь к более устойчивым и мощным технологиям ИИ, использующим преимущества квантовых вычислений уже сегодня, а не только в теоретической перспективе. Интеграция квантовой фотоники и машинного обучения — одно из самых перспективных направлений развития вычислительных технологий, причём практические приложения появляются уже сейчас.