Международная команда исследователей под руководством Венского университета добилась значительного прорыва в области квантовых вычислений и искусственного интеллекта, показав, что даже маломасштабные квантовые компьютеры могут приносить практическую пользу для задач машинного обучения.
Исследование, опубликованное 8 июня 2025 года в журнале Nature Photonics, использовало новый фотонный квантовый чип для реализации квантового алгоритма машинного обучения на основе ядерных методов. Учёные продемонстрировали, что их квантовый подход превосходит современные классические методы, такие как гауссовые и нейронные тангентные ядра, при решении задач бинарной классификации.
«Мы обнаружили, что для определённых задач наш алгоритм допускает меньше ошибок, чем классические аналоги», — объясняет профессор Филип Вальтер из Венского университета, руководивший проектом. «Это означает, что существующие квантовые компьютеры могут показывать хорошие результаты, даже не выходя за рамки современных технологий», — добавляет Чжэнхао Инь, первый автор публикации.
Экспериментальная установка включала фотонную квантовую схему, созданную в Политехническом университете Милана (Италия), на которой запускался алгоритм машинного обучения, впервые предложенный исследователями из Quantinuum (Великобритания). Система использует квантовую интерференцию и когерентность одиночных фотонов для достижения высокой точности в задачах классификации данных.
Помимо повышения точности, фотонный подход обеспечивает значительные преимущества по энергоэффективности. По мере того как приложения машинного обучения становятся всё более сложными и энергоёмкими, квантовые фотонные процессоры могут стать устойчивой альтернативой. «Это может оказаться критически важным в будущем, учитывая, что алгоритмы машинного обучения становятся практически невозможными из-за чрезмерных энергетических затрат», — подчёркивает соавтор Ирис Агрэсти.
Результаты исследования имеют значение не только для квантовых вычислений: они выявляют конкретные задачи, которые выигрывают от квантовых эффектов, и могут вдохновить на создание новых классических алгоритмов с лучшей производительностью и меньшим энергопотреблением. Это важный шаг к практическому квантовому преимуществу в ИИ, который сближает теоретические разработки в области квантовых вычислений с их реальным применением.