Tím medzinárodných výskumníkov vedený Viedenskou univerzitou dosiahol významný prelom v oblasti kvantového počítania a umelej inteligencie, keď preukázal, že aj malorozmerné kvantové počítače môžu priniesť praktické výhody pre aplikácie strojového učenia.
Štúdia, publikovaná 8. júna 2025 v časopise Nature Photonics, využila nový fotónový kvantový obvod na implementáciu kvantovo vylepšeného algoritmu strojového učenia založeného na jadrách. Výskumníci ukázali, že ich kvantový prístup prekonáva najmodernejšie klasické metódy, ako sú Gaussovské a neurónové tangenciálne jadrá, pri úlohách binárnej klasifikácie.
"Zistili sme, že pri špecifických úlohách náš algoritmus robí menej chýb ako jeho klasický ekvivalent," vysvetľuje profesor Philip Walther z Viedenskej univerzity, ktorý projekt viedol. "To naznačuje, že existujúce kvantové počítače môžu dosahovať dobré výsledky aj bez toho, aby museli prekonať najmodernejšie technológie," dodáva Zhenghao Yin, prvý autor publikácie.
Experimentálne zariadenie zahŕňalo kvantový fotónový obvod postavený na Politecnico di Milano (Taliansko), na ktorom bežal algoritmus strojového učenia, ktorý pôvodne navrhli výskumníci z Quantinuum (Spojené kráľovstvo). Systém využíva kvantovú interferenciu a koherenciu jednotlivých fotónov na dosiahnutie vyššej presnosti pri úlohách klasifikácie údajov.
Okrem zlepšenej presnosti ponúka tento fotónový prístup aj výrazné výhody z hľadiska energetickej efektívnosti. Keďže aplikácie strojového učenia sú čoraz zložitejšie a energeticky náročnejšie, kvantové fotónové procesory by mohli predstavovať udržateľnú alternatívu. "To môže byť v budúcnosti kľúčové, keďže algoritmy strojového učenia sa stávajú neudržateľnými kvôli príliš vysokým energetickým nárokom," zdôrazňuje spoluautorka Iris Agresti.
Výskum má význam aj mimo oblasti kvantového počítania, pretože identifikuje konkrétne úlohy, ktoré profitujú z kvantových efektov, a môže inšpirovať nové klasické algoritmy s lepším výkonom a nižšou spotrebou energie. Ide o významný krok smerom k praktickej kvantovej výhode v aplikáciách umelej inteligencie, ktorý preklenuje priepasť medzi teoretickým kvantovým počítaním a reálnou implementáciou.