En banbrytande studie av ett internationellt forskarteam lett av Wiens universitet har visat att även småskaliga kvantdatorer kan ge betydande förbättringar i maskininlärningens prestanda med hjälp av en nyskapande fotonisk kvantkrets.
Forskarna har visat att dagens kvantteknik inte bara är experimentell – den kan redan nu överträffa klassiska system i specifika uppgifter. I experimentet användes en fotonisk kvantdator för att klassificera datapunkter och det visades att små kvantprocessorer kan prestera bättre än konventionella algoritmer. "Vi upptäckte att vår algoritm gör färre fel än sin klassiska motsvarighet vid vissa uppgifter", förklarar Philip Walther vid Wiens universitet, projektledare.
Den experimentella uppställningen består av en kvantfotonisk krets byggd vid Politecnico di Milano (Italien), som kör en maskininlärningsalgoritm först föreslagen av forskare vid Quantinuum (Storbritannien). "Detta innebär att befintliga kvantdatorer kan prestera väl utan att nödvändigtvis överskrida den nuvarande teknologins gränser," tillägger Zhenghao Yin, förstaförfattare till publikationen i Nature Photonics.
En särskilt lovande aspekt av denna forskning är att fotoniska plattformar kan förbruka betydligt mindre energi jämfört med vanliga datorer. "Detta kan bli avgörande i framtiden, eftersom maskininlärningsalgoritmer håller på att bli ohanterliga på grund av alltför höga energikrav," betonar medförfattaren Iris Agresti. Eftersom endast ljus – och ingen ström – flödar genom kretsen har fotoniska chip lägre kylbehov. I kombination med högre prestanda och datortäthet leder detta till betydande energibesparingar. Vissa fotoniska AI-acceleratorer utlovar upp till 30 gånger lägre energiförbrukning än ett grafikkort (GPU).
Resultatet har betydelse både för kvantberäkning, eftersom det identifierar uppgifter som gynnas av kvanteffekter, och för konventionell databehandling. Faktum är att nya algoritmer inspirerade av kvantarkitekturer kan utformas, vilket ger bättre prestanda och minskad energiförbrukning. Detta genombrott visar att småskaliga fotoniska kvantdatorer kan överträffa klassiska system i specifika maskininlärningsuppgifter, där forskarna använde en kvantförstärkt algoritm på en fotonisk krets för att klassificera data mer träffsäkert än konventionella metoder.
I takt med att AI-systemen fortsätter att växa i komplexitet och energibehov öppnar denna forskning vägen för mer hållbara och kraftfulla AI-teknologier som drar nytta av kvantfördelar redan idag – inte bara i en teoretisk framtid. Integrationen av kvantfotonik och maskininlärning utgör en av de mest lovande fronterna inom datorteknik, med omedelbara praktiska tillämpningar som redan börjar ta form.