I vad experter kallar den "heliga graalen inom kvantberäkning" har forskare uppnått en ovillkorlig exponentiell hastighetsökning på kvanthårdvara och därmed definitivt bevisat att kvantdatorer kan överträffa klassiska datorer utan teoretiska förbehåll.
Den banbrytande forskningen, publicerad i Physical Review X den 5 juni 2025, leddes av Daniel Lidar, professor i teknik vid USC och expert på kvantfelkorrigering. Tillsammans med kollegor från USC och Johns Hopkins University demonstrerade Lidars team den exponentiella fördelen med hjälp av två av IBMs 127-qubits Eagle-kvantprocessorer, som fjärrstyrdes via molnet.
Det som gör denna prestation särskilt betydelsefull är att hastighetsökningen är "ovillkorlig", vilket innebär att den inte bygger på några obevisade antaganden. "Tidigare påståenden om kvantfördel krävde antagandet att det inte finns någon bättre klassisk algoritm att jämföra med," förklarar Lidar. "Prestandaskillnaden kan inte omvändas, eftersom den exponentiella hastighetsökning vi har visat är, för första gången, ovillkorlig."
Teamet modifierade Simons problem – en matematisk utmaning som handlar om att hitta dolda mönster i funktioner – för att kunna implementeras på verklig kvanthårdvara. Problemet anses vara en föregångare till Shors faktoreringsalgoritm, som lade grunden för hela området kvantberäkning. För att övervinna det brus och de fel som ofta drabbar kvantsystem använde forskarna avancerade tekniker för felundertryckning, inklusive dynamisk frikoppling och felreducering vid mätning.
Även om Lidar påpekar att "detta resultat inte har några praktiska tillämpningar utöver att vinna gissningslekar", är konsekvenserna för AI djupgående. I takt med att kvantdatorer fortsätter att utvecklas kan de dramatiskt påskynda maskininlärningsprocesser, särskilt för optimeringsproblem och komplexa beräkningar som idag kräver enorma datorkapaciteter.
Kvantförstärkta AI-algoritmer har redan visat potential i specifika tillämpningar. Färsk forskning har visat att kvanttekniker kan förbättra kernel-baserad maskininlärning, vilket gör den snabbare, mer exakt och mer energieffektiv än klassiska metoder. När kvanthårdvaran skalas upp kan dessa fördelar möjliggöra en ny generation av AI-förmågor som tidigare varit opraktiska på grund av beräkningsbegränsningar.
Denna prestation visar tydligt kvantberäkningens länge utlovade förmåga att ge exponentiella hastighetsökningar och markerar ett avgörande steg mot praktisk kvantfördel i verkliga tillämpningar.