Ett internationellt forskarlag lett av Wiens universitet har uppnått ett betydande genombrott inom kvantdatorer och artificiell intelligens, och visat att även småskaliga kvantdatorer kan ge praktiska fördelar för maskininlärningsapplikationer.
Studien, som publicerades i Nature Photonics den 8 juni 2025, använde en nyskapande fotonisk kvantkrets för att implementera en kvantförstärkt kernel-baserad maskininlärningsalgoritm. Forskarna visade att deras kvantmetod överträffar de mest avancerade klassiska metoderna, såsom Gaussiska och neurala tangentkärnor, i binära klassificeringsuppgifter.
"Vi upptäckte att vår algoritm gör färre fel än dess klassiska motsvarighet i vissa specifika uppgifter," förklarar professor Philip Walther vid Wiens universitet, som ledde projektet. "Detta innebär att befintliga kvantdatorer kan uppvisa god prestanda utan att nödvändigtvis behöva överträffa den allra senaste tekniken," tillägger Zhenghao Yin, förstaförfattare till publikationen.
Den experimentella uppställningen bestod av en fotonisk kvantkrets byggd vid Politecnico di Milano (Italien), där en maskininlärningsalgoritm först föreslagen av forskare vid Quantinuum (Storbritannien) kördes. Systemet använder kvantinterferens och enkel-fotonkoherens för att uppnå överlägsen noggrannhet i dataklassificeringsuppgifter.
Utöver förbättrad noggrannhet erbjuder detta fotoniska tillvägagångssätt betydande energibesparingar. I takt med att maskininlärningsapplikationer blir allt mer komplexa och energikrävande, kan kvantfotoniska processorer erbjuda ett hållbart alternativ. "Detta kan bli avgörande i framtiden, eftersom maskininlärningsalgoritmer håller på att bli ohanterliga på grund av alltför höga energikrav," betonar medförfattaren Iris Agresti.
Forskningen har även betydelse utanför kvantdatorområdet, då den identifierar specifika uppgifter som gynnas av kvanteffekter och kan inspirera till nya klassiska algoritmer med bättre prestanda och lägre energiförbrukning. Detta utgör ett viktigt steg mot praktisk kvantfördel i AI-applikationer och överbryggar klyftan mellan teoretisk kvantdatorforskning och verklig tillämpning.