En banbrytande studie har visat att kvantdatorer inte bara är ett framtidslöfte, utan redan idag erbjuder konkreta fördelar för tillämpningar inom artificiell intelligens.
Ett internationellt forskarlag lett av Wiens universitet har framgångsrikt demonstrerat att även relativt små kvantprocessorer kan överträffa konventionella maskininlärningsalgoritmer i vissa uppgifter. Deras arbete, som publicerats i Nature Photonics denna månad, utgör en av de första praktiska tillämpningarna där kvantberäkning förbättrar vardagliga AI-system.
Forskarna använde en fotonisk kvantkrets byggd vid Politecnico di Milano i Italien för att implementera en maskininlärningsalgoritm som ursprungligen föreslagits av forskare vid Quantinuum i Storbritannien. Experimentet fokuserade på binära klassificeringsuppgifter, där kvantsystemet visade högre noggrannhet jämfört med klassiska metoder.
"Vi upptäckte att vår algoritm gör färre fel än dess klassiska motsvarighet för vissa uppgifter," förklarar Philip Walther vid Wiens universitet, som ledde projektet. "Detta innebär att befintliga kvantdatorer kan prestera väl utan att nödvändigtvis överskrida den nuvarande teknologins gränser," tillägger Zhenghao Yin, förstaförfattare till publikationen.
Utöver förbättrad noggrannhet erbjuder den fotoniska metoden betydande energibesparingar. "Detta kan bli avgörande i framtiden, eftersom maskininlärningsalgoritmer håller på att bli ohållbara på grund av den höga energiförbrukningen," betonar medförfattaren Iris Agresti. I takt med att AI-system växer i storlek och komplexitet har deras enorma energibehov blivit en allt större utmaning.
Forskningen överbryggar klyftan mellan teoretiska kvantfördelar och praktiska tillämpningar, och visar att dagens kvantteknik kan förbättra maskininlärningssystem utan att man behöver vänta på storskaliga kvantdatorer. Denna utveckling öppnar nya möjligheter för effektivare algoritmer inspirerade av kvantarkitekturer, och kan potentiellt revolutionera hur vi närmar oss AI-beräkningar i en allt mer datadriven värld.