வியன்னா பல்கலைக்கழகம் தலைமையிலான ஒரு சர்வதேச ஆராய்ச்சியாளர்கள் குழு, குவாண்டம் கணினி மற்றும் செயற்கை நுண்ணறிவு துறையில் குறிப்பிடத்தக்க முன்னேற்றத்தை சாதித்துள்ளது. சிறிய அளவிலான குவாண்டம் கணினிகளும் இயந்திரக் கற்றல் பயன்பாடுகளுக்கு நடைமுறை நன்மைகளை வழங்க முடியும் என்பதை அவர்கள் நிரூபித்துள்ளனர்.
2025 ஜூன் 8ஆம் தேதி Nature Photonics இதழில் வெளியான இந்த ஆய்வில், புதுமையான ஒளியியல் குவாண்டம் சுற்று பயன்படுத்தப்பட்டு, குவாண்டம் மேம்படுத்தப்பட்ட கர்னல் அடிப்படையிலான இயந்திரக் கற்றல் வழிமுறை செயல்படுத்தப்பட்டது. இரும வகைப்படுத்தல் பணிகளில், அவர்களின் குவாண்டம் அணுகுமுறை, பாரம்பரிய முறைகளான காஉசியன் மற்றும் நியூரல் டாங்கெண்ட் கர்னல்கள் ஆகியவற்றை விட சிறப்பாக செயல்படுகிறது என்பதை ஆராய்ச்சியாளர்கள் காட்டினர்.
"குறிப்பிட்ட பணிகளில், எங்கள் வழிமுறை பாரம்பரிய முறையைவிட குறைவான பிழைகளை ஏற்படுத்துகிறது," என வியன்னா பல்கலைக்கழகத்தின் பேராசிரியர் பிலிப் வால்தர் விளக்குகிறார். "இது, தற்போதுள்ள குவாண்டம் கணினிகள் கூட, மிக உயர்ந்த தொழில்நுட்ப நிலையைத் தாண்டாமல் நல்ல செயல்திறன் காட்ட முடியும் என்பதைக் குறிக்கிறது," என முதன்மை ஆசிரியர் ஜெங்ஹாவோ யின் கூறுகிறார்.
இந்த பரிசோதனை அமைப்பில், இத்தாலியின் போலிடெக்னிகோ டி மிலானோவில் உருவாக்கப்பட்ட ஒளியியல் குவாண்டம் சுற்று பயன்படுத்தப்பட்டது; இதில், முதலில் யுனைடெட் கிங்டமில் உள்ள Quantinuum ஆராய்ச்சியாளர்கள் முன்மொழிந்த இயந்திரக் கற்றல் வழிமுறை இயக்கப்பட்டது. தரவு வகைப்படுத்தலில் அதிக துல்லியத்தைக் கிடைக்க, இந்த அமைப்பு குவாண்டம் தலையீடு மற்றும் ஒற்றை ஒளிக்கனிகளின் ஒத்திசைவைக் கொண்டு செயல்படுகிறது.
மேம்பட்ட துல்லியத்துடன் மட்டுமல்லாமல், இந்த ஒளியியல் அணுகுமுறை குறிப்பிடத்தக்க ஆற்றல் திறன் நன்மைகளையும் வழங்குகிறது. இயந்திரக் கற்றல் பயன்பாடுகள் அதிகம் சிக்கலானதும், ஆற்றல் அதிகம் தேவைப்படுவதும் ஆகும் நிலையில், குவாண்டம் ஒளியியல் செயலிகள் ஒரு நிலையான மாற்றாக அமையக்கூடும். "இது எதிர்காலத்தில் முக்கியமாக அமையக்கூடும்; ஏனெனில், இயந்திரக் கற்றல் வழிமுறைகள் மிக அதிக ஆற்றல் தேவையால் நடைமுறையில் சாத்தியமற்றதாக மாறுகின்றன," என இணை ஆசிரியர் ஐரிஸ் அக்ரெஸ்டி வலியுறுத்துகிறார்.
இந்த ஆராய்ச்சி, குவாண்டம் கணினியைத் தாண்டி பல துறைகளுக்கு தாக்கம் செலுத்துகிறது; குறிப்பாக, குவாண்டம் விளைவுகளால் நன்மை பெறும் பணிகளை அடையாளம் காண்பதுடன், சிறந்த செயல்திறனும் குறைந்த ஆற்றல் செலவுமுள்ள புதிய பாரம்பரிய வழிமுறைகளை உருவாக்க ஊக்கமளிக்கிறது. இது, செயற்கை நுண்ணறிவுக்கான நடைமுறை குவாண்டம் முன்னிலை நோக்கி ஒரு முக்கிய முன்னேற்றமாகும்; 이து, கோட்பாட்டு குவாண்டம் கணினி மற்றும் நடைமுறை செயல்பாடுகளுக்கு இடையிலான இடைவெளியை குறைக்கிறது.