Міжнародна команда дослідників під керівництвом Віденського університету провела революційне дослідження, яке довело: навіть маломасштабні квантові комп’ютери можуть суттєво підвищити ефективність машинного навчання завдяки новій фотонній квантовій схемі.
Дослідники показали, що сучасні квантові технології — це не лише експеримент: вони вже здатні перевершувати класичні системи у певних завданнях. В експерименті використовували фотонний квантовий комп’ютер для класифікації даних і продемонстрували, що невеликі квантові процесори можуть працювати краще за традиційні алгоритми. «Ми з’ясували, що для окремих завдань наш алгоритм робить менше помилок, ніж класичний аналог», — пояснює Філіп Вальтер з Віденського університету, керівник проєкту.
Експериментальна установка містить квантову фотонну схему, створену в Політехнічному університеті Мілана (Італія), яка виконує алгоритм машинного навчання, вперше запропонований дослідниками компанії Quantinuum (Велика Британія). «Це означає, що вже існуючі квантові комп’ютери можуть показувати гарні результати навіть без виходу за межі сучасного рівня технологій», — додає Чженхао Їнь, перший автор публікації в Nature Photonics.
Особливо перспективним аспектом цього дослідження є те, що фотонні платформи можуть споживати значно менше енергії порівняно зі стандартними комп’ютерами. «Це може стати вирішальним у майбутньому, оскільки алгоритми машинного навчання стають непридатними через надто високі енергетичні витрати», — підкреслює співавторка Іріс Агресці. Оскільки через схему проходить лише світло, а не електричний струм, фотонні чипи потребують меншого охолодження. Поєднання цього з вищою продуктивністю та щільністю обчислень забезпечує суттєву економію енергії. Деякі фотонні прискорювачі для ШІ обіцяють споживати до 30 разів менше енергії, ніж графічний процесор (GPU).
Результат має значення як для квантових обчислень, оскільки визначає завдання, що отримують переваги від квантових ефектів, так і для класичних обчислень. Насправді, можна розробити нові алгоритми, натхненні квантовими архітектурами, які досягатимуть кращих результатів і зменшуватимуть енергоспоживання. Цей прорив демонструє, що маломасштабні фотонні квантові комп’ютери можуть перевершувати класичні системи у конкретних завданнях машинного навчання: дослідники використали алгоритм із квантовим підсиленням на фотонній схемі для точнішої класифікації даних порівняно з традиційними методами.
У міру того, як системи штучного інтелекту стають дедалі складнішими та потребують більше енергії, це дослідження відкриває шлях до більш сталих і потужних технологій ШІ, які вже сьогодні використовують переваги квантових рішень. Інтеграція квантової фотоніки та машинного навчання є однією з найперспективніших галузей комп’ютерних технологій, і вже зараз з’являються її практичні застосування.