Et af de aktuelle hotforskningsemner er kombinationen af to af de seneste teknologiske gennembrud: maskinlæring og kvanteberegning.
En eksperimentel undersøgelse viser, at allerede småskala kvantecomputere kan øge ydelsen af maskinlæringsalgoritmer.
Dette blev demonstreret på en fotonisk kvanteprocessor af et internationalt team af forskere ved University of Wien. Arbejdet, der er offentliggjort i Naturfotonikviser lovende nye applikationer til optiske kvantecomputere.
De seneste videnskabelige gennembrud har omformet udviklingen af fremtidige teknologier. På den ene side har maskinlæring og kunstig intelligens allerede revolutioneret vores liv fra hverdagens opgaver til videnskabelig forskning. På den anden side er kvanteberegning fremkommet som et nyt beregningsparadigme.
Fra kombinationen af disse lovende to felter er en ny forskningslinje åbnet: Quantum Machine Learning. Dette felt sigter mod at finde potentielle forbedringer i hastigheden, effektiviteten eller nøjagtigheden af algoritmer, når de kører på kvanteplatforme. Det er dog stadig en åben udfordring at opnå en sådan fordel på de nuværende teknologiske kvantecomputere.
Det var her et internationalt team af forskere tog det næste skridt og designet et nyt eksperiment udført af forskere fra University of Wien.
Opsætningen har et kvantefotonisk kredsløb bygget på Politecnico di Milano (Italien), der kører en maskinlæringsalgoritme, der først blev foreslået af forskere, der arbejder på Quantinuum (Storbritannien). Målet var at klassificere datapunkter ved hjælp af en fotonisk kvantecomputer og udpege bidraget fra kvanteeffekter for at forstå fordelen med hensyn til klassiske computere.
Eksperimentet viste, at allerede små størrelser kvanteprocessorer kan klare sig bedre end konventionelle algoritmer.
“Vi fandt, at vores algoritme til specifikke opgaver begår færre fejl end dets klassiske modstykke,” forklarer Philip Walther fra University of Wien, projektet.
“Dette indebærer, at eksisterende kvantecomputere kan vise gode præstationer uden nødvendigvis at gå ud over den avancerede teknologi,” tilføjer Zhenghao Yin, første forfatter af publikationen i Naturfotonik.
Et andet interessant aspekt af den nye forskning er, at fotoniske platforme kan forbruge mindre energi med hensyn til standardcomputere. “Dette kan vise sig at være afgørende i fremtiden, i betragtning af at maskinlæringsalgoritmer bliver umulige på grund af de for høje energikrav,” understreger medforfatter Iris Agresti.
Resultatet af forskerne har en indflydelse både på kvanteberegning, da den identificerer opgaver, der drager fordel af kvanteeffekter, såvel som på standard computing.
Faktisk kunne nye algoritmer, inspireret af kvantearkitekturer, designes, nå bedre præstationer og reducere energiforbruget.