Сейчас на стыке двух прорывных технологий — машинного обучения и квантовых вычислений — рождается новое направление исследований. Ученые из Венского университета вместе с международной командой показали, что даже небольшие квантовые компьютеры могут улучшать алгоритмы машинного обучения.

Эксперимент провели на фотонном процессоре, а результаты опубликовали в издании Nature Photonics.

Машинное обучение и искусственный интеллект уже изменили и науку, и повседневную жизнь. А квантовые компьютеры предлагают принципиально новый способ вычислений.

Объединив эти области, исследователи создали квантовое машинное обучение — направление, где ищут способы ускорять алгоритмы или делать их точнее за счет квантовых эффектов.

Пока непонятно, как добиться такого преимущества на существующих квантовых устройствах, но ученые сделали важный шаг.

Фотонный квантовый процессор разработали в Миланском политехе, а алгоритм придумали специалисты из Quantinuum (Великобритания).

Задача — классифицировать данные и выделить вклад квантовых эффектов, чтобы сравнить с обычными компьютерами. Оказалось, даже небольшие квантовые системы справляются лучше.

Наш алгоритм допускает меньше ошибок, чем классические аналоги, — объясняет Филип Вальтер, руководитель проекта. — Это значит, что даже нынешние квантовые компьютеры могут показывать хорошие результаты, не требуя недостижимых технологий.

Еще один плюс фотонных систем — они потребляют меньше энергии.

Это критически важно, ведь современные алгоритмы машинного обучения становятся слишком «прожорливыми», — добавляет соавтор Ирис Агрести.

Открытие полезно и для квантовых вычислений (помогает понять, где квантовые эффекты дают преимущество), и для классических. Вдохновившись квантовыми принципами, можно создавать более эффективные алгоритмы с меньшим энергопотреблением.

Этот эксперимент важен по трем причинам:

• Практический шаг вперед: доказано, что даже слабые квантовые системы уже полезны, а не только в теории.
• Энергоэффективность: фотонные процессоры могут снизить затраты на машинное обучение, что критично для масштабирования ИИ.
• Гибридные алгоритмы: идеи из квантового подхода можно перенести в классические вычисления.

Главный вопрос — насколько результаты масштабируются. Эксперимент проводился на малых объемах данных, а в реальных задачах (например, в анализе больших данных или нейросетях) квантовые шумы и ошибки могут нивелировать преимущества.

Ранее физики предложили новый способ охлаждения фотонов.