Ученые добились прорыва в квантовом машинном обучении

Исследователи из Венского университета разработали новый метод квантовых вычислений, который позволяет выполнять алгоритмы машинного обучения на основе ядра с рекордной эффективностью. Этот подход, основанный на фотонных квантовых схемах, показал значительное превосходство над традиционными суперкомпьютерами по скорости, точности и энергопотреблению.

В последние годы квантовые технологии демонстрируют огромный потенциал, особенно в области вычислений. Однако до сих пор преимущества квантовых алгоритмов были подтверждены лишь в ограниченных сферах с неочевидным практическим применением. Новое исследование, опубликованное в журнале Nature Photonics, демонстрирует, как квантовые методы могут улучшить машинное обучение, решая реальные задачи эффективнее классических аналогов.

Ученые сосредоточились на методах, основанных на ядре, которые широко применяются в машинном обучении для классификации сложных данных. В отличие от гибридных подходов, требующих запутанных квантовых вентилей, их метод использует фотоны, проходящие через специально созданный квантовый контур. Для этого исследователи применили фемтосекундный лазер, который выгравировал квантовую схему в боросиликатном стекле. Фотоны, проходя через этот контур, обрабатывали данные, после чего их показатели сравнивались с результатами классических вычислений.

Эксперимент показал, что квантовый алгоритм не только быстрее, но и точнее, а также требует меньше энергии. Ученые отмечают, что их метод превосходит современные классические подходы, такие как гауссовы ядра и нейронные тангенциальные ядра, благодаря квантовой интерференции и когерентности одиночных фотонов.

Это достижение открывает путь к созданию более эффективных алгоритмов для обработки естественного языка и других сложных задач. Кроме того, технология масштабируема: с увеличением числа фотонов или кубитов ее производительность может возрасти. По словам авторов, их работа — один из первых практических примеров успешного применения квантового машинного обучения, подтверждающий его потенциал для революции в вычислениях.