Ученые из Венского университета представили инновационную методику квантовых вычислений, обеспечивающую выполнение алгоритмов машинного обучения с использованием ядра и демонстрирующую беспрецедентную эффективность. Данная технология, использующая фотонные квантовые схемы, превосходит традиционные суперкомпьютеры по скорости, точности и энергоэффективности.
В последние годы квантовые технологии демонстрируют значительный потенциал, в особенности в сфере вычислений. Однако до настоящего времени преимущества квантовых алгоритмов были подтверждены только в узких областях, где их практическое применение не всегда очевидно. Новое исследование, опубликованное в журнале , исследование показывает, что применение квантовых методов способно повысить эффективность машинного обучения и превзойти традиционные подходы при решении практических задач.
Исследователи обратили внимание на методы, использующие ядро, которые широко распространены в машинном обучении для классификации сложных данных. В отличие от гибридных подходов, требующих сложных квантовых вентилей, предложенный метод использует фотоны, проходящие через специально разработанную квантовую схему. Для создания этой схемы ученые использовали фемтосекундный лазер, который выгравировал ее в боросиликатном стекле. Фотоны, проходя через схему, обрабатывали данные, после чего их параметры сопоставлялись с результатами классических вычислений.
Квантовый алгоритм продемонстрировал не только повышенную скорость, но и улучшенную точность, а также сниженное энергопотребление. Разработчики подчеркивают, что их метод превосходит существующие классические решения, включая гауссовы ядра и нейронные тангенциальные ядра, за счет использования квантовой интерференции и когерентности отдельных фотонов.
Это достижение прокладывает дорогу для разработки более совершенных алгоритмов в области обработки естественного языка и при решении других сложных задач. Также стоит отметить, что технология обладает свойством масштабируемости: повышение производительности возможно за счет увеличения количества фотонов или кубитов. Авторы утверждают, что их разработка является одним из первых реальных примеров успешного использования квантового машинного обучения, что подтверждает его потенциал для кардинальных изменений в сфере вычислений.