Μια νέα επιστημονική έρευνα φέρνει την κβαντική τεχνητή νοημοσύνη ένα βήμα πιο κοντά στην πρακτική εφαρμογή της, αποδεικνύοντας ότι μπορεί να ξεπεράσει σε απόδοση ακόμα και τους πιο εξελιγμένους συμβατικούς υπερυπολογιστές.
Η μελέτη, που δημοσιεύθηκε στις 2 Ιουνίου στο επιστημονικό περιοδικό Nature Photonics, παρουσιάζει μια καινοτόμο τεχνική μηχανικής μάθησης, βασισμένη σε φωτονικά κβαντικά κυκλώματα, η οποία προσφέρει ταχύτερη, ακριβέστερη και ενεργειακά πιο αποδοτική επεξεργασία σε σχέση με τις κλασικές μεθόδους.
Φωτόνια αντί για bits
Οι ερευνητές ανέπτυξαν έναν εξειδικευμένο αλγόριθμο μηχανικής μάθησης, τον οποίο «φόρτωσαν» σε ένα κβαντικό κύκλωμα που χρησιμοποιεί φωτόνια, δηλαδή σωματίδια φωτός, αντί για τις παραδοσιακές ηλεκτρονικές πύλες και bits. Με τη χρήση μόλις δύο φωτονίων, η ομάδα κατάφερε να ταξινομήσει δεδομένα από ένα σύνολο πληροφοριών με μεγαλύτερη αποτελεσματικότητα, χρησιμοποιώντας λέιζερ υπερβολικά μικρής διάρκειας (femtosecond) για την κατασκευή του κυκλώματος σε υπόστρωμα από βοριοπυριτικό γυαλί.
Αξιοποιώντας έξι διαφορετικές φωτονικές διαμορφώσεις, το υβριδικό σύστημα, που συνδύαζε κβαντικά και δυαδικά στοιχεία, επεξεργάστηκε τα δεδομένα πιο γρήγορα και με μικρότερη ενεργειακή κατανάλωση από τα κλασικά υπολογιστικά συστήματα.
Πρακτικά πλεονεκτήματα και εφαρμογές
Το πείραμα επικεντρώθηκε σε μια συγκεκριμένη τεχνική γνωστή ως «μηχανική μάθηση βασισμένη σε πυρήνα» (kernel-based machine learning), η οποία επανέρχεται δυναμικά τα τελευταία χρόνια λόγω της αποτελεσματικότητάς της σε μικρά σύνολα δεδομένων. Παρόλο που η τάση στην τεχνητή νοημοσύνη στρέφεται προς βαθιά νευρωνικά δίκτυα, οι πυρηνικές μέθοδοι διατηρούν πλεονεκτήματα σε συγκεκριμένα πεδία όπως η επεξεργασία φυσικής γλώσσας και τα μοντέλα εποπτευόμενης μάθησης.
Το αξιοσημείωτο είναι ότι η τεχνική των ερευνητών δεν απαιτεί περίπλοκες εμπλεγμένες κβαντικές πύλες — όπως συμβαίνει με άλλες προσεγγίσεις — αλλά βασίζεται στην πιο απλή διαδικασία της φωτονικής έγχυσης, καθιστώντας την πιο προσιτή για μικρής κλίμακας κβαντικά συστήματα ακόμα και με ένα qubit.
Νέοι ορίζοντες στην υβριδική υπολογιστική
Οι επιστήμονες υποστηρίζουν ότι η τεχνική τους μπορεί να κλιμακωθεί, αυξάνοντας τον αριθμό των φωτονίων ή qubits, γεγονός που θα επιτρέψει μελλοντικά την ανάπτυξη ακόμα ισχυρότερων αλγορίθμων μηχανικής μάθησης. Η μελέτη υπογραμμίζει την προοπτική οι κβαντικοί υπολογιστές να αναλάβουν εκείνα τα υπολογιστικά φορτία που οι συμβατικοί υπερυπολογιστές αδυνατούν να διαχειριστούν με αποδοτικό τρόπο, ιδιαίτερα όσον αφορά την ενεργειακή κατανάλωση.
Σε μια εποχή όπου η τεχνητή νοημοσύνη καταναλώνει τεράστιες ποσότητες ενέργειας, οι υβριδικές μέθοδοι που συνδυάζουν φωτονικά και δυαδικά συστήματα προσφέρουν μια υποσχόμενη λύση, ανοίγοντας τον δρόμο για πιο «πράσινη» και ταυτόχρονα πιο ισχυρή υπολογιστική ισχύ.
Οι ερευνητές χαρακτηρίζουν το επίτευγμα τους ως «σημαντικό ορόσημο» και εκτιμούν ότι η κβαντική τεχνητή νοημοσύνη θα διαδραματίσει καθοριστικό ρόλο στη μελλοντική εξέλιξη της τεχνολογίας και της επιστημονικής έρευνας.
