(openPR) Eines der derzeit heißesten Forschungsthemen ist die Kombination von zwei der jüngsten technologischen Durchbrüche: maschinelles Lernen und Quantencomputing. Eine experimentelle Studie zeigt, dass bereits Quantencomputer im kleinen Maßstab die Leistung von Algorithmen des maschinellen Lernens verbessern können. Dies wurde auf einem photonischen Quantenprozessor von einem internationalen Forschungsteam der Universität Wien gezeigt. Die Arbeit, kürzlich in Nature Photonics veröffentlicht, zeigt vielversprechende neue Anwendungen für optische Quantencomputer.
Jüngste wissenschaftliche Durchbrüche haben die Entwicklung künftiger Technologien grundlegend verändert. Einerseits haben maschinelles Lernen und künstliche Intelligenz unser Leben bereits jetzt revolutioniert – von alltäglichen Aufgaben bis hin zur wissenschaftlichen Forschung. Andererseits hat sich das Quantencomputing als neues Rechenparadigma etabliert.
Aus der Kombination dieser beiden vielversprechenden Bereiche ist eine neue Forschungsrichtung entstanden: Quantum Machine Learning. Eines der Ziele dieses Forschungsfelds ist es, mögliche Verbesserungen in Geschwindigkeit, Effizienz oder Genauigkeit von Algorithmen zu finden, wenn diese auf Quantenplattformen laufen. Es bleibt jedoch eine offene Herausforderung, einen solchen Vorteil mit der heutigen Quantencomputing-Technologie zu erzielen.
Hier setzte ein internationales Forschungsteam an und entwarf ein neues Experiment, das von Wissenschaftler*innen der Universität Wien durchgeführt wurde. Der Aufbau umfasst einen photonischen Quantenchip, der am Politecnico di Milano (Italien) entwickelt wurde und der einen von Forschenden bei Quantinuum (Vereinigtes Königreich) vorgeschlagenen Algorithmus für maschinelles Lernen ausführt. Ziel war es, Datenpunkte mithilfe eines photonischen Quantencomputers zu klassifizieren und den Beitrag von Quanteneffekte auszumachen, um den Vorteil gegenüber klassischen Computern zu verstehen. Das Experiment bewies, dass bereits kleine Quantenprozessoren bessere Leistungen erbringen können als herkömmliche Algorithmen. "Wir haben festgestellt, dass unser Algorithmus bei bestimmten Aufgaben weniger Fehler macht als sein klassisches Gegenstück", erklärt Philip Walther von der Universität Wien, Leiter des Projekts. "Das bedeutet, dass bereits existierende Quantencomputer gute Leistungen zeigen können, ohne den derzeitigen Stand der Technik übertreffen zu müssen", ergänzt Zhenghao Yin, Erstautor der in Nature Photonics veröffentlichten Studie.
Ein weiterer interessanter Aspekt der neuen Forschung ist, dass photonische Plattformen im Vergleich zu Standardcomputern weniger Energie verbrauchen können. "Dies könnte sich in Zukunft als entscheidend erweisen, da die Algorithmen des maschinellen Lernens aufgrund des zu hohen Energiebedarfs nicht mehr durchführbar sind", betont Mitautorin Iris Agresti.
Das Resultat der Forschenden hat sowohl Auswirkungen auf das Quantencomputing – da es Aufgaben identifiziert, die von quantenmechanischen Effekten profitieren – als auch auf klassische Computer. Tatsächlich könnten neue, von Quantenarchitekturen inspirierte Algorithmen entwickelt werden, die bessere Leistungen erbringen und gleichzeitig den Energieverbrauch senken.
wissenschaftliche Ansprechpartner:
Univ.-Prof. Dipl.-Ing. Dr. Philip Walther
Quantenoptik, Quantennanophysik und Quanteninformation,
Universität Wien
1090 Wien, Währinger Straße 38-42
T +43-1-4277-72560
www.univie.ac.at
Dr. Iris Agresti
Quantenoptik, Quantennanophysik und Quanteninformation,
Universität Wien
1090 Wien, Währinger Straße 38-42
www.univie.ac.at
Originalpublikation:
"Experimental quantum-enhanced kernel-based machine learning on a photonic processor", Z. Yin, I. Agresti, G. de Felice, D. Brown, A. Toumi, C. Pentangelo, S. Piacentini, A. Crespi, F. Ceccarelli, R. Osellame, B. Coecke, P. Walther. In Nature Photonics (2025).
DOI: 10.1038/s41566-025-01682-5
LINK: https://www.nature.com/articles/s41566-025-01682-5
