Οι φωτονικοί κβαντικοί επεξεργαστές ενισχύουν την AI και καταναλώνουν λιγότερη ενέργεια

Η συνάντηση της κβαντικής πληροφορικής με τη μηχανική μάθηση φαίνεται πως δεν αποτελεί πλέον μελλοντικό σενάριο, αλλά μια τεχνολογική πραγματικότητα με απτά οφέλη. Μια νέα επιστημονική έρευνα από το Πανεπιστήμιο της Βιέννης δείχνει ότι ακόμη και μικρής κλίμακας κβαντικοί υπολογιστές μπορούν ήδη να ενισχύσουν την απόδοση αλγορίθμων μηχανικής μάθησης, χάρη στη χρήση ενός καινοτόμου φωτονικού κβαντικού κυκλώματος. Η μελέτη, που δημοσιεύτηκε στο περιοδικό Nature Photonics, όχι μόνο καταρρίπτει την άποψη ότι η κβαντική τεχνολογία βρίσκεται ακόμα στο στάδιο του πειραματισμού, αλλά και επισημαίνει τη δυνατότητα της να μειώσει σημαντικά την ενεργειακή κατανάλωση.

Στο επίκεντρο της έρευνας βρίσκεται ένας τομέας που γνωρίζει εκρηκτική ανάπτυξη τα τελευταία χρόνια: το λεγόμενο Quantum Machine Learning, δηλαδή η εφαρμογή κβαντικών υπολογιστικών αρχών σε αλγορίθμους μηχανικής μάθησης. Η προσδοκία των επιστημόνων είναι ότι τέτοιες πλατφόρμες μπορούν να επιταχύνουν τη διαδικασία εκπαίδευσης των αλγορίθμων, να αυξήσουν την ακρίβεια των προβλέψεων και να μειώσουν τον υπολογιστικό φόρτο, ιδίως καθώς η τεχνητή νοημοσύνη εξελίσσεται σε ενεργειακά απαιτητική τεχνολογία.

Η διεθνής ερευνητική ομάδα, αποτελούμενη από επιστήμονες του Πανεπιστημίου της Βιέννης, του Politecnico di Milano στην Ιταλία και της εταιρείας Quantinuum στο Ηνωμένο Βασίλειο, σχεδίασε και υλοποίησε ένα πρωτοποριακό πείραμα. Χρησιμοποιώντας έναν φωτονικό κβαντικό επεξεργαστή, κατάφεραν να εκτελέσουν έναν αλγόριθμο ταξινόμησης δεδομένων, βασισμένο σε τεχνικές μηχανικής μάθησης. Ο στόχος ήταν να αναδειχθεί η συμβολή των κβαντικών φαινομένων στην τελική απόδοση του συστήματος, σε σύγκριση με κλασικούς υπολογιστές.

Τα αποτελέσματα ήταν εντυπωσιακά. Σύμφωνα με τον Philip Walther, επικεφαλής του project, ο κβαντικός αλγόριθμος παρουσίασε μικρότερο ποσοστό σφάλματος σε συγκεκριμένες εργασίες από τις αντίστοιχες κλασικές εκδοχές. «Δείξαμε ότι ακόμη και με την τρέχουσα τεχνολογία, οι κβαντικοί υπολογιστές μπορούν να αποδώσουν καλύτερα από τα παραδοσιακά συστήματα σε επιλεγμένες εφαρμογές». Ο Zhenghao Yin, πρώτος συγγραφέας της μελέτης, συμπλήρωσε πως «δεν χρειάζεται απαραίτητα να ξεπεράσουμε το σημερινό τεχνολογικό επίπεδο για να δούμε πρακτικά οφέλη».

Πέρα όμως από την απόδοση, η ενεργειακή αποδοτικότητα είναι ένα κρίσιμο πλεονέκτημα της φωτονικής προσέγγισης. Όπως εξηγεί η Iris Agresti, συν-συγγραφέας της μελέτης, οι φωτονικές κβαντικές πλατφόρμες καταναλώνουν λιγότερη ενέργεια σε σχέση με τους συμβατικούς υπολογιστές. Αυτό αποκτά ιδιαίτερη σημασία τη στιγμή που οι υπολογιστικές απαιτήσεις της τεχνητής νοημοσύνης αυξάνονται ραγδαία και απειλούν τη βιωσιμότητα των υφιστάμενων ενεργειακών πόρων.

Η νέα έρευνα ανοίγει τον δρόμο για πιο αποδοτικά υπολογιστικά συστήματα και αναδεικνύει τις δυνατότητες της κβαντικής τεχνολογίας όχι μόνο ως εναλλακτική στην κλασική υπολογιστική, αλλά και ως πηγή έμπνευσης για νέες υβριδικές μεθόδους. Ο συνδυασμός φωτονικών κυκλωμάτων με τεχνικές μηχανικής μάθησης φαίνεται πως μπορεί να προσφέρει λύσεις υψηλής ακρίβειας και χαμηλής ενεργειακής κατανάλωσης, με εφαρμογές που εκτείνονται από την επιστημονική έρευνα έως τη βιομηχανία και την καθημερινή τεχνολογία.

[via]