Föreställ dig en framtid där kvantdatorer superladdar maskininlärning – tränar modeller på några sekunder, extraherar insikter från enorma datamängder och driver nästa generations AI.
Den framtiden kan vara närmare än du tror, tack vare ett genombrott från forskare vid Australiens nationella forskningsbyrå CSIRO och Melbourne University.
Hittills har ett stort hinder stått i vägen: fel. Kvantprocessorer är bullriga, och kvantmaskininlärningsmodeller (QML) behöver djupa kretsar med hundratals grindar. Även små fel ackumuleras snabbt och förstör noggrannheten. Den vanliga lösningen – kvantfelkorrigering – kan fungera, men den är dyr. Vi pratar om miljontals kvantbitar bara för att köra en modell. Det är långt bortom dagens hårdvara.
Så, vad är det som förändrar spelplanen? Teamet upptäckte att man inte behöver korrigera allt.
Forskningen är publicerad i tidskriften Quantum Science and Technology.
I QML-modeller är mer än hälften av grindarna träningsbara och de justeras under inlärningen. Genom att hoppa över felkorrigering för dessa grindar kan modellen ”självkorrigera” sig under träningen. Resultatet? En noggrannhet som är nästan lika bra som fullständig felkorrigering, men med bara några tusen kvantbitar istället för miljoner.
Huvudförfattaren och doktoranden vid University of Melbourne, Haiyue Kang, beskriver detta arbete som ett viktigt steg framåt.
”Hittills har kvantmaskininlärning mestadels testats i perfekta, felfria simuleringar. Men riktiga kvantdatorer är inte perfekta – de är bullriga, och det bullret gör dagens hårdvara oförenlig med dessa modeller. Med andra ord finns det en stor klyfta mellan teorin och att faktiskt köra QML på kvantprocessorer utan att förlora noggrannheten.”
Professor Muhammad Usman, chef för Quantum Systems-teamet vid CSIRO, är seniorförfattare till studien.
”Detta är ett paradigmskifte”, säger professor Usman.
”Vi har visat att partiell felkorrigering är tillräckligt för att göra QML praktiskt på de kvantprocessorer som förväntas bli tillgängliga inom en snar framtid.”
Varför är detta viktigt? Eftersom det kan göra att kvantmaskininlärning går från teori till verklighet mycket snabbare än väntat. Snabbare träning, smartare AI och verkliga kvantfördelar kan nu vara inom räckhåll.
Studien markerar en viktig milstolpe för kvantdatorer och AI. Det är inte bara en teknisk justering – det är ett nytänkande om hur vi bygger kvantalgoritmer för bullrig hårdvara.
Slutsats: Kvantmaskininlärning kanske inte ligger flera decennier fram i tiden. Tack vare denna smarta metod kan den driva verkliga tillämpningar inom en snar framtid.
Mer information: Haiyue Kang et al, Almost fault-tolerant quantum machine learning with drastic overhead reduction, Quantum Science and Technology (2025). DOI: 10.1088/2058-9565/ae2157
