Artificiella neurala nätverk ligger bakom många av dagens största AI-framsteg – från bildigenkänning och språkmodeller till medicinsk forskning och proteinanalys. Hittills har dessa system utvecklats för klassiska datorer, men forskare ser nu möjligheten att kombinera AI med kvantmekanikens unika egenskaper.
Nu har ett internationellt forskarlag genomfört det första praktiska testet där kvantneuronala nätverk (Quantum Neural Networks, QNN) körs direkt på verklig kvanthårdvara i stället för enbart i simuleringar. Studien visar att tekniken fungerar bättre än många tidigare trott och markerar ett viktigt steg mot framtidens kvantbaserade AI-system.
Från teori till fungerande hårdvara
Kvantneuronala nätverk har länge varit ett lovande forskningsområde, men de flesta studier har begränsats till simuleringar på vanliga datorer.
Problemet har varit att dagens kvantdatorer fortfarande är känsliga för brus och fel, vilket gjort det svårt att avgöra hur väl sådana AI-modeller fungerar i verkligheten.
I den nya studien tränade och testade forskarna i stället kvantneuronala nätverk direkt på tre olika typer av kvantprocessorer. Det gav en unik möjlighet att undersöka hur algoritmerna påverkas av verkliga hårdvarubegränsningar.
Tre olika kvantplattformar
För att säkerställa att resultaten inte var knutna till en enskild teknik använde forskarna tre olika kvantplattformar.
Experimenten genomfördes på två system baserade på fångade joner – där styrningen skedde med laser respektive mikrovågor – samt på en supraledande kvantdator med transmon-qubits från IBM.
Genom att jämföra resultaten mellan dessa arkitekturer kunde forskarna visa att kvantneuronala nätverk fungerar på flera typer av kvanthårdvara, trots att teknikerna skiljer sig åt i hur kvantbitarna skapas och kontrolleras.
Klassificerade handskrivna siffror
Som praktiskt test fick de kvantneuronala nätverken lösa en välkänd uppgift inom maskininlärning: att känna igen handskrivna siffror.
Den typen av bildklassificering används ofta som ett standardtest för att jämföra olika AI-modeller. Forskarna kunde visa att kvantnätverken lärde sig uppgiften direkt på kvantdatorerna och att resultaten låg nära vad simuleringarna förutspådde.
Det visar att dagens kvanthårdvara redan kan användas för enklare AI-uppgifter, även om systemen fortfarande är betydligt mindre kraftfulla än moderna klassiska neurala nätverk.
Brus visade sig inte vara ett avgörande hinder
En av de mest intressanta slutsatserna var att kvantbrus inte förstörde inlärningen i den utsträckning som många forskare tidigare befarat.
Tvärtom antyder resultaten att svaga störningar ibland kan fungera på ett sätt som påminner om regularisering i klassisk maskininlärning – en effekt som kan hjälpa modeller att generalisera bättre och undvika överanpassning.
Det betyder inte att kvantfel har lösts, men studien visar att vissa AI-algoritmer kan vara mer robusta mot brus än andra typer av kvantberäkningar.
Kan avslöja skillnader mellan kvantdatorer
Forskarna menar att kvantneuronala nätverk inte bara kan användas för AI.
Eftersom nätverken reagerar på hur den underliggande hårdvaran fungerar kan de även bli ett verktyg för att analysera och jämföra olika kvantdatorer. Genom att studera hur modellerna presterar kan forskare få bättre förståelse för felkällor, brus och andra egenskaper hos olika kvantplattformar.
På så sätt kan kvantneuronala nätverk bidra både till utvecklingen av AI och till förbättringen av själva kvantdatorerna.
Ett viktigt steg mot kvantbaserad AI
Dagens kvantdatorer är fortfarande för små och felkänsliga för att konkurrera med avancerade AI-modeller som tränas på kraftfulla grafikprocessorer.
Men utvecklingen går snabbt. Allt fler forskare undersöker hur kvantberäkningar kan komplettera klassisk AI i framtida hybridsystem, där varje teknik används till de uppgifter den är bäst lämpad för.
Den nya studien visar att kvantneuronala nätverk inte längre bara är ett teoretiskt koncept. Genom att demonstrera att de fungerar på flera olika typer av verklig kvanthårdvara har forskarna tagit ett viktigt steg mot framtidens kvantbaserade maskininlärning. Även om praktiska tillämpningar fortfarande ligger några år bort visar resultaten att AI och kvantteknik kan utvecklas sida vid sida – och tillsammans öppna möjligheter som dagens datorer har svårt att uppnå.
Publication details
Djamil Lakhdar-Hamina et al, Benchmarking a Tunable Quantum Neural Network on Trapped-Ion and Superconducting Hardware, Physical Review Letters (2026). DOI: 10.1103/9bp2-42v3. On arXiv: DOI: 10.48550/arxiv.2507.21222
