Har kvantecomputere et første brugsscenario i den virkelige verden?

Kvante, kunstig intelligens og fotonik: En ny computerrevolution

Computer- og informationsteknologier gennemgår flere teknologiske revolutioner på én gang: fremkomsten af ​​kunstig intelligens, fremkomsten af ​​kvantecomputere og vendingen til fotonik for at overvinde begrænsningerne ved klassisk siliciumcomputing.

Indtil videre har hver af disse nye sektorer for det meste arbejdet i isolerede siloer: AI-træning og -beregning udføres på klassiske siliciumchips, kvanteberegning søger at forbedre sin teknologi, indtil den kan finde en praktisk anvendelse, og fotonikteknologi eksperimenterer stadig med design og applikationer.

Det er måske ikke overraskende, at det er ved at fusionere disse felter, at nye muligheder opstår. Det ser ud til, at kvanteberegninger måske netop har fundet et praktisk anvendelsesscenarie og ikke engang behøver yderligere forbedringer, før de er nyttige.

Forskere ved Vienna Center for Quantum Science and Technology (VCQ) (Østrig), Politecnico di Milano (Italien), Consiglio Nazionale delle Ricerche (IFN-CNR) (Italien) og virksomheden Quantinuum (Storbritannien) har fundet ud af, at eksisterende kvantecomputere kan overgå klassiske computere i AI-træning ved hjælp af en fotonisk processor.

De publicerede deres resultater i Nature Photonics¹, under titlen "Eksperimentel kvanteforbedret kernebaseret maskinlæring på en fotonisk processor".

Hvorfor AI-træning og kvanteberegning står over for begrænsninger

AI-træningens stigende omkostninger og energibehov

For nylig har AI-teknologi gjort enorme fremskridt. Dette blev dog kun opnået ved hjælp af svimlende mængder computerkraft, der forbrugte chips og elektricitet for flere milliarder dollars.

Der kan helt sikkert gøres nogle fremskridt med hensyn til effektivitet, som demonstreret af DeepSeek AI trænet med ultralave omkostninger i både databehandling og pengeog slår sine vestlige konkurrenter med en størrelsesorden. Men i sidste ende vil softwareforbedring kun gøre AI-træning mindre beregnings- og strømkrævende.

Kvanteberegningers skalerbarhed og støjudfordringer

Kvanteberegning er i mellemtiden en lovende teknologi, men den lider indtil videre af en fatal fejl. Den ekstremt skrøbelige tilstand af stof, som skal opretholdes for at kvanteberegning kan fungere, betyder, at den er både dyr og ikke særlig skalerbar.

Det betyder også, at de opnåede resultater er "støjende" med regelmæssige fejl, forsinkelser og upålidelige resultater.

Også her kan innovationer betyde, at enten et netværk af mindre kvantecomputere or en ny hardwaredesignarkitektur, der bruger en ny materiel tilstand kaldet topoledere, hvilket muliggør skalerbarhed, kunne løse problemet.

Indtil det er bekræftet, har dette ikke desto mindre sat spørgsmålstegn ved relevansen af ​​kvanteberegninger, der stadig er en teknologi, der søger en praktisk anvendelse, der giver mening økonomisk.

Kvanteforstærkede kernemetoder til AI

Hvordan kvantekerner tilføjer dimensionel kraft til maskinlæring

Kernemetoder er et udbredt værktøj inden for maskinlæring og bruger en matematisk metode til at tilføje dimensioner til et datasæt for bedre at identificere skjulte mønstre.

Kilde: MDPI

Dette involverer naturligvis ret kompleks matematik, som stort set kun vil være forståelig for et begrænset antal specialister, der allerede arbejder inden for dette felt. Du kan se en visuel repræsentation af, hvordan det fungerer, i denne video:

Og sådanne komplekse beregninger kunne være et perfekt match til kvantecomputeres unikke kapaciteter.

Fotoniske processorer møder kvantekerner til AI

En integreret fotonisk processor, skabt via femtosekundlaserskrivning på et borosilikatglassubstrat, blev brugt til dette eksperiment til at kode dataene til en tilstand, der kan behandles af en kvantecomputer.

Kilde: Nature Photonics

På denne måde blev kerner, der udviser kvanteinterferens, brugt til beregningen og sammenlignet med klassiske metoder.

Kilde: Nature Photonics

Eksperimentelle resultater: Kvante vs. klassiske kerner

Forskerne testede fire forskellige datasætstørrelser, der spænder fra 40 til 100 datapunkter, hvor kvantekernen (i blåt) blev sammenlignet med den klassiske kerne (i orange).

Kilde: Nature Photonics

I begge eksperimenter klarede kvantekernen sig bedre end den klassiske databehandlingskerne.

"Vi fandt ud af, at vores algoritme begår færre fejl for specifikke opgaver end dens klassiske modstykke."

Philip Walther – professor ved universitetet i Wien.

Næste skridt mod virkelighedens kvante-AI-træning

Fra demo til produktion: Kvante-AI-træning

Dette eksperiment viste, at kvantecomputere, som findes i dag, kan overgå klassiske computere i opgaver, der almindeligvis anvendes i træning af neurale netværk.

Det er en stor ting, fordi man indtil nu har antaget, at kun en mere pålidelig kvantecomputer nogensinde kunne bruges til denne type applikation. Nu hvor dette eksperimentelt har vist sig ikke at være sandt, vil det næste skridt være at udføre, selv en begrænset periode, AI-træning i virkeligheden med den teknologi.

Til dette formål kunne nye algoritmer inspireret af kvantearkitekturer designes, der opnår bedre ydeevne.

"Dette indebærer, at eksisterende kvantecomputere kan vise gode resultater uden nødvendigvis at gå ud over den nyeste teknologi."

Zhenghao Yin – ph.d.-studerende ved universitetet i Wien.

Hvordan kvantefotonik reducerer AI-energiforbruget

Fotoniske platforme kan yde den samme eller en bedre computerydelse med et meget lavere energiforbrug. Da energi i stigende grad bliver flaskehalsen i AI-industrien, mere end computerkapacitet eller innovationer, kan dette gøre brugen af ​​kvantefotoniske computeropdagelser særligt vigtig.

"Dette kan vise sig at være afgørende i fremtiden, da maskinlæringsalgoritmer bliver umulige at anvende på grund af det for høje energibehov."

Iris Agresti – ph.d.-studerende ved universitetet i Wien.

 Fanget ion vs. superledende kvanteteknologi: Hvad kommer dernæst?

Det kan få betydelige konsekvenser for retningen inden for kvantecomputerindustrien.

Indtil videre har feltet været delt mellem fanget-ion-teknologi, med høj pålidelighed, men lav kvanteberegningskapacitet (qubit) pr. enhed, og mere komplekse designs, der er afhængige af superledning, som indtil videre er meget støjende, men som også er mere tilbøjelige til i sidste ende at være skalerbare til et stort qubit-volumen.

Forskningen blev udført i et meget tæt samarbejde med Quantinuum, hvor 4 ud af 12 af forskerne i artiklen arbejder i denne virksomhed. Som specialist i fanget-ion-teknologi giver det mening for Quantinuum at lede efter en situation, hvor det lave antal qubits i deres computere allerede kan udføre en relevant business case.

Hvis dette viser sig at være sandt, kan det gøre virksomheden til en nøgleleverandør af computerkapacitet til AI-industrien, måske i det mindste en brøkdel af Nvidias. (NVDA -2.17%) præstationer.

Investering i kvantecomputere

Honeywell / Quantinuum

Quantinuum er resultatet af fusionen af ​​Honeywell Quantum Solutions og Cambridge Quantum.

Honeywell forbliver virksomhedens majoritetsaktionær (sandsynligvis 52% ejerskab) efter en fundraising-runde, der vurderede det til $5 miaGrundlægger Ilyas Khan angiveligt ejer cirka 20% af virksomheden. Andre aktionærer inkluderer JSR Corporation, Mitsui, Amgen, IBM og JP Morgan.

En potentiel børsnotering af Quantinuum i fremtiden, potentielt som en del af en større virksomhedsomstrukturering, anslås at være så meget værd som $20B og kan forekomme mellem 2026 og 2027.

Kvanteberegning er ikke den centrale del af Honeywells forretning, men mere centreret omkring produkter inden for luftfart, automation samt specialkemikalier og -materialer.

Hvert af disse domæner kan dog drage fordel af kvanteberegning, især beregningskemi og kvantecybersikkerhed, hvilket potentielt giver Honeywell en fordel i forhold til sine konkurrenter.

Virksomhedens hovedmodel for nu er H2, en fanget-ion 56 qubit-chip med 99.895% to-qubit gate-fidelity.

Virksomheden har stræbt efter databehandling af høj kvalitet med meget få fejl snarere end at tilføje så mange qubits som muligt og dermed skabe en såkaldt "fejltolerant kvanteberegning".

Denne tilgang er af virksomheden betegnet som "Bedre qubits, bedre resultater", hvor et lignende antal qubits opnår 100-1,000 gange mere pålidelige resultater.

Kilde: Kvantinuum

Dette kunne især gøre en forskel i den presserende nødvendige kvanteresistente kryptografi, hvor forsvarsvirksomheden Thales (HO.PA -0.96 %) allerede samarbejder med Kvantinuum samt den internationale banks HSBC og JP Morgan.

Quantinuum tilbyder også sin proprietære kvanteberegningskemi InQuanto, anvendelig til lægemidler, materialevidenskab, kemikalier, energi og rumfartsapplikationer.

Ligesom mange andre quantum computing virksomheder, Quantinuum tilbyder Helios, en "hardware-som-en-service", hvilket giver brugerne mulighed for at drage fordel af kvanteberegning uden at skulle beskæftige sig med kompleksiteten ved selv at betjene systemet.

Quantinuum underskrev i november 2024 et partnerskab med tyske Infineon, Europas største halvlederproducent. Infineon vil bringe sin integrerede fotonik og kontrolelektronik teknologi til at hjælpe med at skabe den næste generation af fangede-ion kvantecomputere.

Efterhånden som integreret fotonik nærmer sig praktiske anvendelsesscenarier, bliver det nu klart, hvor vigtigt dette partnerskab kan være for Quantinuums fremtid. På nuværende tidspunkt ser det ud til, at det næste skridt for virksomheden bliver at lancere verdens første AI-fokuserede fotonik-kvantechip.

I de kommende måneder vil Quantinuum dele resultater fra igangværende samarbejder og fremvise det banebrydende potentiale for kvantedrevne fremskridt inden for generativ kunstig intelligens.

Den innovative Gen QAI-funktion vil forbedre og accelerere brugen af ​​metalliske organiske rammeværk til lægemiddelafgivelse og bane vejen for mere effektive og personlige behandlingsmuligheder. Detaljerne vil blive afsløret ved lanceringen af ​​Helios.

Quantinuum annoncerer generativt gennembrud inden for kvante-AI med massivt kommercielt potentiale

Meddelelsen i denne publikation er en del af en række nyheder relateret til de hurtige fremskridt i forbindelsen mellem AI og kvantecomputere, der er skabt hos Quantinuum.

Mere igangværende use cases kunne kraftigt booste virksomhedens fremtidige værdi, og derfor kunne Honeywells stak i det og den potentielle profit investorer få ud af det.

Seneste Honeywell / Quantinuum (HON) aktienyheder og udvikling

Undersøgelse refereret

^{1. Yin, Z., Agresti, I., de Felice, G. et al. Eksperimentel kvanteforbedret kernebaseret maskinlæring på en fotonisk processor. Naturfotonik. (2025). https://doi.org/10.1038/s41566-025-01682-5}