Tietojenkäsittely
Onko kvanttilaskennasta ensimmäistä tosielämän käyttötapausta?
Securities.io noudattaa tiukkoja toimituksellisia standardeja ja voi saada korvausta tarkistetuista linkeistä. Emme ole rekisteröity sijoitusneuvoja, eikä tämä ole sijoitusneuvontaa. Katso lisätietoja tytäryhtiöiden ilmoittaminen.
Kvantti, tekoäly ja fotoniikka: Uusi laskennan vallankumous
Tietojenkäsittely ja informaatioteknologiat käyvät läpi useita teknologisia vallankumouksia samanaikaisesti: tekoälyn nousua, kvanttilaskennan esiinmarssia ja kääntymistä fotoniikan puoleen klassisen piilaskennan rajoitusten voittamiseksi.
Tähän mennessä kukin näistä uusista sektoreista on toiminut enimmäkseen erillisissä siiloissa: tekoälyn koulutus ja laskenta suoritetaan klassisilla piisiruilla, kvanttilaskenta pyrkii parantamaan teknologiaansa, kunnes sille löytyy käytännön sovellus, ja fotoniikkateknologiassa kokeillaan edelleen malleja ja sovelluksia.
Ehkäpä ei ole yllättävää, että juuri näiden alojen yhdistäminen voi tuoda tullessaan uusia mahdollisuuksia. Näyttää siltä, että kvanttilaskenta on löytänyt käytännön käyttötarkoituksen, eikä sitä tarvitse edes parantaa ennen kuin siitä on hyötyä.
Itävallan Wienin kvanttitieteen ja -teknologian keskuksen (VCQ), Italian Politecnico di Milanon, Italian Consiglio Nazionale delle Ricerchen (IFN-CNR) ja Ison-Britannian Quantinuum-yrityksen tutkijat ovat havainneet, että olemassa olevat kvanttitietokoneet voisivat suoriutua tekoälyn koulutuksessa paremmin kuin perinteiset tietokoneet fotonista prosessoria käyttäen.
He julkaisivat tuloksensa Nature Photonics -lehdessä.1, otsikon alla "Kokeellinen kvanttiavusteinen ydinpohjainen koneoppiminen fotonisella prosessorilla".
Miksi tekoälykoulutus ja kvanttilaskenta kohtaavat rajoituksia
Tekoälykoulutuksen nousevat kustannukset ja energiankulutus
Tekoälyteknologia on viime aikoina ottanut valtavan askeleen eteenpäin. Tämä on kuitenkin saavutettu vain käyttämällä käsittämättömän paljon laskentatehoa, joka kuluttaa kymmeniä miljardeja dollareita sirujen ja sähkön muodossa.
Tehokkuudessa voisi toki edistyä jonkin verran, kuten DeepSeek-tekoälyn osoittama, joka on koulutettu erittäin alhaisilla laskenta- ja rahakustannuksilla, voittaen länsimaiset kilpailijansa suuruusluokalla. Mutta silti loppujen lopuksi ohjelmistojen parantaminen riittää vain tiettyyn pisteeseen asti tekoälyn koulutuksen laskentatehon ja tehonkulutuksen vähentämisessä.
Kvanttilaskennan skaalautuvuus- ja kohinahaasteet
Kvanttilaskenta on lupaava teknologia, mutta toistaiseksi kärsinyt kohtalokkaasta puutteesta. Kvanttilaskennan toiminnan edellyttämä aineen äärimmäisen hauras olomuoto tekee siitä sekä kallista että vaikeasti skaalautuvaa.
Se tarkoittaa myös sitä, että saadut tulokset ovat "kohinaisia", ja niissä on säännöllisiä virheitä, viiveitä ja epäluotettavia tuloksia.
Myös tässä innovaatiot voivat tarkoittaa joko pienempien kvanttitietokoneiden verkosto or uusi laitteistosuunnitteluarkkitehtuuri, joka käyttää uutta olomuotoa, jota kutsutaan topojohteiksi, mikä mahdollistaa skaalautuvuuden, voisi ratkaista ongelman.
Ennen kuin asia on vahvistettu, tämä on kuitenkin kyseenalaistanut kvanttilaskennan merkityksen, vaikka teknologialle etsitään edelleen taloudellisesti järkevää käytännön sovellusta.
Kvanttitehostetut ydinmenetelmät tekoälylle
Miten kvanttiytimet lisäävät koneoppimiseen ulottuvuusvoimaa
Ydinmenetelmät ovat laajalti käytettyjä työkaluja koneoppimisessa, ja ne käyttävät matemaattista menetelmää ulottuvuuksien lisäämiseksi tietojoukkoon piilotettujen kuvioiden paremman tunnistamisen varmistamiseksi.
Lähde: MDPI
Tämä edellyttää tietenkin melko monimutkaista matematiikkaa, joka on enimmäkseen ymmärrettävää vain rajatulle joukolle alalla jo työskenteleviä asiantuntijoita. Voit nähdä visuaalisen esityksen siitä, miten se toimii, tässä videossa:
Ja tällaiset monimutkaiset laskelmat voisivat sopia täydellisesti kvanttitietokoneiden ainutlaatuisiin ominaisuuksiin.
Fotoniset prosessorit kohtaavat kvanttiytimet tekoälyä varten
Tässä kokeessa käytettiin integroitua fotoniprosessoria, joka luotiin femtosekuntilaserilla borosilikaattilasisubstraatille, koodaamaan data tilaan, jota kvanttitietokone voi käsitellä.
Lähde: Luonto Fotoniikka
Tällä tavoin laskennassa käytettiin kvantti-interferenssiä näyttäviä ytimiä ja verrattiin niitä klassisiin menetelmiin.
Lähde: Luonto Fotoniikka
Kokeelliset tulokset: Kvantti- vs. klassiset ytimet
Tutkijat testasivat neljää eri kokoista tietojoukkoa, jotka vaihtelivat 40:stä 100:aan datapistettä, joissa kvanttiydintä (sininen) verrattiin klassiseen ytimeen (oranssi).
Lähde: Luonto Fotoniikka
Molemmissa kokeissa kvanttiydin suoriutui paremmin kuin klassinen laskennallinen ydin.
"Havaitsimme, että tietyissä tehtävissä algoritmimme tekee vähemmän virheitä kuin sen klassinen vastine."
Philip Walther – Wienin yliopiston professori.
Seuraavat askeleet kohti reaalimaailman kvantti-tekoälykoulutusta
Siirtyminen demosta tuotantoon: kvantti-tekoälyn koulutus
Tämä koe osoitti, että nykyään olemassa olevat kvanttitietokoneet pystyvät suoriutumaan perinteisiä tietokoneita paremmin neuroverkkojen koulutuksessa yleisesti käytetyissä tehtävissä.
Tämä on iso juttu, koska tähän asti oletettiin, että vain luotettavampaa kvanttitietokonetta voitaisiin käyttää tällaiseen sovellukseen. Nyt kun tämä on kokeellisesti todistettu vääräksi, seuraava askel on tehdä edes rajoitettu määrä tosielämän tekoälykoulutusta tällä teknologialla.
Tätä varten voitaisiin suunnitella uusia kvanttiarkkitehtuureista inspiroituneita algoritmeja, jotka saavuttavat parempia suorituskykyjä.
”Tämä tarkoittaa, että olemassa olevat kvanttitietokoneet voivat osoittaa hyviä suorituskykyjä menemättä välttämättä huipputeknologian tasoa pidemmälle.”
Zhenghao Yin – tohtoriopiskelija Wienin yliopistossa.
Miten kvanttifotoniikka vähentää tekoälyn energiankulutusta
Fotoniikka-alustat voivat suorittaa saman tai paremman laskentatehon paljon pienemmällä energiankulutuksella. Koska energiasta on tulossa yhä enemmän tekoälyteollisuuden pullonkaula kuin laskentakapasiteetista tai innovaatioista, kvanttifotonisten tietokoneiden löytämisen käyttö voi olla erityisen tärkeää.
”Tämä voi osoittautua ratkaisevan tärkeäksi tulevaisuudessa, koska koneoppimisalgoritmit ovat käymässä mahdottomiksi liian suurten energiankulutusten vuoksi.”
Iris Agresti – tohtoriopiskelija Wienin yliopistossa.
Loukkuun jäänyt ioni vs. suprajohtava kvanttiteknologia: mitä seuraavaksi?
Sillä voi olla merkittäviä seurauksia kvanttitietokoneteollisuuden suunnalle.
Tähän mennessä ala on jakautunut loukkuun jääneiden ionien teknologiaan, jolla on korkea luotettavuus, mutta alhainen kvanttilaskentakapasiteetti (kubittia) laitetta kohden, verrattuna monimutkaisempiin suprajohtavuuteen perustuviin malleihin, jotka ovat toistaiseksi olleet erittäin meluisia, mutta jotka todennäköisemmin skaalautuvat lopulta suureen kubittitilavuuteen.
Tutkimus tehtiin erittäin tiiviissä yhteistyössä Quantinuumin kanssa, ja artikkelissa mainituista 4 tiedemiehestä neljä työskenteli tässä yrityksessä. Loukkuun jääneiden ionien teknologiaan erikoistuneena yrityksenä on järkevää, että Quantinuum etsii tilannetta, jossa sen tietokoneiden pieni kubittimäärä voi jo suorittaa asiaankuuluvan liiketoimintasuunnitelman.
Jos tämä osoittautuu todeksi, se voisi tehdä yrityksestä tekoälyalan keskeisen laskentakapasiteetin toimittajan, ehkä matkien ainakin murto-osaa Nvidian kapasiteetista. (NVDA ) saavutuksia.
Kvanttilaskentaan investoiminen
Honeywell / Quantinuum
(HON )
Quantinuum on tulos Honeywell Quantum Solutionsin ja Cambridge Quantumin yhdistämisestä.
Honeywell on edelleen yhtiön enemmistöosakas (todennäköisesti 52 prosentin omistusosuudella) varainkeruukierroksen jälkeen sen arvoksi 5 miljardia dollariaPerustaja Ilyas Khanin kerrotaan omistavan noin 20 % yhtiöstä. Muita osakkeenomistajia ovat JSR Corporation, Mitsui, Amgen, IBM ja JP Morgan.
Quantinuumin mahdollinen listautuminen tulevaisuudessa, mahdollisesti osana suurempaa yritysjärjestelyä, sen arvoksi arvioidaan jopa 20 miljardia dollaria ja saattaa tapahtua vuosien 2026 ja 2027 välillä.
Kvanttilaskenta ei ole Honeywellin liiketoiminnan keskeinen osa, vaan se keskittyy enemmän ilmailu- ja avaruusteollisuuden, automaation sekä erikoiskemikaalien ja -materiaalien tuotteisiin.
Kukin näistä alueista voisi kuitenkin hyötyä kvanttilaskennasta, erityisesti laskennallinen kemia ja kvanttitietoturva, mikä voi antaa Honeywellille etulyöntiaseman kilpailijoihinsa nähden.
Yrityksen päämalli on tällä hetkellä H2, loukkuun jääneillä ioneilla varustettu 56 kubitin siru, jonka kahden kubitin porttitarkkuus on 99.895 %.
Yritys on pyrkinyt korkealaatuiseen laskentaan, jossa on mahdollisimman vähän virheitä, lisäämällä mahdollisimman monta kubittia ja luomalla niin sanotun "vikasietoisen kvanttilaskennan".
Yritys on nimennyt tämän lähestymistavan "Paremmilla kubiteilla, paremmilla tuloksilla", ja vastaavalla määrällä kubitteja saadaan 100–1,000 XNUMX kertaa luotettavampia tuloksia.
Lähde: Kvanttiuumi
Tämä voisi merkittävästi vaikuttaa kipeästi kaivattavaan kvanttiresistenttiin kryptografiaan, puolustusyhtiö Thalesin (HO.PA -0.96 %) jo tekee yhteistyötä Kvanttiuumi sekä kansainvälinen pankkis HSBC ja JP Morgan.
Quantinuum tarjoaa myös patentoitua kvanttilaskennallista kemiaa InQuanto, jota voidaan käyttää lääkkeissä, materiaalitieteissä, kemikaaleissa, energiassa ja ilmailusovelluksissa.
Kuten monet muutkin kvanttilaskentayritykset, Quantinuum tarjoaa Helios-pelintai ”laitteisto palveluna”, jonka avulla käyttäjät voivat hyötyä kvanttilaskennasta ilman, että heidän tarvitsee itse käsitellä järjestelmän monimutkaisuutta.
Quantinuum allekirjoitti marraskuussa 2024 kumppanuussopimuksen saksalaisen Infineonin kanssa, Euroopan suurin puolijohteiden valmistaja. Infineon tuo integroidun fotoniikka- ja ohjauselektroniikkateknologiansa auttamaan seuraavan sukupolven loukkuun jäävien kvanttitietokoneiden luomisessa.
Integroidun fotoniikan lähestyessä käytännön sovelluskohteita, käy nyt selväksi, kuinka tärkeä tämä kumppanuus voi olla Quantinuumin tulevaisuudelle. Tässä vaiheessa näyttää siltä, että yrityksen seuraava askel on julkaista maailman ensimmäinen tekoälyyn keskittyvä fotoniikka-kvanttisiru.
Lähikuukausina Quantinuum jakaa tuloksia meneillään olevista yhteistyöprojekteistaan ja esittelee kvanttipohjaisten kehitysten uraauurtavaa potentiaalia generatiivisessa tekoälyssä.
Innovatiivinen Gen QAI -ominaisuus parantaa ja nopeuttaa metallisten orgaanisten kehysten käyttöä lääkkeiden annostelussa, mikä avaa tien tehokkaammille ja yksilöllisemmille hoitovaihtoehdoille. Yksityiskohdat paljastetaan Heliosin lanseerauksen yhteydessä.
Tässä julkaisussa julkaistu ilmoitus on osa uutisketjua, joka liittyy Quantinuumissa tehdyn tekoälyn ja kvanttilaskennan yhteyden nopeaan edistymiseen.
Käynnissä olevat käyttötapaukset voisivat nostaa voimakkaasti yrityksen tulevaa arvoa ja siten Honeywellin pinoa siinä ja potentiaalisten sijoittajien tuottoa.
Honeywellin / Quantinuumin (HON) viimeisimmät osakeuutiset ja kehityskulut
Viitattu tutkimus
1. Yin, Z., Agresti, I., de Felice, G. et ai. Kokeellinen kvanttiavusteinen ydinpohjainen koneoppiminen fotonisella prosessorilla. Luontofotoniikka. (2025). https://doi.org/10.1038/s41566-025-01682-5
