Onko kvanttilaskennalla ensimmäinen todellinen käyttötapaus?

Quantum, AI & Photonics: Uusi laskentavallankumous

Laskenta- ja informaatioteknologiat käyvät läpi useita teknologisia vallankumouksia samanaikaisesti: tekoälyn nousu, kvanttilaskennan syntyminen ja siirtyminen fotoniikkaan perinteisen piilisilicon rajoitteiden voittamiseksi.

Toistaiseksi jokainen näistä uusista sektoreista on toiminut lähinnä erillään: tekoälyn koulutus ja laskenta toteutetaan klassisilla piilisilikon siruilla, kvanttilaskenta pyrkii parantamaan teknologiaansa ennen kuin se löytää käytännöllisen sovelluksen, ja fotoniikkateknologia on edelleen kokeilemassa suunnitelmia ja sovelluksia.

Ehkä ei ole yllättävää, että juuri näiden alojen yhdistäminen avaa uusia mahdollisuuksia. Näyttää siltä, että kvanttilaskenta on juuri löytänyt käytännöllisen käyttötapauksen, eikä sen tarvitse edes lisäparannuksia ollakseen hyödyllinen.

Tutkijat Wienin kvanttitieteen ja -tekniikan keskuksesta (VCQ) (Itävalta), Politecnico di Milano (Italia), Consiglio Nazionale delle Ricerche (IFN-CNR) (Italia) ja yrityksestä Quantinuum (Iso-Britannia) ovat havainneet, että olemassa olevat kvanttitietokoneet voivat ylittää klassiset tietokoneet tekoälyn koulutuksessa käyttäen fotoniikkaprosessoria.

He julkaisi tuloksensa Nature Photonics¹, otsikolla “Experimental quantum-enhanced kernel-based machine learning on a photonic processor”.

Miksi tekoälyn koulutus ja kvanttilaskenta kohtaavat rajoituksia

Tekoälyn koulutuksen nousevat kustannukset ja energiavaatimukset

Viime aikoina tekoälyteknologia on edistynyt valtavasti. Tämä on kuitenkin saavutettu vain käyttämällä valtavia määriä laskentatehoa, kuluttaen kymmeniä miljardeja dollareita siruihin ja sähköön.

Tietenkin tehokkuutta voidaan parantaa, kuten DeepSeek AI:n osoittama, joka on koulutettu erittäin alhaisin kustannuksin sekä laskennassa että rahassa, päihittäen länsimaiset kilpailijansa kymmenkerrällä. Mutta silti, lopulta, ohjelmistoparannukset eivät voi tehdä tekoälyn koulutuksesta vähemmän laskenta- ja energiatehoa vaativaa.

Kvanttilaskennan skaalautuvuus- ja kohinaongelmat

Samaan aikaan kvanttilaskenta on lupaava teknologia, mutta tähän mennessä se on kärsinyt kohtalokkaasta heikkoudesta. Kvanttilaskennan toimintaan vaadittavan äärimmäisen hauraan aineen tilan ylläpitäminen tekee siitä sekä kallista että huonosti skaalautuvaa.

Se myös tarkoittaa, että saadut tulokset ovat “kohinaa”, säännöllisiä virheitä, viiveitä ja epäluotettavia tuloksia.

Tässäkin innovaatiot voisivat tarkoittaa, että joko pienempien kvanttitietokoneiden verkko tai uusi laitteistosuunnittelun arkkitehtuuri, joka käyttää uutta aineen tilaa nimeltä topokonduktorit, mahdollistaa skaalautuvuuden, voisi ratkaista ongelman.

Kunnes se on vahvistettu, tämä on kuitenkin kyseenalaistanut kvanttilaskennan merkityksen, joka on edelleen teknologia, joka etsii taloudellisesti järkevää käytännön käyttötapausta.

Kvantti- tehostetut kernel-menetelmät tekoälylle

Miten kvantti-kernelit lisäävät ulottuvuusvoimaa koneoppimiseen

Kernel-menetelmät ovat laajasti käytettyjä työkaluja koneoppimisessa, ja ne käyttävät matemaattista menetelmää lisätä ulottuvuuksia tietojoukkoon paremman piilotettujen mallien tunnistamisen vuoksi.

Lähde: MDPI

Tämä tietysti sisältää melko monimutkaista matematiikkaa, jonka suurin osa on ymmärrettävissä vain rajoitetulle joukolle alalla jo työskenteleviä asiantuntijoita. Voit nähdä visuaalisen esityksen siitä, miten se toimii tässä videossa:

Ja tällaiset monimutkaiset laskelmat voisivat olla täydellinen sovitus kvanttitietokoneiden ainutlaatuisiin kapasiteetteihin.

Fotoniikkaprosessorit kohtaavat kvantti-kernelit tekoälyssä

Integroitu fotoniikkaprosessori, joka on luotu femtosekuntilaservalaskennalla boorisilikattilasikannalla, käytettiin tässä kokeessa koodamaan data tilaan, jonka kvanttitietokone voi käsitellä.

Lähde: Nature Photonics

Tällä tavoin kvantti-interferenssiä näyttäviä kernel-menetelmiä käytettiin laskennassa ja verrattiin klassisiin menetelmiin.

Lähde: Nature Photonics

Kokeelliset tulokset: Kvantti vs. Klassiset kernelit

Tutkijat testasivat neljä eri tietojoukon kokoa, 40–100 datapistettä, jossa kvantti-kernel (sininen) verrattiin klassiseen kernel (oranssi).

Lähde: Nature Photonics

Kummassakin kokeessa kvantti-kernel suoriutui paremmin kuin klassinen laskentakernel.

“Löysimme, että tietyissä tehtävissä algoritmimme tekee vähemmän virheitä kuin sen klassinen vastine.”

Philip Walther – professori Wienin yliopistossa.

Seuraavat askeleet kohti todellista kvantti‑AI‑koulutusta

Siirtyminen demo‑vaiheesta tuotantoon: Kvantti‑AI‑koulutus

Tämä koe osoitti, että nykyiset kvanttitietokoneet voivat ylittää klassiset tietokoneet tehtävissä, joita tavallisesti käytetään neuroverkkojen koulutuksessa.

Tämä on merkittävä asia, koska tähän asti oletettiin, että vain luotettavampi kvanttitietokone voisi koskaan käyttää tätä sovellusta. Nyt kun tämä on kokeellisesti todistettu epätodeksi, seuraava askel on toteuttaa rajoitettu todellinen AI‑koulutus tällä teknologialla.

Tämän vuoksi uusia kvantti‑arkkitehtuureista inspiroituja algoritmeja voitaisiin suunnitella, saavuttaen parempia suorituskykyjä.

“Tämä viittaa siihen, että olemassa olevat kvanttitietokoneet voivat osoittaa hyviä suorituskykyjä ilman, että niiden tarvitsee ylittää nykyisen teknologian huippua.”

Zhenghao Yin – tohtoriopiskelija Wienin yliopistossa.

Miten kvantti‑fotoniikka vähentää tekoälyn energiankulutusta

Fotoniikkaplatformat voivat tuottaa saman tai paremman laskentatuloksen paljon alhaisemmalla energiankulutuksella. Koska energia on yhä enemmän tekoälyteollisuuden pullonkaula, enemmän kuin laskentateho tai innovaatiot, tämä voi tehdä kvantti‑fotoniikkalaskennan löydöksestä erityisen tärkeän.

“Tämä voi osoittautua ratkaisevaksi tulevaisuudessa, kun koneoppimisalgoritmit muuttuvat toteuttamattomiksi liian korkeiden energiavaatimusten vuoksi.”

Iris Agresti – tohtoriopiskelija Wienin yliopistossa.

 Sidotut ionit vs. suprajohtava kvanttiteknologia: Mitä seuraavaksi?

Se voi vaikuttaa merkittävästi kvanttilaskentateollisuuden suuntaan.

Toistaiseksi ala on jakautunut sidottujen ionien teknologian, jolla on korkea luotettavuus mutta alhainen kvanttitasojen (qubit) määrä laitetta kohti, ja monimutkaisempien suprajohtavuuteen perustuvien suunnitelmien välillä, jotka ovat tähän mennessä hyvin kohinaa, mutta jotka todennäköisemmin skaalautuvat suureen qubit-määrään.

Tutkimus on tuotettu erittäin tiiviissä yhteistyössä Quantinuumin kanssa, jossa 4/12 artikkelin tutkijoista työskentelee yrityksessä. Sidottujen ionien teknologian asiantuntijana on loogista, että Quantinuum etsii tilannetta, jossa sen tietokoneiden alhainen qubit-määrä pystyy jo suorittamaan merkittävän liiketoimintatapauksen.

Jos tämä osoittautuu todeksi, se voisi tehdä yrityksestä keskeisen laskentakapasiteetin tarjoajan AI‑teollisuudelle, mahdollisesti jäljitellen ainakin osaa Nvidian (NVDA ) saavutuksista.

Sijoittaminen kvanttilaskentaan

Honeywell / Quantinuum

Quantinuum on Honeywell Quantum Solutionsin ja Cambridge Quantumin fuusion tulos.

Honeywell on edelleen yrityksen enemmistöosakas (todennäköisesti 52 % omistus) rahoituskierroksen jälkeen, jonka arvo oli 5 miljardia $. Perustaja Ilyas Khanin väitetään omistavan noin 20 % yrityksestä. Muita osakkeenomistajia ovat JSR Corporation, Mitsui, Amgen (AMGN ), IBM ja JP Morgan.

Mahdollinen Quantinuumin listautuminen tulevaisuudessa, mahdollisesti osana laajempaa yritysrakenteen uudelleenjärjestelyä, arvioidaan olevan arvoltaan jopa 20 miljardia $ ja voisi tapahtua vuosina 2026–2027.

Kvanttilaskenta ei ole Honeywellin liiketoiminnan keskeinen osa, vaan se keskittyy enemmän ilmailuun, automaatioon ja erikoiskemikaaleihin sekä -materiaaleihin.

Nämäkin alat voisivat kuitenkin hyötyä kvanttilaskennasta, erityisesti laskennallisesta kemiasta ja kvanttisybersecurity‑ratkaisuista, mikä voisi antaa Honeywellille etulyöntiaseman kilpailijoihinsa nähden.

Yrityksen tällä hetkellä tärkein malli on H2, sidottujen ionien 56‑qubit‑piiri, jonka kahden‑qubit‑porttien tarkkuus on 99,895 %.

Yritys on pyrkinyt korkealaatuiseen laskentaan hyvin pienellä virhemarginaalilla sen sijaan, että se lisäisi mahdollisimman monta qubitia, luoden niin sanotun “virheenkestävän kvanttilaskennan”.

Tätä lähestymistapaa yritys kutsuu “Paremmat qubitit, paremmat tulokset”, jolloin saman verran qubiteja tuottaa 100–1 000‑kertainen luotettavuusparannus.

Lähde: Quantinuum

Tämä voisi erityisesti vaikuttaa kiireellisesti tarvittavan kvanttivastaisen kryptografian kehitykseen, sillä puolustusyritys Thales (HO.PA -0,96 %) on jo yhteistyössä Quantinuumin sekä kansainvälisen pankins HSBC ja JP Morgan kanssa.

Quantinuum tarjoaa myös omaa kvanttialgoritmista laskennallista kemiaa InQuanto, jota voidaan käyttää lääkkeiden, materiaalitieteen, kemikaalien, energian ja ilmailusovellusten parissa.

Kuten monet muutkin kvanttilaskentayritykset, Quantinuum tarjoaa Helios, a “hardware-as-a-service”, jolloin käyttäjät voivat hyödyntää kvanttilaskentaa ilman, että heidän tarvitsee itse hallita järjestelmän monimutkaisuutta.

Quantinuum allekirjoitti marraskuussa 2024 kumppanuuden saksalaisen Infineonin kanssa, Euroopan suurimman puolijohdevalmistajan. Infineon tuo integroidun fotoniikan ja ohjauselektroniikan teknologiansa auttaakseen luomaan seuraavan sukupolven sidottujen ionien kvanttitietokoneita.

Kun integroidut fotoniikat lähestyvät käytännön sovelluksia, on nyt selvää, kuinka tärkeä tämä kumppanuus voi olla Quantinuumin tulevaisuudelle. Tässä vaiheessa näyttää siltä, että seuraava askel yritykselle on julkaista maailman ensimmäinen AI‑keskeinen fotoniikka‑kvanttipiiri.

Seuraavina kuukausina Quantinuum jakaa tuloksia käynnissä olevista yhteistyöprojekteista, jotka esittelevät kvantti‑ajettujen edistysaskeleiden mullistavaa potentiaalia generatiivisessa tekoälyssä.

Innovatiivinen Gen QAI -kyky parantaa ja nopeuttaa Metallisen Orgaanisen Kehikon (MOF) käyttöä lääkkeiden jakelussa, raivaa tietä tehokkaammille ja henkilökohtaisemmille hoitovaihtoehdoille, ja tarkemmat tiedot paljastetaan Heliosin lanseerauksen yhteydessä.

Quantinuum Announces Generative Quantum AI Breakthrough with Massive Commercial Potential

Tämä julkaisu on osa sarjaa uutisia, jotka liittyvät kvantti‑tekoälyyhteyden nopeaan kehitykseen Quantinuumissa.

Lisää käynnissä olevia käyttötapauksia voisi vahvistaa merkittävästi yrityksen tulevaa arvoa, ja siten Honeywellin osuutta siinä sekä mahdollisia sijoittajien voittoja.

Viimeisimmät Honeywell / Quantinuum (HON) -osaketuotteet ja kehitykset

Viitattu tutkimus

^{1. Yin, Z., Agresti, I., de Felice, G. et al. Experimental quantum-enhanced kernel-based machine learning on a photonic processor. Nature Photonics. (2025). https://doi.org/10.1038/s41566-025-01682-5}