Har kvanteberegning et første virkelige bruksområde?

Quantum, AI & Photonics: En ny databehandlingsrevolusjon

Databehandling og informasjonsteknologi gjennomgår flere teknologiske revolusjoner samtidig: fremveksten av AI, fremkomsten av kvanteberegning, og overgangen til fotoni for å overvinne begrensningene i klassisk silisiumdatabehandling.

Så langt har hver av disse nye sektorene for det meste operert i isolerte siloer: AI‑trening og -beregning utføres på klassiske silisiumbrikker, kvanteberegning prøver å forbedre teknologien sin inntil den kan finne en praktisk anvendelse, og fotoniteknologi eksperimenterer fortsatt med design og applikasjoner.

Kanskje ikke overraskende, kan det være ved å slå sammen disse feltene at nye muligheter oppstår. Det ser ut til at kvanteberegning nettopp har funnet et praktisk bruksområde, og kanskje ikke engang trenger ytterligere forbedring før den er nyttig.

Forskere ved Vienna Center for Quantum Science and Technology (VCQ) (Østerrike), Politecnico di Milano (Italia), Consiglio Nazionale delle Ricerche (IFN-CNR) (Italia), og selskapet Quantinuum (UK) har funnet at eksisterende kvantecomputere kan overgå klassiske datamaskiner i AI‑trening ved bruk av en fotonisk prosessor.

De publiserte resultatene sine i Nature Photonics¹, under tittelen “Experimental quantum-enhanced kernel-based machine learning on a photonic processor”.

Hvorfor AI‑trening og kvanteberegning møter begrensninger

AI‑treningens skyhøye kostnader og energikrav

Nylig har AI‑teknologi gjort enorm fremgang. Dette ble imidlertid oppnådd kun ved bruk av svimlende store mengder datakraft, som forbruker titalls milliarder dollar i brikker og elektrisitet.

Selvfølgelig kan noe fremgang oppnås i effektivitet, som demonstrert av DeepSeek AI trent med ekstremt lave kostnader både i beregning og penger, som slår sine vestlige konkurrenter med en størrelsesorden. Men likevel, i siste ende, vil programvareforbedringer bare gå så langt i å gjøre AI‑trening mindre beregnings- og energikrevende.

Kvanteberegningens skalerbarhets- og støyutfordringer

Samtidig er kvanteberegning en lovende teknologi, men har hittil lidd under en fatal feil. Den ekstremt skjøre tilstanden av materie som må opprettholdes for at kvanteberegning skal fungere, gjør den både dyr og lite skalerbar.

Det betyr også at resultatene som oppnås er «støyende», med regelmessige feil, forsinkelser og upålitelige resultater.

Her også kan innovasjoner bety at enten et nettverk av mindre kvantecomputere eller en ny maskinvaredesignarkitektur, som bruker en ny materietilstand kalt topokonduktorer, som tillater skalerbarhet, kan løse problemet.

Inntil dette er bekreftet, har dette likevel satt relevansen til kvanteberegning på spørsmål, fortsatt en teknologi på jakt etter et praktisk bruksområde som gir økonomisk mening.

Kvantemerkede kjernemetoder for AI

Hvordan kvantekjerner tilfører dimensjonell kraft til maskinlæring

Kjernemetoder er mye brukte verktøy i maskinlæring, og benytter en matematisk metode for å legge til dimensjoner i et datasett for bedre identifikasjon av skjulte mønstre.

Source: MDPI

Dette innebærer selvfølgelig ganske kompleks matematikk, som for det meste kun vil være forståelig for et begrenset antall spesialister som allerede arbeider innen dette feltet. Du kan se en visuell representasjon av hvordan det fungerer i denne videoen:

Og slike komplekse beregninger kan passe perfekt til de unike kapasitetene til kvantecomputere.

Fotoniske prosessorer møter kvantekjerner for AI

En integrert fotonisk prosessor, laget via femtosekundlaser-skriving på et borosilikatglass-substrat, ble brukt i dette eksperimentet for å kode dataene inn i en tilstand som kan behandles av en kvantecomputer.

Source: Nature Photonics

På denne måten ble kjerner som viste kvanteinterferens brukt til beregningen og sammenlignet med klassiske metoder.

Source: Nature Photonics

Eksperimentelle resultater: Kvante‑ vs. klassiske kjerner

Forskerne testet fire ulike datasettstørrelser, fra 40 til 100 datapunkter, hvor den kvantekjerne (i blått) ble sammenlignet med den klassiske kjernen (i oransje).

Source: Nature Photonics

I begge eksperimentene presterte den kvantekjerne bedre enn den klassiske beregningskjerne.

“Vi fant at for spesifikke oppgaver gjør algoritmen vår færre feil enn den klassiske motparten.”

Philip Walther – professor ved Universitetet i Wien.

Neste steg mot virkelighetsnær kvante‑AI‑trening

Fra demonstrasjon til produksjon: Kvante‑AI‑trening

Dette eksperimentet demonstrerte at kvantecomputere, som finnes i dag, kan overgå klassiske datamaskiner i oppgaver som ofte brukes i trening av nevrale nettverk.

Dette er viktig fordi det hittil ble antatt at kun en mer pålitelig kvantecomputer kunne brukes til denne typen applikasjon. Nå som dette er eksperimentelt bevist å ikke være sant, vil neste steg være å gjennomføre en begrenset kjøring av reell AI‑trening med den teknologien.

For dette kan nye algoritmer inspirert av kvantearkitekturer designes, som oppnår bedre ytelse.

“Dette innebærer at eksisterende kvantecomputere kan vise god ytelse uten nødvendigvis å gå utover den mest avanserte teknologien”

Zhenghao Yin – PhD‑student ved Universitetet i Wien.

Hvordan kvante‑fotoni reduserer AI‑energiforbruket

Fotoniske plattformer kan levere samme eller bedre beregningsresultat med mye lavere energiforbruk. Ettersom energi stadig blir flaskehalsen i AI‑industrien, mer enn beregningskapasitet eller innovasjoner, kan dette gjøre bruken av kvante‑fotonisk datamaskin spesielt viktig.

“Dette kan vise seg avgjørende i fremtiden, gitt at maskinlæringsalgoritmer blir urealistiske på grunn av for høyt energibehov”

Iris Agresti – PhD‑student ved Universitetet i Wien.

Fanget‑ion vs. supraledende kvanteteknologi: Hva blir neste?

Dette kan ha viktige konsekvenser for retningen til kvanteberegningsindustrien.

Hittil har feltet vært delt mellom fanget‑ion‑teknologi, med høy pålitelighet, men lav kvanteberegningskapasitet (qubit) per enhet, versus mer komplekse design som baserer seg på supraledning, som hittil er svært støyende, men som også er mer sannsynlig å bli skalerbare til et stort antall qubiter.

Forskningen ble utført i et svært nært partnerskap med Quantinuum, med 4 av 12 forskere i artikkelen ansatt i dette selskapet. Som spesialist på fanget‑ion‑teknologi gir det mening for Quantinuum å lete etter en situasjon hvor det lave antallet qubiter i deres datamaskiner allerede kan utføre et relevant forretningscase.

Hvis dette viser seg å være sant, kan det gjøre selskapet til en nøkkelleverandør av beregningskapasitet til AI‑industrien, kanskje etterlignende minst en del av Nvidias (NVDA ) prestasjoner.

Investere i kvanteberegning

Honeywell / Quantinuum

Quantinuum er resultatet av fusjonen mellom Honeywell Quantum Solutions og Cambridge Quantum.

Honeywell forblir selskapets majoritetsaksjonær (antagelig 52% eierskap) etter en kapitalinnhentingsrunde som verdsatte det til $5 milliarder. Grunnlegger Ilyas Khan skal eie omtrent 20% av selskapet. Andre aksjonærer inkluderer JSR Corporation, Mitsui, Amgen (AMGN ), IBM og JP Morgan.

Et potensielt børsnotering av Quantinuum i fremtiden, muligens som en del av en større bedriftsrestrukturering, anslås å kunne være verdt opptil $20 milliarder og kan finne sted mellom 2026 og 2027.

Kvanteberegning er ikke den sentrale delen av Honeywells virksomhet, som i større grad fokuserer på produkter innen romfart, automatisering, og spesialkjemikalier & materialer.

Hvert av disse områdene kan imidlertid dra nytte av kvanteberegning, spesielt beregningskjemi og kvante‑cybersikkerhet, noe som potensielt gir Honeywell en fordel over sine konkurrenter.

Selskapets hovedmodell for nå er H2, en fanget‑ion‑chip med 56 qubiter, med 99,895 % to‑qubit‑gate‑fidelitet.

Selskapet har forfulgt høy‑kvalitetsberegning med svært få feil mer enn å legge til så mange qubiter som mulig, og skapt det som kalles «feiltolerant kvanteberegning».

Denne tilnærmingen er merket av selskapet som «Bedre qubiter, bedre resultater», med et tilsvarende antall qubiter som oppnår 100‑ til 1 000‑ganger mer pålitelige resultater.

Source: Quantinuum

Dette kan spesielt gjøre en forskjell i det akutt nødvendige kvante‑resistente kryptografiet, med forsvarsselskapet Thales (HO.PA -0,96%) allerede i samarbeid med Quantinuum så vel som den internasjonale bankens HSBC og JP Morgan.

Quantinuum tilbyr også sin proprietære kvante‑beregningskjemi InQuanto, som kan brukes til farmasøytisk, materialvitenskap, kjemikalier, energi og romfartsapplikasjoner.

Som mange andre kvanteberegningsselskaper, tilbyr Quantinuum Helios, en «hardware‑as‑a‑service», som gjør det mulig for brukere å dra nytte av kvanteberegning uten å måtte håndtere kompleksiteten ved å operere systemet selv.

Quantinuum signerte i november 2024 et partnerskap med tyske Infineon, Europas største halvlederprodusent. Infineon vil bidra med sin integrerte fotonikk- og kontroll‑elektronikkteknologi for å hjelpe til med å skape neste generasjon av fanget‑ion‑kvantecomputere.

Ettersom integrert fotonikk nærmer seg praktiske bruksområder, blir det nå klart hvor viktig dette partnerskapet kan være for Quantinuums fremtid. På dette tidspunktet ser det ut til at neste steg for selskapet vil være å lansere verdens første AI‑fokuserte fotonikk‑kvante‑chip.

I de kommende månedene vil Quantinuum dele resultater fra pågående samarbeid, og vise det banebrytende potensialet til kvante‑drevet fremgang innen generativ AI.

Den innovative Gen QAI‑kapasiteten vil forbedre og akselerere bruken av metallorganiske rammeverk for legemiddellevering, og bane vei for mer effektive og personaliserte behandlingsalternativer, med detaljer som vil bli avduket ved lanseringen av Helios.

Quantinuum kunngjør generativ kvante‑AI‑gjennombrudd med enorm kommersiell potensial

Kunngjøringen i denne publikasjonen er en del av en rekke nyheter knyttet til den raske utviklingen av AI‑kvanteberegningsforbindelsen gjort hos Quantinuum.

Flere pågående bruksområder kan sterkt øke selskapets fremtidige verdi, og dermed Honeywells posisjon i det og den potensielle fortjenesten investorene kan oppnå.

Siste Honeywell / Quantinuum (HON) aksjenyheter og utviklinger

Studie referert

^{1. Yin, Z., Agresti, I., de Felice, G. et al. Eksperimentell kvanteforsterket kjerne‑basert maskinlæring på en fotonisk prosessor. Nature Photonics. (2025). https://doi.org/10.1038/s41566-025-01682-5}