Har kvantberäkning ett första verkligt användningsfall?

Kvant, AI och fotonik: En ny datorrevolution

Dator- och informationsteknik genomgår flera tekniska revolutioner samtidigt: framväxten av AI, framväxten av kvantberäkning och vändningen till fotonik för att övervinna begränsningarna hos klassisk kiselberäkning.

Hittills har var och en av dessa nya sektorer mestadels arbetat i isolerade silos: AI-utbildning och databehandling utförs på klassiska kiselchips, kvantberäkning strävar efter att förbättra sin teknik tills den kan hitta en praktisk användning, och fotonikteknik experimenterar fortfarande med design och tillämpningar.

Det är kanske föga förvånande att det är genom att slå samman dessa områden som nya möjligheter uppstår. Det verkar som att kvantberäkningar kanske just har funnit ett praktiskt användningsfall och inte ens behöver förbättras ytterligare för att vara användbara.

Forskare vid Vienna Center for Quantum Science and Technology (VCQ) (Österrike), Politecnico di Milano (Italien), Consiglio Nazionale delle Ricerche (IFN-CNR) (Italien) och företaget Quantinuum (Storbritannien) har upptäckt att befintliga kvantdatorer skulle kunna överträffa klassiska datorer inom AI-utbildning med hjälp av en fotonisk processor.

De publicerade sina resultat i Nature Photonics¹, under rubriken "Experimentell kvantförstärkt kärnbaserad maskininlärning på en fotonisk processor".

Varför AI-utbildning och kvantberäkning har begränsningar

AI-utbildningens stigande kostnader och energibehov

AI-tekniken har nyligen gjort enorma framsteg. Detta uppnåddes dock endast genom användning av ofattbara mängder datorkraft, som förbrukade tiotals miljarder dollar i chips och elektricitet.

Visst kan vissa framsteg göras vad gäller effektivitet, vilket demonstrerats av DeepSeek AI tränad med extremt låg kostnad inom både databehandling och pengaroch slår sina västerländska konkurrenter med en storleksordning. Men i slutändan kommer mjukvaruförbättringar bara att räcka en bit på vägen för att göra AI-utbildning mindre beräkningsmässigt och energikrävande.

Kvantberäkningens skalbarhets- och brusutmaningar

Samtidigt är kvantberäkning en lovande teknik, men den lider hittills av en allvarlig brist. Det extremt bräckliga tillståndet hos materian som måste bibehållas för att kvantberäkning ska fungera gör den både dyr och inte särskilt skalbar.

Det betyder också att de erhållna resultaten är "bullriga", med regelbundna fel, förseningar och otillförlitliga resultat.

Även här kan innovationer innebära att antingen ett nätverk av mindre kvantdatorer or en ny hårdvaruarkitektur, som använder ett nytt materietillstånd som kallas topoledare, vilket möjliggör skalbarhet, skulle kunna lösa problemet.

Tills det bekräftas har detta ändå ifrågasatt relevansen av kvantberäkning, fortfarande en teknik som söker efter ett praktiskt användningsfall som är ekonomiskt vettigt.

Kvantförstärkta kärnmetoder för AI

Hur kvantkärnor ger maskininlärning dimensionell kraft

Kärnmetoder är flitigt använda verktyg inom maskininlärning och använder en matematisk metod för att lägga till dimensioner till en datauppsättning för bättre identifiering av dolda mönster.

Källa: MDPI

Detta innebär naturligtvis ganska komplex matematik, som i stort sett bara kommer att vara förståelig för en begränsad grupp specialister som redan arbetar inom detta område. Du kan se en visuell representation av hur det fungerar i den här videon:

Och sådana komplexa beräkningar skulle kunna passa perfekt för kvantdatorernas unika kapacitet.

Fotoniska processorer möter kvantkärnor för AI

En integrerad fotonisk processor, skapad via femtosekundlaserskrivning på ett borosilikatglassubstrat, användes för detta experiment för att koda data till ett tillstånd som kan behandlas av en kvantdator.

Källa: Naturfotonik

På så sätt användes kärnor som uppvisade kvantinterferens för beräkningen och jämfördes med klassiska metoder.

Källa: Naturfotonik

Experimentella resultat: Kvant- vs. klassiska kärnor

Forskarna testade fyra olika datamängder, från 40 till 100 datapunkter, där kvantkärnan (i blått) jämfördes med den klassiska kärnan (i orange).

Källa: Naturfotonik

I båda experimenten presterade kvantkärnan bättre än den klassiska beräkningsmodellen.

"Vi fann att vår algoritm begår färre fel än sin klassiska motsvarighet för specifika uppgifter."

Philip Walther – professor vid universitetet i Wien.

Nästa steg mot verklig kvant-AI-träning

Från demo till produktion: Utbildning i kvant-AI

Detta experiment visade att kvantdatorer, som finns idag, kan överträffa klassiska datorer i uppgifter som vanligtvis används inom träning av neurala nätverk.

Det här är en stor sak eftersom man fram till nu antog att endast en mer tillförlitlig kvantdator någonsin skulle kunna användas för den här typen av tillämpning. Nu när detta experimentellt har bevisats inte vara sant, blir nästa steg att även i begränsad omfattning utföra verklig AI-träning med den tekniken.

För detta skulle nya algoritmer inspirerade av kvantarkitekturer kunna utformas, vilket skulle ge bättre prestanda.

"Detta innebär att befintliga kvantdatorer kan visa goda prestanda utan att nödvändigtvis gå utöver den senaste tekniken"

Zhenghao Yin – doktorand vid Wiens universitet.

Hur kvantfotonik minskar AI-energianvändningen

Fotoniska plattformar kan prestera samma eller en överlägsen beräkningskapacitet med en mycket lägre energiförbrukning. Eftersom energi i allt högre grad blir flaskhalsen i AI-industrin, mer än beräkningskapacitet eller innovationer, kan detta göra användningen av kvantfotoniska datorupptäckter särskilt viktig.

"Detta kan visa sig avgörande i framtiden, med tanke på att maskininlärningsalgoritmer blir ogenomförbara på grund av alltför höga energibehov."

Iris Agresti – doktorand vid Wiens universitet.

 Infångad jon vs. supraledande kvantteknik: Vad kommer härnäst?

Det kan få viktiga konsekvenser för kvantberäkningsindustrins riktning.

Hittills har området delats upp mellan infångad jon-teknik, med hög tillförlitlighet men låg kvantberäkningskapacitet (qubit) per enhet, och mer komplexa konstruktioner som förlitar sig på supraledning, hittills mycket bullriga, men som också är mer benägna att i slutändan vara skalbara till en stor qubit-volym.

Forskningen genomfördes i ett mycket nära samarbete med Quantinuum, där fyra av tolv forskarna i artikeln arbetar på företaget. Som specialist på fångade jonteknik är det klokt för Quantinuum att leta efter en situation där deras datorers låga antal qubits redan kan utgöra ett relevant affärsmål.

Om detta visar sig vara sant kan det göra företaget till en viktig leverantör av datorkapacitet till AI-industrin, kanske imitera åtminstone en bråkdel av Nvidias. (NVDA ) prestationer.

Investeringar i kvantberäkning

Honeywell / Quantinuum

Quantinuum är resultatet av sammanslagningen av Honeywell Quantum Solutions och Cambridge Quantum.

Honeywell är fortfarande majoritetsägare i företaget (troligen 52 % ägande) efter en insamlingsrunda som värderade den till $5 miljarderGrundaren Ilyas Khan rapporteras äga cirka 20 % av företaget. Andra aktieägare inkluderar JSR Corporation, Mitsui, Amgen, IBM och JP Morgan.

En potentiell börsnotering av Quantinuum i framtiden, potentiellt som en del av en större företagsomstrukturering, uppskattas vara värd så mycket som $20 miljarder och kan inträffa mellan 2026 och 2027.

Kvantberäkning är inte den centrala delen av Honeywells verksamhet, utan mer centrerad kring produkter inom flyg- och rymdteknik, automation samt specialkemikalier och material.

Var och en av dessa områden kan dock dra nytta av kvantberäkning, särskilt beräkningskemi och kvantcybersäkerhet, vilket potentiellt ger Honeywell en fördel gentemot sina konkurrenter.

Företagets huvudmodell för närvarande är H2, ett 56-qubits-chip med fångade joner, med 99.895 % två-qubits gate-trohet.

Företaget har strävat efter högkvalitativ databehandling med väldigt lite fel snarare än att lägga till så många qubits som möjligt, vilket skapar en så kallad "feltolerant kvantberäkning".

Denna metod kallas av företaget "Bättre qubits, bättre resultat", där ett liknande antal qubits uppnår 100–1,000 XNUMX gånger mer tillförlitliga resultat.

Källa: Kvantinuum

Detta skulle särskilt kunna göra skillnad i den akut nödvändiga kvantresistenta kryptografin, med försvarsföretaget Thales (HO.PA -0.96 %) redan samarbetar med Kvantinuum såväl som den internationella bankens HSBC och JP Morgan.

Quantinuum erbjuder också sin egenutvecklade kvantberäkningskemi InQuanto, användbar för läkemedel, materialvetenskap, kemikalier, energi och rymdtillämpningar.

Precis som många andra kvantdatorföretag, Quantinuum erbjuder Helios, "hårdvara som en tjänst", vilket gör det möjligt för användare att dra nytta av kvantberäkning utan att behöva ta itu med komplexiteten i att använda systemet själva.

Quantinuum tecknade i november 2024 ett partnerskap med tyska Infineon, Europas största halvledartillverkare. Infineon kommer att ta med sin integrerade fotonik- och styrelektronikteknik för att hjälpa till att skapa nästa generation av fångade-jonkvantdatorer.

I takt med att integrerad fotonik närmar sig praktiska användningsområden blir det nu tydligt hur viktigt detta partnerskap kan vara för Quantinuums framtid. Vid det här laget verkar det som att nästa steg för företaget blir att släppa världens första AI-fokuserade fotonik-kvantchip.

Under de kommande månaderna kommer Quantinuum att dela resultat från pågående samarbeten och visa upp den banbrytande potentialen hos kvantdrivna framsteg inom generativ AI.

Den innovativa Gen QAI-funktionen kommer att förbättra och påskynda användningen av metalliska organiska ramverk för läkemedelsleverans, vilket banar väg för mer effektiva och personliga behandlingsalternativ, med detaljer som kommer att presenteras vid lanseringen av Helios.

Quantinuum tillkännager generativt genombrott inom kvant-AI med massiv kommersiell potential

Tillkännagivandet i denna publikation är en del av en rad nyheter relaterade till de snabba framstegen för kopplingen mellan AI och kvantberäkning som gjorts på Quantinuum.

Fler pågående användningsfall kan kraftigt öka företagets framtida värde, och därför kan Honeywells stack i det och potentiella vinster som investerare kan göra på det.

Senaste nyheterna och utvecklingen för Honeywell / Quantinuum (HON)-aktien

Studierefererad

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