Har kvantdatorer ett första verkligt användningsfall?

Kvant, AI & Fotonik: En ny datorteknologirevolution

Dator- och informationsteknik genomgår flera teknologiska revolutioner samtidigt: AI:s framväxt, kvantdatorns uppkomst och övergången till fotonik för att övervinna begränsningarna i klassisk kiselbaserad databehandling.

Hittills har var och en av dessa nya sektorer mestadels verkat i isolerade silos: AI‑träning och -beräkning utförs på klassiska kiselchips, kvantdatorn försöker förbättra sin teknik tills den kan hitta ett praktiskt användningsområde, och fotoniktekniken experimenterar fortfarande med designer och tillämpningar.

Kanske förvåningslöst kan det vara så att nya möjligheter uppstår genom att förena dessa fält. Det verkar som om kvantdatorn just har hittat ett praktiskt användningsfall och inte ens behöver ytterligare förbättringar för att vara användbar.

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 kan överträffa klassiska datorer i AI‑träning genom att använda en fotonisk processor.

De publicerade sina resultat i Nature Photonics¹, under titeln “Experimentell kvantförstärkt kernel‑baserad maskininlärning på en fotonisk processor”.

Varför AI‑träning och kvantdatorer möter begränsningar

AI‑tränings ökande kostnader och energikrav

På senare tid har AI‑teknologin gjort enorma framsteg. Detta har dock uppnåtts endast genom användning av enorma mängder beräkningskraft, vilket har kostat tiotals miljarder dollar i chip och el.

Visst kan viss förbättring uppnås i effektivitet, som demonstrerats av DeepSeek AI som tränats med extremt låga kostnader både i beräkning och pengar, vilket slår dess västerländska konkurrenter med en storleksskala. Men ändå, i slutändan kan mjukvaruförbättringar bara gå så långt när det gäller att göra AI‑träning mindre beräknings- och energikrävande.

Kvantdatorns skalbarhet och brusutmaningar

Samtidigt är kvantdatorn en lovande teknik, men har hittills lidit av ett kritiskt fel. Det extremt sköra tillståndet av materia som måste upprätthållas för att kvantdatorn ska fungera innebär att den både är dyr och inte särskilt skalbar.

Det innebär också att resultaten blir ”brusiga”, med regelbundna fel, fördröjningar och opålitliga resultat.

Här också kan innovationer innebära att antingen ett nätverk av mindre kvantdatorer eller en ny hårdvarudesignarkitektur, som använder ett nytt materietillstånd kallat topokonduktorer, vilket möjliggör skalbarhet, kan lösa problemet.

Tills detta bekräftas har det ändå satt frågetecken på relevansen av kvantdatorer, som fortfarande är en teknik i sökandet efter ett praktiskt användningsfall som är ekonomiskt meningsfullt.

Kvantförstärkta kernel‑metoder för AI

Hur kvant‑kernlar tillför dimensionskraft till maskininlärning

Kernel‑metoder är allmänt använda verktyg inom maskininlärning och använder en matematisk metod för att lägga till dimensioner till en datamängd för bättre identifiering av dolda mönster.

Källa: MDPI

Detta innebär naturligtvis ganska komplex matematik, som främst kommer att vara förståelig för ett begränsat antal 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 kan vara en perfekt match för de unika kapaciteterna hos kvantdatorer.

Fotoniska processorer möter kvant‑kernlar för AI

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

Källa: Nature Photonics

På detta sätt användes kernlar som visar kvantinterferens för beräkningen och jämfördes med klassiska metoder.

Källa: Nature Photonics

Experimentella resultat: Kvant‑vs. klassiska kernlar

Forskarnas testade fyra olika datasetstorlekar, från 40 till 100 datapunkter, där den kvant‑kernel (i blått) jämfördes med den klassiska kernel (i orange).

Källa: Nature Photonics

I båda experimenten presterade den kvant‑kernel bättre än den klassiska beräknings‑kernel.

“Vi fann att för specifika uppgifter gör vår algoritm färre fel än dess klassiska motsvarighet.”
Philip Walther – professor vid universitetet i Wien.

Nästa steg mot verklig kvant‑AI‑träning

Från demo till produktion: Kvant‑AI‑träning

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

Detta är betydelsefullt eftersom man tidigare antog att endast en mer pålitlig kvantdator någonsin skulle kunna användas för denna typ av tillämpning. Nu när detta experimentellt har visat sig vara falskt, blir nästa steg att genomföra även en begränsad körning av verklig AI‑träning med den tekniken.

För detta kan nya algoritmer inspirerade av kvantarkitekturer designas, vilket ger bättre prestanda.

“Detta innebär att befintliga kvantdatorer kan visa god prestanda utan att nödvändigtvis gå bortom den senaste tekniken”
Zhenghao Yin – doktorand vid universitetet i Wien.

Hur kvant‑fotonik minskar AI:s energiförbrukning

Fotonikplattformar kan leverera samma eller en överlägsen beräkningskapacitet med mycket lägre energiförbrukning. Eftersom energi alltmer blir flaskhalsen för AI‑industrin, mer än beräkningskapacitet eller innovationer, kan detta göra användningen av kvant‑fotoniska datorer särskilt viktig.

“Detta kan visa sig avgörande i framtiden, med tanke på att maskininlärningsalgoritmer blir ogenomförbara på grund av de för höga energikravet”.
Iris Agresti – doktorand vid universitetet i Wien.

 Fångad‑jon vs. supraledande kvantteknik: Vad blir nästa?

Det kan få viktiga konsekvenser för riktningen av kvantdatorindustrin.

Hittills har fältet delats mellan fångad‑jon‑teknik, med hög tillförlitlighet men låg kvantdatorkapacitet (qubit) per enhet, och mer komplexa designer som förlitar sig på supraledning, som hittills är mycket brusiga men som också sannolikt kan skalas upp till en stor qubit‑volym.

Forskningen genomfördes i ett mycket nära samarbete med Quantinuum, där 4 av 12 forskare i artikeln arbetar på detta företag. Som specialist på fångad‑jon‑teknik är det logiskt för Quantinuum att söka en situation där det låga antalet qubits i deras datorer redan kan utföra ett relevant affärsscenario.

Om detta visar sig vara sant, kan det göra företaget till en nyckelleverantör av beräkningskapacitet till AI‑industrin, kanske efterlikna åtminstone en del av Nvidias (NVDA ) framgångar.

Investera i kvantdatorer

Honeywell / Quantinuum

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

Honeywell förblir företagets majoritetsägare (troligen 52 % ägande) efter en kapitalrunda som värderade det till 5 miljarder dollar. Grundaren Ilyas Khan sägs äga cirka 20 % av företaget. Andra aktieägare inkluderar JSR Corporation, Mitsui, Amgen (AMGN ), IBM och JP Morgan.

En potentiell börsintroduktion av Quantinuum i framtiden, eventuellt som en del av en större företagsomstrukturering, beräknas vara värd upp till 20 miljarder dollar och kan ske mellan 2026 och 2027.

Kvantdatorer är inte den centrala delen av Honeywells verksamhet, som snarare är inriktad på produkter inom flyg- och rymd, automation samt specialkemikalier & material.

Var och en av dessa domäner kan dock dra nytta av kvantdatorer, särskilt beräkningskemi och kvant‑cybersäkerhet, vilket potentiellt ger Honeywell ett försprång gentemot sina konkurrenter.

Företagets huvudsakliga modell för närvarande är H2, ett fångad‑jon‑chip med 56 qubits och 99,895 % två‑qubit‑gate‑fidelitet.

Företaget har strävat efter högkvalitativ beräkning med mycket få fel snarare än att bara lägga till så många qubits som möjligt, vilket skapar en så kallad ”fel‑tolerant kvantdator”.

Denna metod benämns av företaget ”Bättre qubits, bättre resultat”, där ett liknande antal qubits ger 100‑ till 1 000‑gånger mer pålitliga resultat.

Källa: Quantinuum

Detta kan särskilt göra skillnad för den akut behövda kvant‑resistenta kryptografin, med försvarsföretaget Thales (HO.PA -0,96 %) redan samarbetar med Quantinuum samt den internationella bankens HSBC och JP Morgan.

Quantinuum erbjuder också sin proprietära kvant‑beräkningskemi InQuanto, som kan användas för läkemedel, materialvetenskap, kemikalier, energi och flyg‑ och rymdtillämpningar.

Liksom många andra kvantdatorföretag, erbjuder Quantinuum Helios, en ”hardware‑as‑a‑service”, vilket gör det möjligt för användare att dra nytta av kvantdatorer utan att behöva hantera komplexiteten …

Quantinuum skrev i november 2024 ett partnerskap med tyska Infineon, Europas största halvledartillverkare. Infineon kommer att bidra med sin integrerade fotonik och styr‑elektronik för att hjälpa till att skapa nästa generation av fångad‑jon‑kvantdatorer.

Eftersom integrerad fotonik närmar sig praktiska användningsfall blir det nu tydligt hur viktig detta partnerskap kan vara för Quantinuums framtid. Vid denna tidpunkt verkar nästa steg för företaget vara att släppa världens första AI‑inriktade fotonik‑kvant‑chip.

Under de kommande månaderna kommer Quantinuum att dela resultat från pågående samarbeten, vilket visar den banbrytande potentialen i kvant‑drivna framsteg inom generativ AI.

Den innovativa Gen QAI‑kapaciteten kommer att förbättra och påskynda användningen av metall‑organiska ramverk för läkemedelsleverans, vilket banar väg för mer effektiva och personliga behandlingsalternativ, med detaljer som kommer att avslöjas vid lanseringen av Helios.

Quantinuum tillkännager generativ kvant‑AI‑genombrott med enorm kommersiell potential

Tillkännagivandet i denna publikation är en del av en rad nyheter relaterade till den snabba utvecklingen av AI‑kvantdator‑kopplingen som gjorts på Quantinuum.

Fler pågående användningsfall kan starkt öka företagets framtida värde, och därmed Honeywells andel i det samt den potentiella vinst som investerare kan göra på det.

Senaste Honeywell / Quantinuum (HON) Aktnyheter och Utveckling

Studie Refererad

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