Mayroon Ba ang Quantum Computing ng Unang Real-World na Kaso ng Paggamit?

Quantum, AI & Photonics: Isang Bagong Rebolusyon sa Pagkokompyut

Ang mga teknolohiya ng kompyut at impormasyon ay sabay-sabay na dumadaan sa ilang makabagong rebolusyon: ang pag-usbong ng AI, ang paglitaw ng quantum computing, at ang paglipat sa photonics upang lampasan ang mga limitasyon ng klasikong silicon computing.

Sa ngayon, ang bawat isa sa mga bagong sektor na ito ay karamihan ay gumagana nang hiwalay: ang pagsasanay at pagkompyut ng AI ay isinasagawa sa mga klasikong silicon chip, ang quantum computing ay naghahangad na paunlarin ang teknolohiya nito hanggang makahanap ng praktikal na gamit, at ang teknolohiyang photonics ay patuloy pa ring nagsusubok sa mga disenyo at aplikasyon.

Marahil hindi nakakagulat, maaaring ito ay dahil sa pagsasama ng mga larangang ito na lumilitaw ang mga bagong posibilidad. Mukhang natagpuan na ng quantum computing ang isang praktikal na kaso ng paggamit, at hindi na kailangan pang pagbutihin bago ito maging kapaki-pakinabang.

Natuklasan ng mga mananaliksik sa Vienna Center for Quantum Science and Technology (VCQ) (Austria), Politecnico di Milano (Italy), Consiglio Nazionale delle Ricerche (IFN-CNR) (Italy), at ng kumpanyang Quantinuum (UK) na ang umiiral na mga quantum computer ay maaaring higitan ang klasikong computer sa pagsasanay ng AI, gamit ang isang photonic processor.

Inilathala nila ang kanilang mga resulta sa Nature Photonics¹, sa pamagat na “Experimental quantum-enhanced kernel-based machine learning on a photonic processor”.

Why AI Training and Quantum Computing Limits

AI Training’s Soaring Costs and Energy Demands

Kamakailan, ang teknolohiyang AI ay nakamit ang napakalaking pag-unlad. Gayunpaman, ito ay naabot lamang sa pamamagitan ng paggamit ng napakalaking kapangyarihan sa kompyut, na kumukonsumo ng sampu-sampung bilyong dolyar sa mga chip at kuryente.

Tiyak na may puwang para sa pagbuti sa kahusayan, tulad ng ipinakita ng DeepSeek AI na sinanay gamit ang napakababang gastos sa parehong kompyut at pera, na nilalampasan ang mga Kanluraning kakompetensya ng isang order ng magnitude. Ngunit sa huli, ang pagpapabuti ng software ay may hangganan lamang sa pagpapababa ng pangangailangan sa kompyut at enerhiya para sa pagsasanay ng AI.

Quantum Computing’s Scalability and Noise Challenges

Samantala, ang quantum computing ay isang pangakong teknolohiya, ngunit hanggang ngayon ay nagtataglay ng isang nakamamatay na kahinaan. Ang napakapanipis na estado ng materyal na kailangang mapanatili para gumana ang quantum computing ay nagreresulta sa pagiging magastos at hindi gaanong scalable.

Ibig sabihin din nito na ang mga resulta ay “maingay”, na may regular na mga error, pagkaantala, at hindi maaasahang mga kinalabasan.

Dito rin, maaaring magdala ng inobasyon kung ang isang network ng mas maliliit na quantum computer o isang bagong arkitektura ng hardware, gamit ang bagong estado ng materyal na tinatawag na topoconductors, na nagpapahintulot ng scalability, ay maaaring lutasin ang problema.

Hanggang sa ito ay mapatunayan, inilalagay nito sa tanong ang kahalagahan ng quantum computing, na nananatiling teknolohiyang naghahanap ng praktikal na kaso ng paggamit na may ekonomikong katwiran.

Quantum-Enhanced Kernel Methods for AI

How Quantum Kernels Add Dimensional Power to Machine Learning

Ang mga kernel method ay malawakang ginagamit na kasangkapan sa machine learning, at gumagamit ng matematikal na pamamaraan ng pagdaragdag ng mga dimensyon sa isang dataset para sa mas mahusay na pagtuklas ng mga nakatagong pattern.

Pinagmulan: MDPI

Syempre, ito ay nangangailangan ng medyo komplikadong matematika, na karamihan ay mauunawaan lamang ng limitadong bilang ng mga espesyalista na nagtatrabaho na sa larangang ito. Maaari mong makita ang visual na representasyon kung paano ito gumagana sa video na ito:

At ang ganitong komplikadong kalkulasyon ay maaaring perpektong akma sa natatanging kakayahan ng mga quantum computer.

Photonic Processors Meet Quantum Kernels for AI

Isang integrated photonic processor, na nilikha sa pamamagitan ng femtosecond laser writing sa borosilicate glass substrate, ang ginamit sa eksperimentong ito upang i-encode ang data sa isang estado na maaaring iproseso ng quantum computer.

Pinagmulan: Nature Photonics

Sa ganitong paraan, ang mga kernel na nagpapakita ng quantum interference ay ginamit para sa kalkulasyon at ikinumpara sa mga klasikong pamamaraan.

Pinagmulan: Nature Photonics

Experimental Results: Quantum vs. Classical Kernels

Sinubukan ng mga siyentipiko ang apat na magkakaibang laki ng dataset, mula 40 hanggang 100 data points, kung saan ang quantum kernel (sa asul) ay ikinumpara sa classical kernel (sa kahel).

Pinagmulan: Nature Photonics

Sa parehong mga eksperimento, ang quantum kernel ay nagpakita ng mas mahusay na pagganap kaysa sa klasikong kernel.

“Natuklasan naming para sa ilang tiyak na gawain, ang aming algorithm ay nagkakamali nang mas kaunti kaysa sa klasikong katapat nito.”

Philip Walther – Propesor sa University of Vienna.

Next Steps Toward Real-World Quantum AI Training

Moving From Demo to Production: Quantum AI Training

Ipinakita ng eksperimentong ito na ang mga quantum computer, na umiiral na ngayon, ay maaaring higitan ang mga klasikong computer sa mga gawain na karaniwang ginagamit sa pagsasanay ng neural network.

Isang malaking bagay ito dahil hanggang ngayon, inakala na tanging mas maaasahang quantum computer lamang ang maaaring magamit para sa ganitong uri ng aplikasyon. Ngayon na napatunayan na ito ay hindi totoo, ang susunod na hakbang ay magsagawa ng limitadong pagsasanay ng AI gamit ang teknolohiyang ito.

Para dito, maaaring magdisenyo ng mga bagong algorithm na inspirasyon ng quantum architectures, na magdadala ng mas magagandang performance.

“Ipinapahiwatig nito na ang umiiral na mga quantum computer ay maaaring magpakita ng magagandang performance nang hindi kinakailangang lampasan ang kasalukuyang antas ng teknolohiya.”

Zhenghao Yin – PhD Student sa University of Vienna.

How Quantum-Photonics Cuts AI Energy Use

Ang mga platform ng photonics ay maaaring maghatid ng kapareho o mas mahusay na output sa kompyut na may napakababang konsumo ng enerhiya. Habang ang enerhiya ay patuloy na nagiging hadlang sa industriya ng AI, higit pa kaysa sa kapasidad ng kompyut o inobasyon, maaaring maging napakahalaga ito para sa paggamit ng quantum-photonic computer.

“Maaari itong maging kritikal sa hinaharap, dahil ang mga algorithm ng machine learning ay nagiging hindi praktikal dahil sa sobrang mataas na pangangailangan sa enerhiya.”

Iris Agresti – PhD Student sa University of Vienna.

 Trapped-Ion vs. Superconducting Quantum Tech: What Comes Next?

Maaaring magdala ito ng mahahalagang epekto sa direksyon ng industriya ng quantum computing.

Sa ngayon, ang larangan ay nahahati sa pagitan ng teknolohiyang trapped-ion, na may mataas na pagiging maaasahan ngunit mababang kapasidad ng quantum computing (qubit) bawat device, laban sa mas kumplikadong mga disenyo na umaasa sa superconductivity, na hanggang ngayon ay napaka-noisy, ngunit mas malamang na maging scalable sa malaking dami ng qubit.

Ang pananaliksik ay ginawa sa napakalapit na pakikipagtulungan sa Quantinuum, kung saan 4 sa 12 na siyentipiko sa artikulo ay nagtatrabaho sa kumpanyang ito. Bilang isang espesyalista sa teknolohiyang trapped-ion, makatuwiran para sa Quantinuum na humanap ng sitwasyon kung saan ang mababang bilang ng qubit ng kanilang mga computer ay maaaring magsagawa na ng isang mahalagang kaso ng negosyo.

Kung ito ay magkatotoo, maaaring gawing pangunahing tagapagbigay ng kapasidad sa kompyut para sa industriya ng AI ang kumpanya, marahil na tularan ang kahit isang bahagi ng mga tagumpay ng Nvidia (NVDA ).

Investing in Quantum Computing

Honeywell / Quantinuum

Ang Quantinuum ay resulta ng pagsasanib ng Honeywell Quantum Solutions at Cambridge Quantum.

Ang Honeywell ay nananatiling pangunahing shareholder ng kumpanya (tinatayang 52% na pagmamay-ari) matapos ang isang fundraising round na nagbigay ng halaga na $5B. Iniulat na si Founder Ilyas Khan ay may humigit-kumulang 20% ng kumpanya. Kasama sa ibang shareholders ang JSR Corporation, Mitsui, Amgen (AMGN ), IBM, at JP Morgan.

Isang posibleng IPO ng Quantinuum sa hinaharap, marahil bilang bahagi ng mas malaking corporate restructuring, tinatayang maaaring umabot sa $20B at maaring maganap sa pagitan ng 2026 hanggang 2027.

Ang quantum computing ay hindi sentral na bahagi ng negosyo ng Honeywell, na mas nakatuon sa mga produkto sa aerospace, automation, at specialty chemicals & materials.

Ang bawat isa sa mga domain na ito ay maaaring makinabang mula sa quantum computing, lalo na computational chemistry at quantum cybersecurity, na maaaring magbigay ng kalamangan sa Honeywell laban sa mga kakompetensya.

Ang pangunahing modelo ng kumpanya sa ngayon ay ang H2, isang trapped-ion chip na may 56 qubits, na may 99.895% two-qubit gate fidelity.

Ang kumpanya ay naghangad ng mataas na kalidad na kompyut na may napakakaunting error kaysa sa simpleng pagdagdag ng mas maraming qubits, na lumilikha ng tinatawag na “fault-tolerant quantum computing”.

Ang lapit na ito ay tinawag ng kumpanya na “Mas magagandang qubit, mas magagandang resulta”, kung saan ang katulad na dami ng qubits ay nakakamit ng 100-1,000 beses na mas maaasahang resulta.

Pinagmulan: Quantinuum

Ang bagay na ito ay maaaring magdala ng malaking kaibahan sa agarang pangangailangan para sa quantum-resistant cryptography, kung saan ang defense company na Thales (HO.PA -0.96%) ay nakikipagtulungan na sa Quantinuum at pati na rin ang internasyonal na bangkos HSBC at JP Morgan.

Nag-aalok din ang Quantinuum ng kanilang proprietary quantum computational chemistry InQuanto, na magagamit para sa pharmaceuticals, material sciences, chemicals, energy, at aerospace applications.

Tulad ng maraming ibang kumpanya sa quantum computing, nag-aalok ang Quantinuum ng Helios, isang “hardware-as-a-service”, na nagbibigay-daan sa mga gumagamit na makinabang mula sa quantum computing nang hindi kinakailangang harapin ang komplikasyon ng pagpapatakbo ng system mismo.

Nilagdaan ng Quantinuum noong Nobyembre 2024 ang isang pakikipagtulungan sa German Infineon, ang pinakamalaking semiconductor manufacturer sa Europa. Dadalhin ng Infineon ang kanilang integrated photonics at control electronics technology upang tumulong sa paglikha ng susunod na henerasyon ng trapped-ion quantum computers.

Habang ang integrated photonics ay papalapit na sa praktikal na mga kaso ng paggamit, nagiging malinaw kung gaano kahalaga ang pakikipagtulungan na ito para sa hinaharap ng Quantinuum. Sa puntong ito, tila ang susunod na hakbang para sa kumpanya ay ilabas ang kauna-unahang AI-focused photonics-quantum chip sa mundo.

Sa mga susunod na buwan, ibabahagi ng Quantinuum ang mga resulta mula sa patuloy na mga kolaborasyon, na ipinapakita ang makabagong potensyal ng mga quantum-driven na pag-unlad sa Generative AI.

Ang makabagong Gen QAI capability ay magpapahusay at magpapabilis sa paggamit ng Metallic Organic Frameworks para sa drug delivery, na magbubukas ng daan para sa mas epektibo at personalized na mga opsyon sa paggamot, na may mga detalye na ilalantad sa paglulunsad ng Helios.

Quantinuum Announces Generative Quantum AI Breakthrough with Massive Commercial Potential

Ang anunsyo sa publikasyong ito ay bahagi ng sunod-sunod na balita na may kaugnayan sa mabilis na pag-usbong ng koneksyon ng AI at quantum computing na ginawa ng Quantinuum.

Mas marami pang patuloy na mga kaso ng paggamit ang maaaring magpataas nang malaki sa hinaharap na halaga ng kumpanya, at samakatuwid, sa posisyon ng Honeywell at sa potensyal na kita na maaaring makuha ng mga mamumuhunan mula dito.

Latest Honeywell / Quantinuum (HON) Stock News and Developments

Study Referenced

^{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}