Bilim insanları, makine öğrenmesi algoritmalarını çalıştırmak için kuantum hesaplama tabanlı yeni bir teknik geliştirdiklerini ve bu tekniğin günümüzün en gelişmiş klasik bilgisayarlarını geride bıraktığını duyurdu.
Yayınlanan bir araştırmada detayları paylaşılan bu çığır açan çalışma, bir kuantum fotonik devresine ve özel olarak tasarlanmış bir makine öğrenmesi algoritmasına dayanıyor.
Araştırmacılar, sadece iki foton kullanarak geliştirdikleri bu teknikle, makine öğrenmesi algoritmalarını çalıştırmada hız, doğruluk ve verimlilik açısından standart klasik hesaplama yöntemlerine kıyasla önemli bir artış sağladıklarını gösterdi.
Bilim insanlarına göre bu, kuantum makine öğrenmesinin gerçek dünya problemlerine uygulandığı ilk örneklerden biri ve ikili (binary) bilgisayarlar kullanılarak simüle edilemeyecek faydalar sunuyor. Ayrıca, yeni mimarisi sayesinde yalnızca tek bir kubit içeren kuantum sistemlerine bile uygulanabilir olduğu belirtildi.
Mevcut birçok hibrit kuantum-klasik hesaplama yönteminin aksine, bu yeni yöntem karmaşık "dolaşık" geçitler gerektirmiyor. Bunun yerine, foton enjeksiyonu yöntemine dayanıyor.
Araştırma ekibi, bir veri kümesindeki veri noktalarını sınıflandırmak için özel bir lazer ve cam yüzey kullandı. Fotonlar daha sonra altı farklı konfigürasyonda enjekte edildi ve bu veriler hibrit bir kuantum-ikili sistem tarafından işlendi.
Bilim insanları, fotonik kuantum hesaplamasının klasik yöntemlere göre ne kadar üstün olduğunu belirlemek için fotonların kuantum devresini tamamlamasının ne kadar sürdüğünü ölçtü. Kuantum işlemenin fayda sağladığı süreçleri izole edip, sonuçları klasik hesaplama çıktılarla karşılaştırdılar.
Sonuçlar, fotonik kuantum devresi kullanılarak yapılan deneylerin, yalnızca klasik hesaplama teknikleriyle yapılanlardan daha hızlı, daha doğru ve daha enerji verimli olduğunu ortaya koydu. Bu performans artışı, "çekirdek tabanlı makine öğrenmesi" (kernel-based machine learning) adı verilen özel bir makine öğrenmesi sınıfı için geçerli ve veri sıralama gibi birçok alanda uygulama potansiyeli taşıyor.
Son on yılda derin sinir ağları makine öğrenmesi için daha popüler hale gelse de, çekirdek tabanlı sistemler son yıllarda nispeten daha basit yapıları ve küçük veri kümeleriyle çalışırken sağladıkları avantajlar nedeniyle yeniden ilgi görüyor.
Ekibin deneyi, doğal dil işleme ve diğer denetimli öğrenme modelleri gibi alanlarda daha verimli algoritmaların geliştirilmesine öncülük edebilir.
Belki de en önemlisi, bu çalışma hibrit bilgisayar sistemlerinde kuantum bilgisayarların üstün geldiği görevleri belirlemek için yeni bir yöntem sunuyor.
Araştırmacılar, kullanılan tekniklerin ölçeklenebilir olduğunu, yani foton veya kubit sayısı arttıkça daha da iyi performans elde edilebileceğini belirtiyor. Bu durum, giderek artan güç tüketimi kısıtlamalarıyla karşı karşıya kalan günümüz modellerinin sınırlarını aşabilecek makine öğrenmesi sistemleri geliştirmeyi mümkün kılabilir.
Araştırmacılar, geliştirdikleri tekniklerin "fotonik işlemcilerin standart makine öğrenmesi yöntemlerinin performansını artırmak için kullanıldığı hibrit yöntemlere kapı aralayacağını" iddia ediyor.
