A kvantumszámítógépek olyan leendő feladatainak listája, amellyel az emberi élet számtalan területén nagyban elősegíthetik a hatékony munkavégzést, szinte végtelen, de ahhoz, hogy ezek a bonyolult és érzékeny gépek beváltsák a hozzájuk fűzött reményeket, még sok problémát kell megoldani: több qubitot kell integrálni a rendszerekbe, stabilabb, a kvantumállapotukat hosszabb ideig fenntartó kvantumbit-jelölteket kell keresni, a hibajavítási protokollokat finomítani kell és nem utolsó sorban szükséges bizonyítani, hogy a teszteken túllépve, a gyakorlati életben is hasznosíthatóak a kvantumgépek képességei.

Ez utóbbit egyelőre a klasszikus számítógépes metódusokkal való összehasonlítás során lehet legjobban érzékeltetni: amennyiben a jelenlegi, még kevesebb kvantumbittel és több zajjal működő kvantumos rendszerek is túlszárnyalják a korábbi megoldásokat, akkor valószínűsíthető, hogy a jövőben valóban hasznos segítséget tudnak nyújtani a fejlettebb architektúrák. Alapvetően a cégek kétféle kvantumos megoldáson dolgoznak: az egyik maga a kvantumszámítógép, amely kvantum logikai kapukkal működik és a feladatok széles körének elvégzésére képes, a másik a kvantum annealer, ami elsősorban optimalizációs munkákra alkalmas és a qubitok működésének célzott irányításán alapszik, aminek során a kvantumbitek az energiaoptimalizálásuk szempontjából legideálisabb állapotot veszik fel, ezzel bemutatva egy adott környezet energiaminimumát.

Előbbi gépek kevesebb qubittal dolgoznak egyelőre (bár a gyártók egymillió qubitos berendezéseket ígérnek néhány éven/egy évtizeden belül), de bonyolultabb számításokra képesek, utóbbiak már most is többezer kvantumbittel végzik a munkát, de behatároltabb a felhasználási körük. Európa első 5000 qubitos kvantum annealere azonban kifejezetten gyakorlati célokra, ipari felhasználásra készült és egy új kutatás szerint ez a fajta kvantumalapú megoldás valóban eredményesebben működik egy hétköznapi, de fontos felhasználási területen.

A Multiverse Computing és a spanyol IKERLAN technológiai vállalat közös kutatásából kiderült, hogy a kvantumszámítógépen alkalmazott kernel módszer, aminek teljesítményét kvantumos megoldással növelték és a kvantum annealeren működtetett kvantumos osztályozó program precízebben tudta felismerni egy-egy képen a gépkocsik alkatrészhibáit, amiket röntgenképeken mutattak be nekik, mint a klasszikus megfelelőjük.

A hibák akár egészen apró sérülések is lehetnek, de a számítógépes ellenőrzési programok a betanítás után pixelenként vizsgálják át a felvételeket és megfelelő működés esetén fel kell ismerniük a korábban látott nyomokat. Az osztályozás során a hibákat mutató pixeleket felcímkézi az algoritmus és a nem hibás részektől elkülöníti, így két csoportot hoz létre: ez alapján tudja végül felismerni a keresett rendellenességeket. A kísérletben 2727 olyan képpel tanították be az algoritmusokat, amelyeknek egyik csoportjában különféle öntvényhibákat mutatott a felvétel, a másik hibátlan darabokat, a célt pedig az jelentette, hogy képesek legyenek minél precízebben meghatározni, vagyis látni a problémákat. A kvantumos verziókat az IBM kvantumszámítógépének szimulációjával működő QSVM (Quantum Support Vector Machine) és a D-Wave kvantum annealerén futó QBoost algoritmus képviselte, a klasszikus módszert pedig az ezeknek megfeleltethető mélytanulási algoritmusok, az SVM (Support Vector Machine) és az AdaBoost (Adaptive Boosting).

Ahogy az a tesztből kiderült, a QBoost nyújtotta a legjobb teljesítményt az osztályozás során, átlagban 0,9 körüli pontszámot kapott a precizitásra, míg a többi algoritmus 0,8 vagy 0,7 körülit. Bár néhány feladatban a precizitás tekintében nem ez az algoritmus lett az első, de figyelembe véve a későbbi tesztek során nyújtott teljesítményt, ahol a többi metódus sikeressége rendre csökkenő tendenciát mutatott, végül a QBoost bizonyult a leghatékonyabbnak. A kvantumalgoritmus egyetlen hátulütője, hogy a számítások sokkal több időt vesznek igénybe a segítségével, ebben tekintetben a klasszikus programok jócskán megelőzték, de a kutatók leírása szerint ez az online szimulátorprogramokra való kapcsolódáskor tapasztalt késleltetés miatt alakult így, ezért nem számít valódi teljesítménybeli hibának. A kísérlet során azt is felfedezték, hogy bizonyos módszerek, amelyek a felismerést hivatottak elősegíteni, valójában nem fokozzák a produktivitást: a kontraszt növelése például nem járul hozzá a kvantumos gépi látás eredményességéhez, de a futtatási időt emeli.

A QBoost előnye emellett a kvantumszámítógépes QSVM-el szemben is, hogy a vele való számítások elvégzéséhez nincs szükség egy "normál", univerzális kvantumszámítógépre, hanem a kvantumrendszeren végzett tréning után klasszikus számítógépen is működtethető. A kutatók összegzése szerint a teszt egyértelművé tette, hogy a kvantum alapú algoritmusok alkalmazása a gépi látási feladatok megoldására működőképes opció és a kvantumszámítógépek fejlődésével még nagyobb precizitást érhetnek el. Az eredmények megmutatták, hogy ezek a módszerek valódi, ipari gyártási folyamatokban is hasznosak lehetnek és

"a kvantumos gépi tanulás fényes jövő elé néz való életbeli problémákra alkalmazva, beleértve a számítógépes látási feladatokat."

- írták a tanulmányban.

(Fotó: D-Wave Systems, Getty Images/thomaguery)

Emberi módon látó, néma robotok készülnek a munkaerőhiány megoldására "A küldetésünk, hogy humanoid robotokat építsünk, amelyek megváltoztatják a világot és megoldják a munkaerőhiányt." - mondta a robotokat fejlesztő cég technológiai vezetője.