IBM:s forskare säger att de matematiskt lyckats bevisa att en kvantdator kan lösas vissa problem med maskininlärning betydligt snabbare än en klassisk dator, rapporterar Zdnet.

Klassisk maskininlärning går ut på att träna upp en AI genom att låta den ta del av en stor mängd data som den kan använda för att hitta mönster och ge träffsäkra svar. Detta kräver mycket arbete från datorns sida och förhoppningen är att en kvantdator ska kunna ta det hela till nästa nivå.

En metod kallad för ”kvantkärnor” går då ut på att en kvantdator tar över delar av en algoritm så att AI:n lättare kan hitta både fler datapunkter och mönster även i väldigt stora databaser. Till skillnad från en klassisk dator som bara kommer uppfatta det som brus.

I sin matematiska demonstration har IBM:s forskare använt kvantkärnor för AI-klassifiering. Alltså att AI:n genom att exempelvis titta på bilder av hundar och katter sedan kan identifiera vad som är en bild på en hund respektive katt. Något som kvantdatorn klarar av betydligt snabbare och träffsäkert.

Samtidigt är det långt kvar innan kvantdatorer kan användas praktiskt på det här sättet. I dagsläget har IBM:s kvantdator Big Blue strax under 100 kvantbitar. Forskarna räknar med att det kommer behövas tusentals eller miljoner kvantbitar innan kvantdatorer får praktiskt värde.