MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) hôm nay công bố một nghiên cứu mới về thuật toán “Quantum‑Boosted Gradient Descent” (QBGD). Thuật toán này tận dụng các qubit trên máy tính lượng tử để thực hiện các bước tính toán gradient một cách song song, giúp giảm thời gian huấn luyện các mô hình học sâu lên tới 10‑20 lần so với các phương pháp truyền thống.
QBGD hoạt động bằng cách mã hoá gradient của hàm mất mát vào trạng thái lượng tử, sau đó sử dụng các cổng lượng tử để thực hiện cập nhật trọng số nhanh hơn. Thử nghiệm trên các mô hình như ResNet‑152 và BERT‑large cho thấy thời gian huấn luyện trên tập dữ liệu ImageNet và Wikipedia giảm đáng kể mà không làm giảm độ chính xác.
Các nhà nghiên cứu của MIT cho biết, mặc dù hiện tại máy tính lượng tử vẫn còn hạn chế về độ ổn định, nhưng thuật toán QBGD đã được tối ưu để chịu đựng nhiễu và lỗi, đồng thời có thể chạy trên các nền tảng mô phỏng lượng tử trên đám mây.
Kết quả này mở ra cơ hội cho việc áp dụng tính toán lượng tử trong các dự án AI quy mô lớn, đặc biệt trong các lĩnh vực yêu cầu huấn luyện nhanh như tự động hoá thiết kế thuốc và mô phỏng vật liệu.