Для достижения цели ученые из ФИАН и РКЦ использовали алгоритмы машинного обучения на квантовом процессоре. Результаты научной работы опубликованы в журнале Physical Review A.
Такие технологии активно развивают во всех ведущих странах. На данный момент важный вызов — это тестирование методов квантовых вычислений на различных прикладных задачах. В частности, один из главных результат нашей работы — применение этих алгоритмов в сочетании с технологией машинного обучения.
Подобные эксперименты проводили и ранее, но предложенный российскими специалистами подход отличается своей оригинальностью.Например, ученые сравнили различные способы кодирования данных в квантовые состояния и определили наиболее эффективный вариант.
В работе исследователи применили метод support vector machine — популярный для задач классификации метод машинного обучения. Он разделяет данные на классы посредством проведенной между ними наиболее оптимальным образом нелинейной границы. «Ядерную часть» алгоритма — сравнение данных, выполняли на квантовом процессоре. Это позволило эффективно обрабатывать даже сложные изображения.
Для перевода ионов в квантовое состояние мы создавали суперпозиции и проводили операции запутывания кубитов. Квантовые состояния отдельных ионов изменялись с помощью лазеров и детекторов излучения. По завершении вычислений измерялось состояние иона, и на основе этих данных интерпретировались результаты работы алгоритмов машинного обучения.
Также ученые экспериментировали с квантовыми цепями: так улучшилось качество вычислений. Алгоритм «обучался» на маленьком наборе данных, где каждое изображение уже имело правильный ответ — нуль или единица. В результате квантовый компьютер правильно определил все цифры как на обучающих, так и на тестовых картинках без ошибок.
По словам директора ФИАН Николая Колачевского, в дальнейшем по мере развития подобная технология квантовой классификации сможет применяться для множества практических задач. Например, в медицине ее можно использовать для автоматического анализа рентгеновских снимков и данных МРТ и КТ, что поможет оперативно диагностировать заболевания.
В будущем данная технология найдет применение в создании систем ИИ, где квантовые вычисления будут дополнять классические методы, ускоряя обучение нейросетей и повышая точность обработки данных.