Квантовые вычисления и машинное обучение начинают сближаться — первые эксперименты показывают реальный потенциал такого союза. Группа исследователей под руководством Виктора Галицкого, Алайны Грин, Норберта Линке и коллег из JQI (Объединенного квантового института) изучила, как особенности квантовых компьютеров влияют на работу нейронных сетей. Цель состояла не в том, чтобы превзойти существующие ИИ‑системы, а в том, чтобы понять, когда квантовые эффекты полезны, а когда — вредны.
Для теста выбрали распознавание рукописных цифр на базе набора MNIST — классический бенчмарк для моделей машинного обучения. Нейросеть обучили на традиционных компьютерах, затем адаптировали для квантовых платформ. Ключевая идея Галицкого — использовать кубиты как искусственные нейроны: суперпозиция и квантовые измерения позволяли добавлять в работу сети контролируемую случайность.
Эксперимент охватил несколько типов квантовых устройств: компьютер IBM на сверхпроводящих цепях и установки Грина и Линке на захваченных ионах, управляемых микроволновым или лазерным излучением. Это позволило сравнить поведение одной архитектуры нейросети на разных платформах и увидеть влияние специфики каждой системы на результаты.
Мы показали, что для этой архитектуры можно добиться улучшения в классификации изображений, если настроить квантовость от нуля до некоего оптимального значения.
Умеренная доля случайности от квантовых измерений повышала точность распознавания, но при превышении порога эффективность падала. Кроме того, неизбежные ошибки и шум современных квантовых компьютеров (эпоха NISQ) в ряде случаев играли полезную роль: они вносили вариативность, помогавшую сети избегать «зацикливания» на почти верных, но ошибочных ответах.
Тесты на сложных изображениях подтвердили гипотезу: при оптимальном уровне случайности платформа на захваченных ионах почти всегда верно определяла цифру, система IBM — примерно в 90% случаев. Значит, несовершенства квантовых устройств при грамотном подходе могут стать инструментом.
Команда планирует изучать потенциал квантовой запутанности и других эффектов, чтобы расширить возможности нейросетей. Учёные надеются выявить сценарии, где квантовые вычисления дадут ощутимое преимущество в машинном обучении. Статья опубликована в Physical Review Letters.
Ранее Наука Mail рассказывала, что новый миниатюрный датчик поможет сделать квантовые компьютеры мощнее.