Ученый МАДИ Цезарь Пронин разработал математический инструмент для ускорения машинного обучения на квантовых компьютерах. В основе подхода лежит новый способ построения «квантового оракула» — специального алгоритма, который помогает быстрее находить правильное решение, не перебирая все варианты по очереди.
Для поиска решений в квантовых вычислениях используется алгоритм Гровера. Он позволяет работать сразу с множеством возможных вариантов, но для определения нужного результата алгоритму необходим оракул. Он распознает правильное решение и увеличивает вероятность его выбора.
Главная сложность заключается в том, что квантовые операции должны быть обратимыми. Вспомогательные вычисления необходимо выполнять так, чтобы информация не терялась. Пронин предложил использовать в качестве оракула обратимый квантовый умножитель.
Для этого ученый систематизировал матричный аппарат и построил квантовые аналоги базовых логических операций NOT, AND, OR и XOR, а также полного сумматора. На основе этого подхода была сформулирована схема обучения квантового персептрона — базового элемента нейросети. В ней оракул строится на основе функции активации.
Согласно расчетам, на примере 16-кубитного регистра алгоритм Гровера с новым компонентом может находить решение примерно в 326 раз быстрее классического перебора. Авторы рассматривают этот результат как теоретическую основу для дальнейшего применения квантовых вычислений в машинном обучении.
Работоспособность подхода проверили несколькими способами. Ручной матричный расчет алгоритма Дойча — Йожи полностью совпал с результатами симуляции в специализированном симуляторе Quirk. Также были построены и проверены обратимые квантовые аналоги классических логических схем и продемонстрирован принцип обучения квантового персептрона с одним весом. На прототипах IBM Q исследовали, как растет квантовый шум при увеличении глубины схемы. Это позволяет учитывать ограничения современных квантовых устройств при планировании экспериментов.
Следующим этапом станет масштабирование подхода на 2–3-кубитные регистры, адаптация для симуляторов и NISQ-устройств, а также решение вопросов, связанных с разрядностью квантовой арифметики.
Читайте также:
Новый алгоритм МФТИ и СПбГУ ускоряет планирование маршрутов для роботов
В МИФИ создали нейросеть, которая оценивает уверенность своих решений и противостоит атакам
ИИ-агент превратил ChronobioticsDB в цифрового ассистента фармаколога