Нейросеть реализовали на квантовом компьютере

Ученые создали для квантового компьютера алгоритм, реализующий аналог персептрона — одной из простейших и первых математических моделей работы мозга. Авторы проверили разработку на стандартных тестах, в которых она показала себе намного лучше ожидаемого. Результаты изложены на сервере препринтов arXiv.org.

Концепцию персептрона опубликовал в 1968 году Фрэнк Розенблатт. Это математическая модель работы мозга, фактически она представляет собой однослойную нейросеть. В первые годы считалось, что на этой основе можно будет сделать полноценный искусственный интеллект. Однако позже оказалось, что это не так. Но персептрон в любом случае привел к появлению новой области исследований, так как сегодняшние алгоритмы глубинного обучения — прямые потомки детища Розенблатта.

Самый простой вариант персептрона принимает на входе вектор (одномерный массив чисел), умножает его на специальный весовой вектор и получает одно число. Если величина этого числа больше порогового значения, то персептрон выдает на выходе единицу, если ниже, то ноль. Подобная нейросеть обучается за счет того, что изменяется весовой вектор. Классический тест персептрона — это задача классификации изображений. Для этого нужно представить пиксели картинки в виде линейного массива значений интенсивности. Правильным образом подобрав весовой вектор, можно добиться от персептрона единицы на выходе, если в исходном изображении содержался определенный образ, например, прямая линия или силуэт кошки.

В новой работе исследователи из Павийского университета (Италия) под руководством Франческо Такино впервые создали квантовый аналог персептрона для исполнения на квантовом компьютере. Квантовая реализация подразумевает, что алгоритм принимает на входе классический вектор (например, изображение), комбинирует его с квантовым весовым вектором и выдает результат — ноль или единицу. Основное преимущество нового подхода заключается в том, что в нем количество измерений, с которыми может работать система, потенциально расти в экспоненциальной зависимости. То есть, если классический персептрон может обработать N каналов на входе, то квантовый — 2^N.

Чтобы протестировать разработку, ученые использовали сверхпроводящий квантовый компьютер IBM Q-5 Tenerife из пяти кубитов, который можно программировать через Интернет. Так как количество кубитов очень мало, то можно было проверить алгоритм только для случая N=2, то есть черно-белых изображений размером 2 на 2 пикселя. Авторы настроили систему на классификацию изображений по трем типам: содержащие вертикальные линии, содержащие горизонтальные линии и с раскраской как у шахматной доски. Алгоритм легко справился с таким простым заданием. Авторы показывают, что теоретически алгоритм может работать и с более сложными задачами, но не проверяют их из-за того, что их вычислитель недостаточно мощный.

Авторы пишут, что их работа делает лишь первые шаги, во многом повторяющие развитие оригинальных персептронов полвека назад. Достоинством этой работы можно назвать общий характер алгоритма, который позволяет реализовать его на любом универсальном квантовом вычислителе. В дальнейшем нужно проверить работу многослойных квантовых персептронов, так как в классическом случае подобная комбинация оказалась намного более эффективной.