Первый пошел — российская квантовая нейросеть успешно решила математические задачи

Хотя нам кажется, что нейросети обладают практически безграничными возможностями, с точки зрения объема производимых вычислений это не совсем так. По большому счету, они представляют собой классические компьютеры с множеством процессоров-нейронов, а потому у них есть свой потолок. Наступит момент, когда обработка огромного количества данных с помощью нейросети будет занимать слишком много времени или вовсе окажется невозможна.

С другой стороны, квантовые компьютеры обладают потенциально огромными вычислительными возможностями и высочайшей скоростью работы за счет особых квантовых состояний, таких как запутанность.

Недавно физики из МФТИ, МИСИС, Сколтеха и Российского квантового центра смогли объединить машинное обучение на основе мини-пакетного градиентного спуска по поверхности ошибки и квантовую сеть. В рамках VI Международной школы по квантовым технологиям в Миассе они продемонстрировали работу модели гибридного классификатора, дополненного квантовым симулятором.

Представленный образец представляет цепочку из восьми трансмонных кубитов, в которых используется джозефсоновский переход, состоящий из двух сверхпроводящих электродов, разделенных тонким слоем изоляции. По сути получилась квантовая нейросеть, в которой искусственные нейроны заменены на кубиты. При этом для обучения были задействованы всего четыре кубита-нейрона. 

Первый слой этой нейросети представлял собой углы однокубитных операций, в более глубоких слоях были использованы наборы двухкубитных вентилей для запутывания кубитов. На выходе измерялось среднее значение ?z первого кубита – это и был ответ сети.

Детали модели квантовой нейросети, созданной в МФТИ. Изображение: МФТИ

Медель использовали для решения разных задач классификации: вычисления четности, определении меток рака молочной железы и идентификации марок вина. При этом задача про рак была более простой, так как требовала ответа — есть метка или нет. А вот задача с вином уже была многоклассовой с большим количеством параметров для определения.

Но в итоге для этих задач была достигнута точность решения 94%, причем для запроса про рак модель начала выдавать точный ответ уже после десяти итераций.

Также квантовой нейросети предложили распознать рукописные цифры из набора данных MINIST. Здесь точность решения составила 90% после нескольких десятков итераций. 

По словам авторов исследования, все это было достигнуто за счет удачной комбинации структуры квантовой цепочки и алгоритма машинного обучения. А точность и стабильность подтверждены методом перекрестной проверки.

Пока результаты, показанные в ходе эксперимента, не сравнивались с тем, как бы справились с этими задачами обычные нейросети. Но это исследование важно само по себе как подтверждение возможности развития квантовых нейросетей. К тому же в планах команды физиков увеличение количества кубитов и решение более сложных задач, а также переход от классических данных к квантовым.