Квантовые рекуррентные нейронные сети на сверхпроводниковом квантовом процессоре |
||
|
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ Атаки на ИИ Внедрение ИИИИ теория Компьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Промпты. Генеративные запросы Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2025-12-23 11:27 В одном из ведущих российских изданий по физике «Письмах в Журнал экспериментальной и теоретической физики» опубликована статья (http://jetpletters.ru/ps/2526/article_36985.pdf), посвящённая обучению квантовых рекуррентных нейронных сетей на сверхпроводниковом квантовом процессоре. Работа выполнена совместно с коллегами из МФТИ и ИРЭ им. В.А. Котельникова РАН. Среди авторов Центра ИИ Сколтеха - Владимир Вановский, старший научный сотрудник, руководитель направления гибридного моделирования, также старший научный сотрудник Александр Рябов. Авторы рассматривают задачу прогнозирования временных рядов с использованием вариационных квантовых алгоритмов на устройствах текущего поколения — так называемых шумных квантовых процессорах промежуточного масштаба. В статье предложена и исследована архитектура квантовой рекуррентной нейронной сети, реализуемой на интегральной схеме Джозефсона на основе сверхпроводящих кубитов. Подробно изучается обучаемость модели в зависимости от числа кубитов, глубины квантовой схемы, способа кодирования данных и повторной загрузки информации в квантовую систему. Показано, что при корректном выборе архитектурных параметров квантовая модель может достигать качества прогнозирования, сопоставимого с классическими рекуррентными нейросетями (RNN, LSTM, GRU), несмотря на физические ограничения квантового «железа». Отдельное внимание уделено балансу между выразительностью модели и сохранением когерентности квантовых состояний — ключевой проблеме практического квантового машинного обучения. Работа сочетает моделирование на классическом эмуляторе и экспериментальное обучение на реальном сверхпроводниковом квантовом процессоре, что делает результаты особенно значимыми для оценки реальных возможностей квантовых методов в ближайшей перспективе. Пока что квантовое машинное обучение в основном сводится к повторению классических алгоритмов машинного обучения и проверке возможности воспроизведения, а иногда и улучшения результата. Это является важным шагом для поиска практических применений квантовых компьютеров, и то, что авторы продемонстрировали работу на реальном квантовом процессоре, повышает ценность работы. Источник: jetpletters.ru Комментарии: |
|