ТАСС, 9 июня. Специалисты компании Google использовали квантовый процессор Sycamore для демонстрации нейросетевого "квантового превосходства", резкого ускорения обучения алгоритмов. Результаты их экспериментов были опубликованы в статье в журнале Science.
"Мы доказали, что квантовые машины могут обучаться на крайне небольшом наборе результатов экспериментов. Он экспоненциально меньше того объема данных, который нужен для обучения классических алгоритмов. Более того, оказалось, что для достижения "квантового превосходства" в некоторых случаях требуются очень скромные ресурсы, доступные на современных квантовых процессорах", - пишут исследователи.
Два года назад группа ученых под руководством Хармута Невена, главы лаборатории квантового искусственного интеллекта в Google, объявили о достижении так называемого "квантового превосходства". Им удалось решить "нерешаемую" задачу, связанную с выработкой случайных чисел при помощи созданного в Google квантового компьютера Sycamore, который содержит в себе 53 сверхпроводниковых квантовых бита (кубита).
Достижение этой отметки заставило Невена и его коллег задуматься о том, можно ли использовать данную машину для решения более сложных и практически полезных задач. Одной из них выступает ускорение процедуры обучения различных математических и научных алгоритмов, в том числе и нейросетей.
Нейросетевое квантовое превосходство
Невен и его коллеги выяснили, что Sycamore уже сейчас можно использовать для решения подобных задач, причем для этого необходимо задействовать лишь около 40 из 53 кубитов, доступных для использования в рамках этого квантового процессора. Ученые пришли к такому выводу при проверке математического алгоритма, позволяющего искать закономерности в данных, полученных при помощи множества замеров и датчиков в ходе физических экспериментов.
Как объясняют физики, квантовый компьютер способен получать и обрабатывать все эти наборы замеров одновременно, тогда как их классические аналоги будут вынуждены анализировать результаты каждого эксперимента по-отдельности. Соответственно, при очень большом числе взаимосвязанных датчиков обычный компьютер будет тратить огромное количество времени на обработку данных и поиск закономерностей в них.
Исследователи из Google разработали и реализовали на практике три разных подхода, позволяющих резко ускорить обработку подобных наборов результатов экспериментов при помощи квантовых вычислительных машин. Все три методики, как отмечают физики, позволили им достичь экспоненциального ускорения обучения нейросетей и дали им возможность выйти на уровень, недоступный для классических компьютеров.
Более того, эти опыты показали, что использование квантовых подходов позволяет резко уменьшить минимальный объем данных, необходимых для того, чтобы обучаемый алгоритм достиг заданной точности работы. Это ускорит научный прогресс в физике и в других областях науки и техники, где необходимо искать неочевидные закономерности, подытожили Невен и его коллеги.