ТАСС, 5 июля. Физики из Европы и США разработали подход, который позволяет использовать квантовые нейросети для ускоренного изучения квантовых процессов. Об этом в среду сообщила пресс-служба швейцарской Федеральной политехнической школы Лозанны (EPFL). Исследование опубликовано в издании Nature Communications.
"Как правило, для обучения нейросетей нужны большие объемы данных. Нам удалось показать, что компьютер можно научить понимать процессы квантовых систем, и даже самые сложные явления, к примеру, квантовой запутанности, на нескольких простых примерах", - сообщила профессор EPFL Зоя Холмс, чьи слова приводит пресс-служба вуза.
Создание так называемого квантового искусственного интеллекта является одной из главных задач для всех ведущих участников мировой "квантовой гонки". Под квантовым ИИ ученые понимают широкое использование квантовых технологий и эффектов для ускорения работы нейросетей.
Исследователи решили выяснить, как много данных действительно необходимо для обучения квантовых нейросетей, способных изучать самые сложные и непредсказуемые квантовые взаимодействия. Принято считать, что для этого потребуются квантовые компьютеры на базе тысяч кубитов.
Нейросетевой алгоритм для квантовых компьютеров
Ученые проверили, можно ли в теории запустить подобные нейросетевые алгоритмы на так называемых NISQ-машинах, "гибридах" классического и квантового компьютера, работающих с несколькими десятками или сотнями кубитов. Подобные вычислительные устройства могут совершить относительно небольшое число операций до того, как их квантовое состояние будет нарушено, что накладывает заметные ограничения на их работу.
Проведенные расчеты показали, что эту проблему можно обойти, если использовать для обучения квантовых нейросетей особый тип тренировочных данных - так называемые "производные состояния" (product states). Они отражают последствия взаимодействий двух и более частиц или других квантовых объектов. Их можно определить, замерив и объединив состояния отдельных частиц, участвующих в этих взаимодействиях.
Небольшого числа подобных состояний, как выяснили ученые, хватает для того, чтобы научить квантовую нейросеть определять, какие частицы участвовали в создании "производных состояний" и как они при этом взаимодействовали.
Для подготовки таких состояний достаточно одного кубита, поэтому подобные нейросетевые алгоритмы удастся запускать на NISQ-компьютерах. Это позволит проводить сложные квантовые исследования, не дожидаясь разработки более совершенных квантовых компьютеров.
Проделанная работа позволит исследователям более эффективно просчитывать поведение различных химических молекул и изучать материалы. Кроме того, подобные опыты помогут физикам оптимизировать работу NISQ-машин и ускорить работу других квантовых алгоритмов, подытожили исследователи.