Сообщается, что молодые ученые МФТИ первыми в России экспериментально реализовали работающий алгоритм квантового обучения в цепочке сверхпроводящих кубитов. Алгоритмы машинного обучения — это непросто само по себе, а их запуск на кубитах — это совсем иной уровень проблематики. Тем не менее, квантовая нейросеть показала практическую пригодность к решению сложных классических задач с высокой точностью, что также подтолкнёт к покорению новых вершин.
Источник изображения: МФТИ
«Мы нашли удачную структуру квантовой цепочки и алгоритм обучения, который позволяет нам достичь точности 94 % для стандартных задач классификации с несколькими метками и точности 90 % при распознавании рукописных десятичных цифр. Точность и стабильность алгоритма подтверждаются методом перекрестной проверки. Квантовая модель достаточно быстро обучается благодаря возможности эффективного вычисления градиента с использованием необычных свойств квантовых операций», — рассказал Алексей Толстобров (выше на фото), соавтор исследования, сотрудник лаборатории искусственных квантовых систем МФТИ.
Мы довольно давно слышим о машинном обучении и к настоящему времени в этой сфере достигнуты впечатляющие результаты. Взять хотя бы ставший популярным ИИ-бот ChatGPT на большой языковой модели GPT. Но у классических компьютеров (суперкомпьютеров) есть свои и довольно ощутимые пределы, преодолевать которые индустрия намеревается с помощью квантовых систем. Работа российских учёных показывает, что квантовые вычислители или, вернее, симуляторы вполне способны создавать обучаемые нейросети и выполнять алгоритмы, что когда-нибудь позволит сделать прорыв в сфере машинного обучения.
Забавно, но сегодня всё больше причин считать, что вычислительная работа головного мозга в своей основе имеет квантовые явления. Может так статься, что в будущем настоящий ИИ будет построен только на квантовой самообучающейся нейросети, что, как считают специалисты, станет концом человечества, но это уже другая история.
Возвращаясь к работе команды физиков МФТИ, уточним, что она провела цикл экспериментов с моделью гибридного классификатора, работу которой ускорил квантовый симулятор. Симулятор же представлял собой цепочку из нескольких сверхпроводящих кубитов. Модель была обучена решать задачи классификации и распознавания изображений. В частности, решались задачи чётности, обнаружения меток рака молочной железы («есть/нет») и типологии различных вин (многозначная классификация по десятку параметров). Помимо этого, было продемонстрировано решение задачи распознавания рукописных изображений цифр.
На следующем этапе учёные увеличат количество кубитов в квантовом симуляторе, что даст возможность решать более сложные задачи классификации, а также протестируют способность системы решать задачи регрессии и, наконец, попытаются перейти от классических данных к квантовым.