Молодые ученые МФТИ первыми в России экспериментально реализовали работающий алгоритм квантового обучения в цепочке сверхпроводящих кубитов. Квантовая нейросеть из нескольких кубитов решила задачи многоклассовой классификации и распознавания рукописных изображений с точностью более 90%. Результаты представлены в рамках VI Международной школы по квантовым технологиям, состоявшейся в начале марта 2023 года в Миассе.
Квантовое машинное обучение — это новая дисциплина, объединяющая нелинейные квантовые системы и классическое машинное обучение. Алгоритмы машинного обучения обладают высокой вычислительной сложностью. Сейчас, когда мощность классических компьютеров перестает расти, ученые создают принципиально новый подход к вычислениям, что влечет за собой фундаментально другую реализацию нейросети. Для ее создания на первый план выходят квантовые устройства, способные превзойти классические компьютеры в определенных задачах.
Команда физиков МФТИ провела цикл экспериментов с моделью гибридного классификатора, ускоренной квантовым симулятором, — цепочкой из нескольких сверхпроводящих кубитов, обучив ее решать задачи классификации и распознавания изображений.
«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, соавтор исследования, сотрудник лаборатории искусственных квантовых систем МФТИ.
Фото. Алексей Толстобров на VI Международной школе по квантовым технологиям, Миасс. Пресс-служба МФТИ
В ходе экспериментов на цепочке кубитов, изготовленной в Центре коллективного пользования МФТИ, ученые с помощью нейросети решали три разных типа задач: задачу четности, обнаружения меток рака молочной железы (бинарная классификация «есть / нет») и типологии различных вин (многозначная классификация по десятку параметров). Помимо этого, им удалось продемонстрировать решение задачи распознавания рукописных изображений цифр.
В ближайшее время коллектив разработчиков планирует увеличить количество кубитов в квантовом симуляторе, решить более сложные задачи классификации, протестировать способность системы решать задачи регрессии, а также перейти от классических данных к квантовым.
Исследование ведется в рамках Дорожной карты развития в РФ высокотехнологичного направления «Квантовые вычисления».
, нейронные сети
Источник: robogeek.ru