В МАДИ разработали новый принцип ускорения машинного обучения на квантовых компьютерах
На кафедре «Автоматизированные системы управления» МАДИ разработали новый математический инструмент, который позволит квантовым компьютерам обучать нейросети в сотни раз быстрее классических систем. В основе подхода — новый способ построения «квантового оракула» — специального алгоритма-навигатора, который направляет вычисления сразу к правильному ответу, минуя долгий перебор вариантов. Это важный шаг на пути к созданию реальных прикладных квантовых нейросетей.
Для поиска решений в квантовых вычислениях применяется алгоритм Гровера. В отличие от классического перебора, он оценивает множество вариантов одновременно. Чтобы этот алгоритм нашел нужный ответ, ему требуется «оракул» — математическая функция, которая распознает верное решение и совершает «поворот амплитуды» вероятности в его сторону, усиливая правильный сигнал.
Главная техническая сложность заключается в том, что квантовые операции должны быть строго обратимыми. Это означает, что вспомогательные вычисления необходимо «сворачивать» без потери информации. Старший преподаватель кафедры «Автоматизированные системы управления» МАДИ Цезарь Пронин решил эту задачу, предложив использовать в роли оракула обратимый квантовый умножитель.
Для этого исследователь систематизировал матричный аппарат и построил квантовые аналоги базовых логических операций (NOT, AND, OR, XOR), а также полного сумматора, и сформулировал концепцию обучения квантового персептрона (базового элемента нейросети), где оракул строится на основе функции активации. Применение предложенного оракула обеспечивает колоссальный выигрыш в скорости. Согласно расчетам на примере 16-кубитного регистра, алгоритм Гровера с новым компонентом находит решение примерно в 326 раз быстрее классического перебора. Это закладывает теоретический фундамент для того, чтобы будущие квантовые процессоры решали не абстрактные, а реальные прикладные задачи в промышленности и социальной сфере, обрабатывая огромные массивы данных за доли секунды.
Работоспособность подхода проверили несколькими способами. Ручной матричный расчет алгоритма Дойча — Йожи полностью совпал с результатами симуляции в специализированном симуляторе Quirk. Также были построены и проверены обратимые квантовые аналоги классических логических схем и продемонстрирован принцип обучения квантового персептрона с одним весом. На прототипах IBM Q исследовали, как растет квантовый шум при увеличении глубины схемы. Это позволяет учитывать ограничения современных квантовых устройств при планировании экспериментов.
Следующим этапом станет масштабирование подхода на 2–3-кубитные регистры, адаптация для симуляторов и NISQ-устройств, а также решение вопросов, связанных с разрядностью квантовой арифметики.