В России разработан новый метод ускорения машинного обучения на квантовых компьютерах

Старший преподаватель Московского автодорожного института (МАДИ) Цезарь Пронин создал новый математический инструмент, который позволяет квантовым компьютерам обучать нейросети в сотни раз быстрее, чем классические системы. По информации пресс-службы Минобрнауки России, скорость нахождения нужного решения по новой технологии увеличивается более чем в 300 раз. Об этом сообщает издание ТАСС.

Исследователь предложил оригинальный метод создания "квантового оракула" — специального алгоритма-навигатора, который направляет вычисления к правильному ответу, избегая длительного перебора вариантов. Это является значительным шагом к созданию реальных прикладных квантовых нейросетей.

Для поиска решений в квантовых вычислениях используется известный алгоритм Гровера, который, в отличие от классического перебора, оценивает множество вариантов одновременно. Однако для его работы необходим "оракул" — математическая функция, распознающая верное решение и изменяющая вероятность в его пользу, усиливая правильный сигнал.

Техническая сложность заключается в том, что квантовые операции должны быть строго обратимыми, что требует "сворачивания" вспомогательных вычислений без потери информации. Ученый МАДИ решил эту задачу, предложив использовать обратимый квантовый умножитель в качестве "оракула". Пронин систематизировал матричный аппарат и создал квантовые аналоги базовых логических операций (NOT, AND, OR, XOR), а также полного сумматора. На основе этого подхода была сформулирована концепция схем обучения базового элемента нейросети — квантового персептрона, где "оракул" строится на основе функции активации.

Применение предложенного "оракула" обеспечивает значительный выигрыш в скорости. По расчетам, алгоритм Гровера с новым компонентом находит решение примерно в 326 раз быстрее классического перебора (на примере 16-кубитного регистра). Это создает теоретическую основу для того, чтобы будущие квантовые процессоры решали реальные прикладные задачи в промышленности и социальной сфере, обрабатывая большие объемы данных за доли секунды.

Дальнейшая работа будет направлена на преодоление существующих ограничений: масштабирование подхода для 2-3-кубитных регистров, адаптация под симуляторы и NISQ-устройства (квантовые компьютеры промежуточного масштаба), а также решение вопросов разрядности квантовой арифметики.