Ученый МАДИ Цезарь Пронин разработал новый математический инструмент, который позволит квантовым компьютерам обучать нейросети в сотни раз быстрее классических систем. Исследователь предложил оригинальный способ создания «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.
Как это работает
Для поиска решений в квантовых вычислениях применяется известный 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. Ученый МАДИ 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. На базе этого подхода сформулирована концепция схем обучения квантового персептрона (базового элемента нейросети), где оракул строится на основе функции активации.
В чем польза
Применение предложенного оракула обеспечивает колоссальный выигрыш в скорости. Согласно расчетам, алгоритм Гровера с новым компонентом находит решение примерно в 326 раз быстрее классического перебора (на примере 16-кубитного регистра). 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.
Доказательная база
Научная состоятельность подхода подтверждена рядом конкретных результатов. Выполнен ручной матричный расчёт алгоритма Дойча-Йожи, результаты которого полностью совпали с эталонной симуляцией в специализированном симуляторе Quirk. Построены и верифицированы обратимые квантовые аналоги классических логических схем. Продемонстрирован принцип обучения квантового персептрона с одним весом. Кроме того, на реальных прототипах IBM Q проведен анализ роста квантового шума при увеличении глубины схемы — это позволяет учитывать аппаратные ограничения современных устройств при планировании экспериментов.
Перспективы
Дальнейшая работа направлена на преодоление текущих ограничений: масштабирование подхода для 2–3-кубитных регистров, адаптацию под симуляторы и NISQ-устройства (квантовые компьютеры промежуточного масштаба), а также решение вопросов разрядности квантовой арифметики.
Источник: Минобрнауки России
