Квантовый шум принято считать главным врагом вычислений: он искажает состояние кубитов и мешает получить надежный результат. Однако физики недавно показали , что в квантовой нейросети умеренная неопределенность может сыграть противоположную роль — повысить точность распознавания рукописных цифр и исправить часть ошибок классического алгоритма.
Нейросети уже умеют распознавать лица, переводить тексты, создавать изображения и предсказывать структуру белков. Почти все подобные системы работают на обычных процессорах и графических ускорителях. Квантовые компьютеры теоретически способны расширить возможности машинного обучения, но пока нейросети с трудом переносятся на реальное квантовое оборудование.
Исследователи под руководством Джамиля Лахдара-Хамины создали нейросеть, которую удалось запустить на двух принципиально разных типах квантовых компьютеров.
Обычная нейросеть состоит из нескольких слоев связанных между собой вычислительных элементов. Каждый элемент получает входные данные, преобразует их и передает дальше. Во время обучения алгоритм меняет силу связей, пока не начинает правильно решать поставленную задачу.
В квантовом варианте часть вычислений выполняют кубиты — элементарные носители квантовой информации. В отличие от классического бита, который принимает значение ноль или единица, кубит может находиться в сочетании нескольких состояний. При измерении система выдает конкретный результат, но заранее его можно описать только с некоторой вероятностью.
Подобная неопределенность потенциально дает квантовым нейросетям новые способы обрабатывать данные. Однако проверить предполагаемое преимущество сложно: современные квантовые компьютеры содержат ограниченное число кубитов, а их состояния быстро разрушаются под воздействием внешней среды.
Команда выбрала гибридный подход. Нейросеть обучали на классическом компьютере, а уже настроенную модель переносили на квантовое оборудование, где проходил этап принятия решения. Такой метод избавил исследователей от необходимости проводить ресурсоемкое обучение непосредственно на нестабильных кубитах.
Архитектура позволяла постепенно менять режим работы. На одном конце шкалы находился почти полностью классический вариант с минимальной ролью квантовой неопределенности. На другом — квантовый режим, в котором случайность результатов измерения заметнее влияла на итоговый ответ.
Один и тот же алгоритм запустили на двух разных платформах. Первая хранила информацию в захваченных электромагнитными полями ионах, вторая использовала сверхпроводящие электрические цепи. Сравнение помогло отделить общие свойства квантовой нейросети от особенностей конкретного оборудования.
Для проверки исследователи выбрали классическую задачу машинного обучения — распознавание рукописных цифр. Алгоритм получал изображения символов и должен был определить, какая цифра изображена на каждом из них.
Наилучший результат появился не в полностью классическом и не в максимально квантовом режиме. Точность выросла при умеренном уровне квантовой неопределенности. После определенного порога дополнительный шум уже начинал мешать и увеличивал число ошибок.
Таким образом, исследователи обнаружили промежуточную область, где случайность улучшала работу нейросети. Эффект напоминает стохастический резонанс — явление, при котором небольшое количество шума помогает системе обнаруживать слабые сигналы или выходить из неудачного состояния.
Особенно интересными оказались изображения, которые классическая версия распознавала неправильно. Квантовая модель в некоторых случаях давала верный ответ, словно физический шум подталкивал алгоритм к более подходящему решению.
Подобный результат не означает, что квантовый компьютер уже превзошел классические системы машинного обучения. Задача оставалась небольшой, а нейросеть сначала обучали на обычном оборудовании. Исследование показывает более узкий эффект: реальные свойства квантового устройства способны менять решения модели и иногда делать их точнее.
Ученые также намеренно добавляли в вычисления операции, которые в идеальной квантовой схеме должны взаимно уничтожаться и не влиять на ответ. На практике дополнительные действия усиливали воздействие аппаратных ошибок. Благодаря такому приему удалось проследить, как по-разному реагируют на шум системы с захваченными ионами и сверхпроводящими кубитами .
Результаты ставят под сомнение привычное представление о шуме как об однозначно вредном факторе. Для большинства квантовых алгоритмов ошибки действительно остаются серьезной проблемой, которую разработчики стараются подавлять. Однако в некоторых моделях машинного обучения небольшая неопределенность может выполнять полезную функцию.
Классические нейросети тоже используют случайность. Во время обучения разработчики добавляют шум в данные, временно отключают часть связей или случайно меняют параметры. Подобные приемы мешают модели механически запоминать обучающие примеры и помогают лучше работать с незнакомой информацией.
В квантовом компьютере случайность возникает непосредственно из физических свойств системы. Авторы работы предлагают не всегда рассматривать подобное поведение как дефект. При грамотной настройке аппаратный шум может превратиться в часть вычислительного процесса.
Сравнение разных платформ также поможет определить, какие типы квантовых компьютеров лучше подходят для машинного обучения. Захваченные ионы и сверхпроводящие цепи различаются скоростью операций, устойчивостью кубитов и характером ошибок. Универсального лидера пока нет, поэтому одинаковые тесты на нескольких архитектурах особенно важны.
До практического квантового преимущества еще далеко. Исследователям предстоит проверить более крупные нейросети, сложные наборы данных и задачи, с которыми классические компьютеры действительно справляются плохо. Необходимо также понять, сохраняется ли полезный эффект при увеличении числа кубитов и глубины вычислительной схемы.
Новая работа не доказывает, что будущие квантовые нейросети обязательно окажутся мощнее классических. Зато эксперимент показывает неожиданный путь развития: вместо полного устранения квантового шума инженеры могут научиться дозировать его и использовать для повышения качества решений.