ИИ + квантовый компьютер = турбулентность предсказана на месяцы вперёд, памяти нужно в 100 раз меньше
NewsMakerНевозможно? Уже работает.
Квантовые компьютеры годами обсуждают как технологию с огромным запасом на будущее, но с очень скромным списком практических применений в настоящем. Исследователи из UCL описали случай , где квантовое устройство дало вполне конкретную пользу: помогло ИИ-модели точнее предсказывать поведение сложной физической системы на длинных временных промежутках. Авторы пишут, что такой гибридный подход оказался примерно на 20 % точнее сопоставимой классической модели и при этом требовал в сотни раз меньше памяти.
Работа посвящена задаче, которая давно мучает вычислительную физику: как предсказывать развитие хаотических систем? В статье речь в первую очередь идет о гидродинамике, то есть о движении жидкостей и газов. Ошибки в таких расчетах быстро накапливаются, а долгосрочный прогноз теряет устойчивость. Между тем именно такие модели нужны в климатических расчетах, транспорте, медицине, энергетике, при анализе кровотока и молекулярных взаимодействий, а также при проектировании ветряных электростанций.
Обычный выбор тут невелик. Можно запускать полную симуляцию, но она часто занимает недели. Можно обучить модель машинного обучения на симуляциях или наблюдениях, тогда расчет пойдет быстрее, но надежность на длинных интервалах обычно снижается. Команда UCL попробовала встроить в такую схему квантовый этап, но не стала перекладывать всю задачу на квантовый компьютер. Авторы выбрали более узкую и понятную роль: квантовое устройство сначала учится выделять в данных ключевые статистические закономерности, которые сохраняются во времени, а затем эти закономерности используют при обучении обычной ИИ-модели на классическом суперкомпьютере.
Смысл подхода в том, что модель получает не просто поток чисел из прошлого, а более плотное описание структуры самой системы. Исследователи пишут, что квантовый компьютер извлекает инвариантные статистические свойства, то есть характеристики, которые не распадаются по мере развития процесса. После этого классическая модель учится уже с учетом этих опорных закономерностей. В результате прогноз для сложной хаотической системы оказался не только точнее, но и устойчивее на длинной дистанции, где обычные модели часто начинают заметно расходиться с реальным поведением.
Квантовые компьютеры годами обсуждают как технологию с огромным запасом на будущее, но с очень скромным списком практических применений в настоящем. Исследователи из UCL описали случай , где квантовое устройство дало вполне конкретную пользу: помогло ИИ-модели точнее предсказывать поведение сложной физической системы на длинных временных промежутках. Авторы пишут, что такой гибридный подход оказался примерно на 20 % точнее сопоставимой классической модели и при этом требовал в сотни раз меньше памяти.
Работа посвящена задаче, которая давно мучает вычислительную физику: как предсказывать развитие хаотических систем? В статье речь в первую очередь идет о гидродинамике, то есть о движении жидкостей и газов. Ошибки в таких расчетах быстро накапливаются, а долгосрочный прогноз теряет устойчивость. Между тем именно такие модели нужны в климатических расчетах, транспорте, медицине, энергетике, при анализе кровотока и молекулярных взаимодействий, а также при проектировании ветряных электростанций.
Обычный выбор тут невелик. Можно запускать полную симуляцию, но она часто занимает недели. Можно обучить модель машинного обучения на симуляциях или наблюдениях, тогда расчет пойдет быстрее, но надежность на длинных интервалах обычно снижается. Команда UCL попробовала встроить в такую схему квантовый этап, но не стала перекладывать всю задачу на квантовый компьютер. Авторы выбрали более узкую и понятную роль: квантовое устройство сначала учится выделять в данных ключевые статистические закономерности, которые сохраняются во времени, а затем эти закономерности используют при обучении обычной ИИ-модели на классическом суперкомпьютере.
Смысл подхода в том, что модель получает не просто поток чисел из прошлого, а более плотное описание структуры самой системы. Исследователи пишут, что квантовый компьютер извлекает инвариантные статистические свойства, то есть характеристики, которые не распадаются по мере развития процесса. После этого классическая модель учится уже с учетом этих опорных закономерностей. В результате прогноз для сложной хаотической системы оказался не только точнее, но и устойчивее на длинной дистанции, где обычные модели часто начинают заметно расходиться с реальным поведением.