Квантовым нейросетям для обучения достаточно нескольких примеров

Международная группа ученых показала новый способ обучения квантовых нейронных сетей, которые могут анализировать и предсказывать поведение квантовых систем. Для их обучения достаточно всего нескольких простых примеров. Исследование опубликовано в журнале Nature Communications.

Квантовые нейронные сети — это тип модели машинного обучения, которая может обучаться и обрабатывать информацию, используя принципы квантовой механики. Квантовые нейросети способны имитировать поведение квантовых систем. Как и нейросети, используемые в искусственном интеллекте, квантовые нейросети состоят из связанных между собой узлов — нейронов, выполняющих вычисления. Отличие состоит в том, что в квантовых нейросетях нейроны работают по принципам квантовой механики, благодаря чему они могут обрабатывать квантовую информацию.

В новом исследовании физики показали, что для обучения квантовых нейросетей требуется не очень много примеров. В качестве примеров можно использовать так называемые состояния продуктов. Скажем, когда квантовая система состоит из двух электронов, то состояние продуктов получится, если по отдельности рассмотреть состояния каждого электрона и затем объединить их. Состояния продуктов часто используются в качестве стартовой точки в квантовых вычислениях и измерениях, потому что так проще изучать и понимать поведение квантовых систем. Обучаясь на таких примерах, квантовая нейросеть впоследствии может научиться работать даже с состоянием квантовой запутанности, когда состояния частиц связаны и не могут рассматриваться по отдельности.

По мнению ученых, это означает, что мы можем исследовать квантовые системы с помощью небольших простых квантовых компьютеров, например NISQ, не дожидаясь разработки сложных вычислительных машин, которые появятся только через несколько десятилетий. Кроме того, благодаря этой работе с помощью квантовых компьютеров можно будет легче изучать новые сложные материалы или имитировать поведение молекул.

Наконец, новый подход к работе с квантовыми нейросетями значительно повышает эффективность квантовых компьютеров. С его помощью можно писать более короткие программы, в которых реже появляются ошибки. Это, в свою очередь, повысит надежность работы квантовых компьютеров.