В Национальном исследовательском технологическом университете «МИСиС» (НИТУ МИСИС) разработан перспективный протокол для квантовых вычислений, который превращает неизбежный шум в инструмент оптимизации. Учёные предложили введение контролируемого шума в квантовые схемы, что позволяет повышать эффективность поиска оптимальных решений. Технология обещает значительно увеличить точность и скорость квантовых алгоритмов, делая их применимыми для реальных задач.
Обзор видеокарты Acer Nitro Intel Arc B580 OC
Обзор планшета HUAWEI MatePad 11,5» (2025): апгрейд без бликов
Обзор ноутбука HONOR MagicBook Pro 16 HUNTER 2025. Для игр? Для работы? Для игр и работы!
Ноутбуки HONOR MagicBook: технологии, дизайн и производительность для любых задач
Обзор смартфона HUAWEI Pura 80 Pro: разумный флагман с мощнейшей камерой
Компьютер месяца — сентябрь 2025 года
В чем уникальность зум-камеры HUAWEI Pura 80 Ultra?
Шестиядерники за 10 тысяч рублей — сравнение и тесты
Одной из ключевых проблем квантового машинного обучения является сложность тренировки и оптимизации моделей. Из-за огромного пространства возможных состояний алгоритмы часто «застревают» в локальных минимумах, не достигая глобально оптимальных решений. Новый протокол решает эту задачу путём регулирования оптимизационных ландшафтов с помощью специальных каналов шума, которые вводятся целенаправленно. В отличие от случайных помех, этот контролируемый шум помогает преодолевать барьеры, связанные с мелкомасштабными флуктуациями функции потерь, что делает процесс обучения более устойчивым.
Традиционно шум в квантовых системах — это главный источник ошибок, вызванных взаимодействием с окружающей средой, такими как температурные колебания или электромагнитные поля. Однако учёные МИСИС продемонстрировали, что введение определённого количества шума в выбранные элементы квантовой схемы может сглаживать эти флуктуации и улучшать качество решений. Протокол протестирован на простых оптимизационных задачах и в квантовой свёрточной нейросети: в обоих случаях вероятность нахождения правильного решения выросла в несколько раз по сравнению с классическими методами, о чём исследователи рассказали в журнале Physical Review A (Q1).
«Когда мы тренируем модель, будь то классическая нейросеть или квантовый алгоритм, у неё есть функция потерь. Это мера того, насколько её подход к решению задачи неверный: чем выше потери, тем хуже. Параметров модели может быть много, например, вращения, фазы, вес и т. п. Каждая комбинация этих параметров даёт свой результат и функция потерь присваивает этому результату число — “высоту”. Представьте: вы стоите на горе и пытаетесь спуститься к самой низкой точке. Высота указывает, как далеко вы от цели. На пути встречается множество мелких ям и впадин и в них можно легко застрять, так и не добравшись до цели. Обычно так и происходит — мы блуждаем и попадаем в локальные ловушки. Наш метод похож на то, как если бы ямы засыпали песком. Он заполняет мелкие впадины, выравнивая поверхность, и путь становится проще: мы больше не задерживаемся и можем двигаться дальше. Таким образом, добавление шума — регуляризация — сглаживает ландшафт и значительно упрощает поиск оптимального решения», — отметил к.ф.-м.н. Никита Немков, старший научный сотрудник лаборатории квантовых информационных технологий НИТУ МИСИС.
Предложенный протокол легко интегрируется с существующими методами, такими как квантовый оптимизатор естественного градиента, и не требует значительных дополнительных ресурсов. Он применим как в симуляторах на классических компьютерах, так и на реальных квантовых устройствах, открывая путь к более надёжным системам квантового ИИ.
Добавить комментарий