Российские ученые создали первую отечественную квантовую нейросеть на основе сверхпроводящих кубитов. Они применили к цепочке из четырех кубитов алгоритм глубокого машинного обучения с учителем, благодаря чему добились распознавания рукописного текста, а также решили три задачи классификации: определение четности, обнаружение меток рака молочной железы и определение марки вина. Исследование представлено в рамках VI Международной школы по квантовым технологиям, состоявшейся в начале марта 2023 года в Миассе, кратко о нем сообщает пресс-релиз и постер с докладом, поступившие в редакцию.
Машинное обучение в последние годы стало незаменимым инструментом практически во всех областях науки. Мы уже рассказывали, как его применяют в физике атомного ядра, кристаллографии, химии, исследованиях климата и многом другом. Подробнее об этом направлении читайте в материале «Азбука ИИ: “Машинное обучение”».
В основе машинного обучения, как правило, лежат некоторые базовые математические операции, например, работа с матрицами. С ростом объема данных растет время, необходимое для проведения этих операций. Чтобы справится с этой проблемой, специалисты обратились к другой бурно развивающейся области — квантовым вычислениям.
Квантовые компьютеры интересны тем, что способны производить ряд математических операций существенно быстрее, чем классические компьютеры. Объединение достижений этих двух областей привело к появлению квантового машинного обучения. Одна из ветвей подобных исследований — это создание квантовой нейросети, в которой искусственный нейрон заменен кубитом. Мы уже рассказывали, как такую нейросеть научили довольно точно предсказывать свойства молекулы водорода.
Сегодня ведется активная работа по адаптации известных методов обучения нейросетей для квантовых компьютеров и симуляторов. Группа физиков из МФТИ, МИСИСа, Сколтеха и Российского квантового центра под руководством Олега Астафьева (Oleg Astafiev) использовала для этого цепочку трансмонных кубитов. С помощью такой квантовой нейросети российские физики решили несколько задач классификации в рамках глубокого машинного обучения с учителем.
Из восьми кубитов квантового процессора, созданного в МФТИ, авторы использовали четыре. Нейросеть, построенная на их базе, состояла из нескольких слоев. Входные данные кодировались как углы однокубитных операций, составляющих первый слой. Последующие слои перемежались с набором двухкубитных вентилей, запутывающих кубиты. На последнем этапе физики измеряли среднее значение σz первого из четырех кубитов — это значение было выходными данными. Для поиска оптимальных значений они использовали мини-пакетный градиентный спуск (mini-batch gradient descent).
Ученые применили свою квантовую нейросеть к трем задачам классификации и одной задаче распознавание изображений. В первом случае речь шла о вычислении четности, идентификации меток рака молочной железы и определении марки вина. Задача о вине отличалась тем, что была многоклассовой. Достигнутая на этом этапе точность оказалась равной примерно 94 процентам, причем в задаче об обнаружении рака этот результат получался уже после 10 итераций.
Кроме того, физики применили свои наработке к распознаванию рукописных цифр из датасета MNIST. Там точность составила 90 процентов после нескольких десятков итераций. К сожалению, авторы не сравнивали результаты работы квантовой нейросети с решением тех же задач с помощью других подходов машинного обучения, включающих обычные нейросети. Из-за этого сложно оценить пользу от квантового обобщения нейросети. Тем не менее, подобные исследования необходимы в качестве стартовой точки для масштабирования квантового машинного обучения, которое в перспективе позволит ускорить решение задачах классификации и распознавания.
Ранее мы рассказывали, как физики научили квантовую нейросеть работать с квантовыми входными данными.