Полный выпуск подкаста «Горизонты событий» с Мариной Петраковой о кубитах, сверхпроводниках, криостатах, шуме, квантовой химии и реальных ограничениях квантовых компьютеров.
Квантовая нейросеть — это не обязательно огромный квантовый компьютер, который целиком заменяет привычную модель. В реальных исследованиях чаще всё скромнее и интереснее: берут обычную нейросеть и добавляют в неё квантовый слой.
Так появляется гибридная квантово-классическая модель. Одна часть работает как обычная нейросеть, другая — как параметризованная квантовая схема.
Что такое квантовый слой
У классической нейросети есть слои, через которые проходят данные. Например, изображение сначала превращается в набор чисел: пиксели, каналы, признаки. Дальше сеть последовательно обрабатывает эти признаки, меняя веса во время обучения.
В гибридной модели часть этой цепочки можно заменить квантовым блоком. Классическая часть подготавливает признаки, затем они кодируются в квантовую схему: например, в углы поворота квантовых вентилей. После этого схема выполняет операции над кубитами и выдаёт результат измерений.
На выходе мы получаем не «готовую мысль», а числа или вероятности. Их снова забирает классическая часть модели, считает ошибку, обновляет параметры и продолжает обучение.
Почему схема параметризованная
Параметризованная квантовая схема — это квантовый аналог обучаемого блока. В ней есть вентили с настраиваемыми параметрами. Во время обучения эти параметры меняются так, чтобы модель лучше решала задачу.
В классической нейросети мы меняем веса. В квантовом блоке меняем параметры квантовых операций. Поэтому такие схемы часто сравнивают с маленькими нейросетями внутри квантового пространства.
Но аналогия неполная. Квантовая схема работает по законам квантовой механики: суперпозиция, запутанность, интерференция, вероятностные измерения. Это другой математический аппарат, а не просто ещё один dense-layer.
Что может дать квантовый блок
Главная идея — добавить в модель новую нелинейность и новый способ представления данных. Квантовая схема может отображать входные признаки в пространство состояний, где некоторые закономерности становятся более удобными для разделения.
В машинном обучении похожая идея давно известна в kernel methods: иногда данные трудно разделить в исходном пространстве, но проще после преобразования признаков. Квантовые kernel methods и quantum feature maps пытаются использовать квантовые схемы для такого отображения.
Другой путь — вариационные квантовые классификаторы и регрессоры. Они похожи на обучаемые модели: параметры схемы подстраиваются под данные, а классический оптимизатор помогает искать минимум функции потерь.
Почему это не бесплатно
Квантовый слой создаёт новую проблему: данные надо загрузить в квантовую систему. Для маленьких наборов признаков это возможно. Для больших изображений, текстов или длинных последовательностей всё сложнее.
Если подготовка квантового состояния стоит слишком дорого, потенциальный выигрыш исчезает. Поэтому практические гибридные модели обычно сначала сжимают данные классическими методами, а в квантовый блок отправляют уже компактные признаки.
Есть и проблема обучения. Параметризованные квантовые схемы могут сталкиваться с barren plateaus — ситуацией, когда градиенты становятся почти нулевыми и обучение застревает. Поэтому архитектура квантового слоя должна быть не случайной, а продуманной.
Где это уже пробуют
В выпуске Марина Быстрова рассказывает о задачах с изображениями: МРТ, детекция пожаров, дефекты материалов. В таких кейсах квантовый слой не заменяет всю нейросеть, а добавляется как экспериментальный блок, который сравнивают с сильным классическим baseline.
Это честный подход. Не «кванты победили всё», а «давайте проверим, даёт ли квантовый блок стабильное улучшение в конкретной задаче».
Именно так, скорее всего, квантовое машинное обучение будет развиваться в ближайшие годы: через небольшие гибридные модули, тесты на реальных данных и осторожное сравнение с классическими моделями.
Как вы думаете, квантовый слой в нейросети должен быть объяснимым или достаточно, чтобы он стабильно улучшал качество?
Съёмка выпуска проходила в студии CastPoint.ru. Благодарим за предоставленное помещение.