Полный выпуск подкаста «Горизонты событий» с Мариной Петраковой о кубитах, сверхпроводниках, криостатах, шуме, квантовой химии и реальных ограничениях квантовых компьютеров.
Обычно вопрос ставят так: помогут ли квантовые компьютеры искусственному интеллекту? Но есть и обратная сторона: искусственный интеллект уже помогает самим квантовым компьютерам. Особенно там, где нужно бороться с ошибками.
Это один из самых интересных поворотов темы. Классическая нейросеть может не заменять квантовый компьютер, а помогать ему стать надёжнее.
Почему квантам нужна помощь
Кубиты хрупкие. На них влияют шумы, дефекты материалов, неточные операции, ошибки измерения и взаимодействие с окружающей средой. Если квантовый компьютер должен выполнять длинные алгоритмы, ошибки нужно обнаруживать и исправлять.
Для этого развивают квантовую коррекцию ошибок. Идея в том, чтобы закодировать один логический кубит во множество физических кубитов. Тогда система может заметить признаки ошибки и восстановить корректную логическую информацию.
Но есть сложная часть: нужно правильно декодировать синдромы ошибок. Проще говоря, по косвенным измерениям понять, какая ошибка произошла и как её исправить.
Где здесь появляется нейросеть
Декодер ошибок можно строить классическими алгоритмами. Но реальные квантовые устройства шумят сложно: есть коррелированные ошибки, утечки, перекрёстные влияния, аппаратные особенности конкретного процессора.
Нейросети хороши там, где нужно выучить сложные закономерности по данным. Поэтому их используют как декодеры: модель получает историю синдромов и пытается предсказать, произошла ли логическая ошибка.
В 2024 году Google Quantum AI опубликовала в Nature работу про AlphaQubit — нейросетевой декодер для поверхностного кода. Это recurrent transformer-based архитектура, обученная сначала на синтетических данных, а затем дообученная на экспериментальных данных процессора Sycamore.
Почему это важно
Квантовая коррекция ошибок — один из ключей к большим отказоустойчивым квантовым компьютерам. Без неё квантовые алгоритмы будут слишком короткими и шумными. С ней можно надеяться на логические кубиты, которые живут дольше и ошибаются реже.
Если нейросетевой декодер лучше подстраивается под реальные шумы конкретного железа, это может ускорить путь к более надёжным устройствам. Здесь ИИ не делает квантовый компьютер «умнее» в привычном смысле. Он помогает управлять ошибками.
Это очень практичная связка: квантовое железо выдаёт данные о своих ошибках, классическая модель учится на этих данных и помогает корректировать дальнейшую работу.
Это тоже квантовый ИИ?
Формально это не совсем тот же случай, что «квантовая нейросеть для классических данных». Здесь наоборот: классическая нейросеть помогает квантовой системе.
В обзорах по quantum machine learning часто выделяют разные комбинации: классические данные на классическом компьютере, классические данные на квантовом компьютере, квантовые данные на классической модели и квантовые данные на квантовой модели.
Декодирование ошибок — пример, где классический ML работает с данными, рождёнными квантовым устройством. Это может оказаться одной из самых полезных связок ИИ и квантовых технологий в ближайшей перспективе.
Почему это менее хайпово, но важнее
Фраза «квантовый ИИ заменит нейросети» звучит громче. Но «нейросеть помогает исправлять ошибки квантового процессора» может оказаться гораздо важнее для реального прогресса.
Квантовым компьютерам нужно не только больше кубитов. Им нужна надёжность. А если машинное обучение помогает лучше понимать шумы, адаптироваться к конкретному устройству и декодировать ошибки, это прямой вклад в создание больших квантовых машин.
Иногда технологии встречаются не там, где ждёт массовая аудитория. Не в чат-боте, а в глубине лабораторной системы коррекции ошибок.
Какой сценарий кажется вам важнее: квантовые компьютеры ускоряют ИИ или ИИ помогает построить рабочие квантовые компьютеры?
Съёмка выпуска проходила в студии CastPoint.ru. Благодарим за предоставленное помещение.