🧑🏫 Ученые ускорили обучение нейросетей на квантовых компьютерах
🧑🏫 Ученые ускорили обучение нейросетей на квантовых компьютерах На кафедре «Автоматизированные системы управления» Московского автомобильно-дорожного государственного технического университета разработан новый математический инструмент для квантового машинного обучения. Подход позволяет обучать нейросети в сотни раз быстрее классических систем. В основе разработки — новый способ построения «квантового оракула»: алгоритма-навигатора, который направляет вычисления сразу к верному ответу, минуя длительный перебор. Для квантового поиска традиционно используется алгоритм Гровера, но ему необходим оракул — функция, распознающая правильное решение и усиливающая его вероятность. Главная сложность — обратимость квантовых операций: вспомогательные вычисления нельзя «стереть» без потери информации. Ученые предложили использовать в роли оракула обратимый квантовый умножитель. Для этого они систематизировали матричный аппарат, построили квантовые аналоги базовых логических операций (NOT, AND, OR, XOR) и полного сумматора, а также сформулировали концепцию обучения квантового персептрона. 📊 Расчеты на примере 16-кубитного регистра показали: алгоритм Гровера с новым компонентом находит решение примерно в 326 раз быстрее классического перебора. Это закладывает теоретический фундамент для решения реальных прикладных задач в промышленности и социальной сфере — с обработкой больших массивов данных за доли секунды. Работоспособность подхода подтвердили ручными матричными расчетами, симуляцией в Quirk, построением обратимых квантовых логических схем и демонстрацией обучения персептрона с одним весом. На прототипах IBM Q исследовали рост квантового шума при увеличении глубины схемы. Следующий этап — масштабирование на 2–3-кубитные регистры, адаптация для симуляторов и NISQ-устройств, а также решение вопросов разрядности квантовой арифметики.