Квантовое машинное обучение: новые достижения ученых

Новости МирТесен

Ученые из Венского университета представили инновационную методику квантовых вычислений, обеспечивающую выполнение алгоритмов машинного обучения с использованием ядра и демонстрирующую беспрецедентную эффективность. Данная технология, использующая фотонные квантовые схемы, превосходит традиционные суперкомпьютеры по скорости, точности и энергоэффективности.

В последние годы квантовые технологии демонстрируют значительный потенциал, в особенности в сфере вычислений. Однако до настоящего времени преимущества квантовых алгоритмов были подтверждены только в узких областях, где их практическое применение не всегда очевидно. Новое исследование, опубликованное в журнале , в работе показано, как квантовые методы способны повысить эффективность машинного обучения и решать практические задачи лучше, чем традиционные подходы.

Исследователи изучали методы, использующие квантовые ядра, которые широко применяются в машинном обучении для классификации сложных данных. В отличие от гибридных подходов, требующих использования сложных квантовых вентилей, предложенный метод основан на фотонах, проходящих через специально сконструированный квантовый контур. Для создания этой схемы ученые использовали фемтосекундный лазер, который выгравировал ее в боросиликатном стекле. Показатели фотонов, прошедших через этот контур и обработавших данные, были сопоставлены с результатами классических вычислений.

Квантовый алгоритм продемонстрировал не только повышенную скорость, но и улучшенную точность, а также сниженное энергопотребление. Разработчики подчеркивают, что их метод превосходит существующие классические решения, включая гауссовы ядра и нейронные тангенциальные ядра, за счет использования квантовой интерференции и когерентности отдельных фотонов.

Данное достижение прокладывает дорогу для разработки более совершенных алгоритмов, предназначенных для обработки естественного языка и решения других сложных задач. Также стоит отметить, что технология обладает свойством масштабируемости: повышение производительности возможно за счет увеличения количества фотонов или кубитов. Авторы утверждают, что их разработка является одним из первых реальных примеров успешного использования квантового машинного обучения, что подтверждает его способность кардинально изменить подход к вычислениям.