Квантовый шум как неожиданный союзник нейросетей: как физики улучшили распознавание цифр

Квантовый шум традиционно воспринимается как главный враг квантовых вычислений, искажающий состояния кубитов и затрудняющий получение надежных результатов. Однако недавние исследования, проведенные под руководством Джамиля Лахдара-Хамины, показали, что умеренная неопределенность может, наоборот, повысить точность распознавания рукописных цифр. Это открытие ставит под сомнение привычные представления о шуме как о чисто негативном факторе в вычислениях.

Квантовые нейросети и их потенциал

Нейросети уже давно зарекомендовали себя в таких задачах, как распознавание лиц, перевод текстов и создание изображений. Однако большинство из них работает на классических процессорах и графических ускорителях. Квантовые компьютеры, обладая теоретическим потенциалом для расширения возможностей машинного обучения, сталкиваются с трудностями при переносе нейросетей на реальное квантовое оборудование. Исследователи разработали гибридный подход, при котором нейросеть обучалась на классическом компьютере, а затем переносилась на квантовое оборудование для принятия решений. Это позволило избежать сложностей, связанных с обучением на нестабильных кубитах, и дало возможность исследовать влияние квантового шума на результаты.

Архитектура эксперимента

В рамках эксперимента использовались два разных типа квантовых компьютеров: один на основе захваченных ионов, другой — на сверхпроводящих электрических цепях. Нейросеть была настроена так, что на одном конце шкалы находился почти полностью классический вариант, а на другом — квантовый режим с заметным влиянием случайности результатов измерения. Это позволило исследователям отделить общие свойства квантовой нейросети от особенностей конкретного оборудования.

Результаты и их интерпретация

Для проверки гипотезы была выбрана классическая задача — распознавание рукописных цифр. Алгоритм получал изображения символов и должен был определить, какая цифра изображена на каждом из них. Наиболее точные результаты были получены при умеренном уровне квантовой неопределенности. Это открытие напоминает явление стохастического резонанса, при котором небольшое количество шума помогает системе обнаруживать слабые сигналы. Интересно, что квантовая модель иногда давала правильные ответы на изображения, которые классическая версия распознавала неправильно. Это указывает на то, что физический шум может подталкивать алгоритм к более подходящему решению. Однако стоит отметить, что это не означает, что квантовые компьютеры уже превзошли классические системы машинного обучения. Исследование демонстрирует узкий эффект, показывающий, что реальные свойства квантового устройства могут изменять решения модели и иногда делать их более точными.

Перспективы и вызовы

Исследователи также добавили в вычисления операции, которые в идеальной квантовой схеме должны взаимно уничтожаться и не влиять на ответ. На практике эти действия усиливали воздействие аппаратных ошибок, что позволило лучше понять, как разные системы реагируют на шум. Результаты подчеркивают, что шум не всегда является однозначно вредным фактором. В некоторых моделях машинного обучения небольшая неопределенность может выполнять полезную функцию. Классические нейросети также используют случайность, добавляя шум в данные или временно отключая часть связей. Это помогает моделям лучше справляться с незнакомой информацией. В квантовых компьютерах случайность возникает из физических свойств системы, и авторы работы предлагают рассматривать это поведение не как дефект, а как потенциальное преимущество.

Заключение

Сравнение разных платформ, таких как захваченные ионы и сверхпроводящие цепи, позволяет определить, какие типы квантовых компьютеров лучше подходят для машинного обучения. Однако до практического квантового преимущества еще далеко. Исследователям предстоит проверить более крупные нейросети и сложные наборы данных, а также выяснить, сохраняется ли полезный эффект при увеличении числа кубитов. Новая работа не утверждает, что квантовые нейросети обязательно окажутся мощнее классических, но открывает неожиданные пути развития: вместо полного устранения квантового шума инженеры могут научиться его дозировать и использовать для повышения качества решений.