Квантовые компьютеры учатся работать с «квантовыми данными»
В квантовых компьютерах для хранения и использования данных используются эффекты квантовой механики, о которых часто говорят, что они контринтуитивны. Тем не менее, именно благодаря квантовым эффектам квантовые компьютеры смогут намного превзойти по производительности лучшие современные суперкомпьютеры. В 2019 году впервые в мире был продемонстрирован прототип решения, обладающего, по утверждению представителей компании Google, «квантовым вычислительным превосходством».
Квантовые алгоритмы были созданы для решения сложных и масштабных вычислительных задач, которые не под силу обычным компьютерам, в том числе появившихся совсем недавно задач квантового машинного обучения. В числе основоположников квантового машинного обучения − специалисты Лаборатории квантовой обработки информации Сколтеха, которую возглавляет один из авторов опубликованной статьи, профессор Джейкоб Биамонте. «Методы машинного обучения стали мощным инструментом для выявления закономерностей в массивах данных. В квантовых системах формируются нетипичные закономерности, которые, как считается, не могут с той же эффективностью создаваться в классических системах. Неудивительно поэтому, что при решении задач машинного обучения квантовые компьютеры могут превзойти их классические аналоги», — отметил Биамонте.
В квантовом машинном обучении используется стандартный подход, который заключается в применении квантовых алгоритмов к классическим данным. Иначе говоря, прежде чем использовать квантовые эффекты, классические данные (представленные битовыми строками из единиц и нулей) необходимо сохранить или иным образом представить в квантовом процессоре, то есть решить так называемую проблему ввода данных. Ввод данных ограничивает ускорение вычислений, которое может происходить при использовании алгоритмов квантового машинного обучения.
Исследователям Сколтеха удалось объединить квантовое машинное обучение с квантовым моделированием, а затем применить этот подход к изучению фазовых переходов в квантовых магнитных задачах многих тел. При этом ученые проводили обучение квантовых нейронных сетей, используя в качестве данных только квантовые состояния. Другими словами, авторы намеренно обошли проблему ввода данных, подавая на вход квантово-механические состояния вещества. Для представления подобных состояний с помощью стандартных (не квантовых) методов требуется такой объем памяти, который сегодня невозможно обеспечить с помощью существующих технических средств.
Первый автор статьи, аспирант Сколтеха Алексей Уваров считает, что выполненное исследование стало «шагом вперед на пути к пониманию возможностей квантовых устройств для решения задач машинного обучения». Для того чтобы проанализировать разработанный подход, исследователи применили целый ряд методов, используя в том числе некоторые идеи из области тензорных сетей и теории запутанности.
В работе использована подпрограмма, известная как «вариационный квантовый алгоритм» (VQE), которая итеративно находит приближение к основному состоянию заданного квантового гамильтониана и на выходе выдает набор инструкций для подготовки квантового состояния на квантовом компьютере. Результаты исследования опубликованы в журнале Physical Review A.
Однако для получения полного описания состояния, как правило, требуется экспоненциальный объем памяти, поэтому изучать свойства такого состояния лучше всего, предварительно подготовив его аппаратным способом. Описанный в статье обучающий алгоритм решает следующую задачу: имея заданное состояние VQE, дающее решение задачи основного состояния квантовой спиновой модели, установить, к какой из двух фаз вещества относится это состояние.
«Предлагаемые нами подходы разрабатывались в основном применительно к задачам физики плотных сред, тем не менее, квантовые алгоритмы могут также применяться для задач материаловедения и поиска новых лекарственных препаратов», — пояснил Биамонте.
С препринтом статьи можно ознакомиться бесплатно в базе arXiv. Материал предоставлен пресс-службой Сколтеха.
