Учёные из Университетского колледжа Лондона (UCL, University College London) разработали гибридный метод, объединяющий квантовые вычисления и искусственный интеллект, который позволяет значительно улучшить прогнозирование сложных физических систем. Новый подход превосходит традиционные модели, работающие только на классических компьютерах, и может найти применение в таких областях, как климатология, медицина и энергетика.

Метод основан на использовании квантовых компьютеров, которые обрабатывают данные с помощью кубитов. В отличие от традиционных битов, кубиты могут находиться в состоянии 1, 0 или их суперпозиции, что позволяет представлять огромное количество возможных состояний. На этапе обучения ИИ квантовый компьютер анализирует данные и выявляет устойчивые статистические свойства, которые затем используются для обучения модели на классическом суперкомпьютере.

Результаты исследования, опубликованные в журнале Science Advances, показали, что гибридная система обеспечивает на 20% более высокую точность по сравнению с классическими архитектурами ИИ-моделей. Кроме того, метод требует в сотни раз меньше памяти и сохраняет стабильность прогнозов даже для хаотичных систем.

Иллюстрация: Nano Banana

Ключевыми преимуществами метода являются квантовые эффекты, такие как запутанность и суперпозиция, которые позволяют компактно обрабатывать большие объёмы информации. Это делает метод особенно эффективным для моделирования сложных систем, где изменения в одной области могут влиять на отдалённые части системы.

Исследование проводилось с использованием 20-кубитного квантового компьютера IQM, подключённого к классическим вычислительным ресурсам в Лейбницком суперкомпьютерном центре в Германии. Квантовые компьютеры работают при экстремально низких температурах, близких к абсолютному нулю (-273°C), что делает их эксплуатацию сложной, но перспективной.

По словам руководителя тестов, профессора Питера Ковени, новый метод может быть использован для прогнозирования турбулентности, моделирования кровотока, проектирования ветряных ферм и других задачах, связанных с хаосом в математике, которые изучают поведение сложных динамических систем. Исследователи планируют масштабировать метод на более крупные наборы данных и применять его к реальным задачам, а также разработать теоретическую основу для дальнейшего развития.

iXBT прочитано 1224 раза