Квантовое машинное обучение (QML) часто называют одновременно самой переоцененной и самой недооцененной областью современных технологий. Хотя до создания универсального отказоустойчивого квантового компьютера еще далеко, современная наука уже разрабатывает алгоритмы, способные кардинально изменить способы обработки данных и обучения нейросетей. В этом интервью Иорданис Керенидис, директор по исследованиям CNRS и глава отдела квантовых алгоритмов в QC Ware, объясняет, почему квантовые вычисления — это не просто «очень быстрые процессоры», и как интеграция с классическим ML поможет преодолеть нынешние вычислительные барьеры.
🌌 Квантовое превосходство и новая парадигма вычислений 0:00
Квантовые вычисления принципиально отличаются от классических не просто мощностью, а самим подходом к кодированию информации. Если классический бит — это 0 или 1, то квантовый бит (кубит) может находиться в состоянии суперпозиции.
По словам Керенидиса, квантовый компьютер не предназначен для того, чтобы заменить классический во всем; он эффективен лишь в определенных задачах . За последние 27 лет (со времен появления алгоритма Шора для факторизации чисел в 1993 году) область прошла путь от чистой математической теории до создания реальных физических систем .
Ключевые отличия квантового подхода:
- Носитель информации: Вместо битов используются векторы в высокоразмерном гильбертовом пространстве, где значениями являются комплексные числа, квадраты которых в сумме дают единицу .
- Тип операций: Изменение состояния системы происходит через унитарные преобразования, которые сохраняют норму вектора .
- Проблема наблюдения: В квантовом мире наблюдение — это не пассивный процесс. Измерение разрушает суперпозицию, заставляя систему «схлопнуться» в одно из классических состояний с определенной вероятностью .
🧪 Алгоритмический мост: От линейной алгебры к ИИ 18:24
Большая часть современного машинного обучения опирается на линейную алгебру. Именно здесь квантовые алгоритмы демонстрируют наибольший потенциал. Керенидис отмечает, что вычисление расстояний между точками данных (ядро классификации и кластеризации) на квантовом уровне может быть значительно более эффективным за счет использования квантовых состояний как кодировок точек данных .
Основные вехи развития QML:
- 2009 год: Появление алгоритма решения систем линейных уравнений (HHL), ставшего фундаментом подмодели .
- 2016 год: Публикация теоретической работы по квантовым рекомендательным системам .
- Кейс Эвин Танг: Керенидис вспоминает историю с Эвин Танг, которая, пытаясь доказать преимущество квантового алгоритма рекомендаций, разработала «квантово-вдохновленный» классический алгоритм. Хотя это сократило разрыв с экспоненциального до полиномиального, квантовый метод все еще остается в миллионы раз быстрее в теории .
🏗️ Проблема загрузки данных и «шумная» эпоха (NISK) 32:30
Один из самых сложных вопросов в QML — как перенести классические данные (например, пиксели изображения) в квантовое состояние. Для этого требуется создание специальных «квантовых схем загрузки». Керенидис утверждает, что его команда в QC Ware нашла оптимальные способы загрузки данных: глубина такой схемы логарифмически зависит от размерности данных, что делает процесс чрезвычайно быстрым .
Мы находимся в эре NISK (Noisy Intermediate-Scale Quantum — шумные квантовые устройства промежуточного масштаба), термин для которой предложил Джон Прескилл . Работа с этими машинами сопряжена с рядом трудностей:
- Неточность управления: Кубиты сложно удерживать в идеальном состоянии, что порождает вычислительный шум.
- Устойчивость ML: Керенидис оптимистичен, так как классическое машинное обучение само по себе работает с шумными данными (нечеткие фото, помехи). Алгоритмы ML по своей природе предназначены для извлечения сигнала из шума .
- Конфиденциальность: Внутренний шум квантовых систем может невольно способствовать защите приватности данных, действуя аналогично методам дифференциальной приватности .
🧠 Квантовые нейронные сети: Поиск архитектуры 45:47
Разработка квантовых нейронных сетей (QNN) сейчас находится на эмпирической стадии, напоминающей состояние классического ИИ 30 лет назад . Ученые сталкиваются с проблемой: если у вас есть нейросеть на 100 кубитах, ее невозможно просимулировать на классическом компьютере, чтобы проверить работоспособность, — для этого потребовалась бы память размерностью $2^{100}$ .
Текущие подходы к QNN:
- Гибридное обучение: Использование квантовых ресурсов для ускорения обучения обычных классических нейросетей (ускорение этапа линейной алгебры) .
- Квантовые сверточные нейросети (QCNN): Исследователи ищут способы реализации слоев пулинга и нелинейностей . Поскольку квантовые операции линейны и обратимы, внедрение нелинейности (например, через частичное измерение кубитов) является нетривиальной задачей .
- Обучение с подкреплением (RL): По мнению Керенидиса, это перспективное направление, так как в RL данные генерируются в процессе взаимодействия со средой, что избавляет от необходимости загружать огромные внешние датасеты в память .
🏁 Состояние индустрии и «бесполезное» превосходство 57:03
Современные квантовые машины от Google и IBM (например, 53-кубитные системы) уже достигли порога, за которым их симуляция классическими методами практически невозможна . Керенидис подчеркивает важность эксперимента Google по «квантовому превосходству»: они доказали, что квантовая машина может сделать нечто, недоступное классической, пусть пока это «нечто» и бесполезно с практической точки зрения .
Следующий шаг — переход от демонстрации превосходства в абстрактных задачах к реальному применению в химии, оптимизации и машинном обучении. Керенидис видит свою задачу в ускорении этого процесса через тесное сотрудничество квантовых физиков и специалистов по традиционному AI .
