# Иорданис Керенидис: «Квантовое ML — самая переоцененная и недооцененная область» Источник: https://www.youtube.com/watch?v=M50Ozpms-Hs Канал: The TWIML AI Podcast Опубликовано: 03.08.2020 --- 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 [[JUMP: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 [04:36]. 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 [03:17]. 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 [15:05]. * **Тип операций:** Изменение состояния системы происходит через унитарные преобразования, которые сохраняют норму вектора [16:41]. * **Проблема наблюдения:** В квантовом мире наблюдение — это не пассивный процесс. Измерение разрушает суперпозицию, заставляя систему «схлопнуться» в одно из классических состояний с определенной вероятностью [17:32]. ## 🧪 Алгоритмический мост: От линейной алгебры к ИИ [[JUMP: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 [18:50]. Основные вехи развития QML: 1. **2009 год:** Появление алгоритма решения систем линейных уравнений (HHL), ставшего фундаментом подмодели [07:56]. 2. **2016 год:** Публикация теоретической работы по квантовым рекомендательным системам [08:08]. 3. **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 [11:16]. ## 🏗️ Проблема загрузки данных и «шумная» эпоха (NISK) [[JUMP: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 [36:03]. Мы находимся в эре **NISK** (Noisy Intermediate-Scale Quantum — шумные квантовые устройства промежуточного масштаба), термин для которой предложил Джон Прескилл [38:29]. 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 [39:19]. * **Конфиденциальность:** Внутренний шум квантовых систем может невольно способствовать защите приватности данных, действуя аналогично методам дифференциальной приватности [41:15]. ## 🧠 Квантовые нейронные сети: Поиск архитектуры [[JUMP:45:47]] Разработка квантовых нейронных сетей (QNN) сейчас находится на эмпирической стадии, напоминающей состояние классического ИИ 30 лет назад [45:59]. 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 $2^{100}$ [46:56]. Текущие подходы к QNN: * **Гибридное обучение:** Использование квантовых ресурсов для ускорения обучения обычных классических нейросетей (ускорение этапа линейной алгебры) [47:36]. * **Квантовые сверточные нейросети (QCNN):** Исследователи ищут способы реализации слоев пулинга и нелинейностей [52:34]. Поскольку квантовые операции линейны и обратимы, внедрение нелинейности (например, через частичное измерение кубитов) является нетривиальной задачей [53:30]. * **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 [55:17]. ## 🏁 Состояние индустрии и «бесполезное» превосходство [[JUMP:57:03]] Современные квантовые машины от Google и IBM (например, 53-кубитные системы) уже достигли порога, за которым их симуляция классическими методами практически невозможна [58:38]. 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 [59:41]. 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 [1:01:22].