Квантовая нейросеть из нескольких кубитов решила задачи многоклассовой классификации и распознавания изображений с точностью более 90%, сообщили в МФТИ.
Квантовое машинное обучение — это новая дисциплина, объединяющая нелинейные квантовые системы и классическое машинное обучение. Сейчас, когда мощность классических компьютеров перестает расти, ученые создают принципиально новый подход к вычислениям, что влечет за собой фундаментально другую реализацию нейросети. Для ее создания на первый план выходят квантовые устройства, способные превзойти классические компьютеры.
Команда физиков МФТИ провела цикл экспериментов с цепочкой из нескольких сверхпроводящих кубитов, обучив ее решать задачи классификации и распознавания изображений.
«Мы нашли удачную структуру квантовой цепочки и алгоритм обучения, который позволяет нам достичь точности 94% для стандартных задач классификации с несколькими метками и точности 90% при распознавании рукописных десятичных цифр. Квантовая модель достаточно быстро обучается благодаря необычным свойствам квантовых операций», — рассказал Алексей Толстобров, соавтор исследования, сотрудник лаборатории искусственных квантовых систем МФТИ.
В ходе экспериментов на цепочке кубитов, изготовленной в Центре коллективного пользования МФТИ, ученые с помощью нейросети решали три разных типа задач: задачу четности, обнаружения меток рака молочной железы (классификация «есть/нет») и типологии различных вин (многозначная классификация по десятку параметров).
В ближайшее время коллектив разработчиков планирует увеличить количество кубитов в квантовом симуляторе, решить более сложные задачи классификации, протестировать способность системы решать задачи регрессии, а также перейти от классических данных к квантовым.