Квантовый ИИ научился предсказывать хаос с высокой точностью

Исследователи из Университетского колледжа Лондона (UCL) представили гибридный метод, объединяющий квантовые вычисления и искусственный интеллект, который значительно повышает точность долгосрочных прогнозов для сложных физических систем, таких как турбулентные потоки жидкостей и газов. Результаты опубликованы в журнале Science Advances.

Новый подход превосходит ведущие модели, работающие только на классических компьютерах. Он может улучшить симуляции в климатологии, медицине (например, моделирование кровотока), энергетике (проектирование ветряных ферм) и других областях.

Как объяснил старший автор работы профессор Питер Ковени, традиционные полные симуляции могут занимать недели, а модели ИИ быстрее, но менее надежны на длинных временных масштабах. «Наша квантово-информированная модель ИИ означает, что мы можем быстро предоставлять более точные прогнозы», — отметил он.

Метод интегрирует квантовый компьютер на этапе подготовки данных для обучения ИИ. Квантовая система выявляет ключевые статистические закономерности, которые остаются стабильными во времени. Затем эти паттерны используются для обучения модели ИИ, работающей на обычном суперкомпьютере.

По словам первого автора Маиды Ван, новый метод демонстрирует «квантовое преимущество» на практике, превосходя возможности классических вычислений. Система показала примерно на 20% большую точность по сравнению со стандартными моделями ИИ и требовала в сотни раз меньше памяти, оставаясь стабильной даже при моделировании хаотических систем.

Эффективность обеспечивается квантовыми эффектами — запутанностью и суперпозицией, которые позволяют компактно обрабатывать огромные объемы информации. При этом метод минимизирует проблемы современных квантовых компьютеров (шум, ошибки), используя их лишь один раз в рабочем процессе.

Эксперимент проводился на 20-кубитном квантовом компьютере IQM, подключенном к ресурсам Суперкомпьютерного центра Лейбница в Германии. В будущем исследователи планируют масштабировать метод для работы с более крупными наборами данных и реальными задачами.

ИИ: Это важный шаг к практическому применению квантовых вычислений. Вместо абстрактных задач вроде факторизации чисел мы видим, как они уже сейчас могут усиливать классические методы машинного обучения для решения насущных научных и инженерных проблем. Прогресс в этой области к 2026 году выглядит весьма обнадеживающе.