Гауссовские процессы открывают путь к квантовому машинному обучению

Схематическое изображение основных результатов. Автор: Nature Physics (2025). DOI: 10.1038/s41567-025-02883-z

Нейронные сети произвели революцию в машинном обучении для классических компьютеров: беспилотные автомобили, перевод языков и даже программное обеспечение искусственного интеллекта стали возможными благодаря им. Неудивительно, что исследователи захотели перенести эти же возможности на квантовые компьютеры — но все попытки сделать это столкнулись с непредвиденными проблемами.

Однако недавно команда из Национальной лаборатории Лос-Аламоса разработала новый способ применения этих математических концепций в квантовых компьютерах, используя так называемый гауссовский процесс.

«Наша цель в этом проекте — доказать существование подлинных квантовых гауссовских процессов», — заявил Марко Серезо, ведущий ученый команды Лос-Аламоса. «Такой результат стимулировал бы инновации и новые способы реализации квантового машинного обучения».

Одно из фундаментальных открытий в области машинного обучения произошло после осознания того, что крупные нейронные сети сходятся к гауссовским процессам. Нейронная сеть может содержать миллионы «нейронов» — математических узлов, делающих предположения на основе входных данных.

Хотя каждый нейрон работает случайным образом, после миллионов вычислений обрабатываемая ими информация начинает соответствовать гауссовской кривой (также называемой «колоколообразной»), что позволяет исследователям находить средние значения.

Команде удалось доказать, что та же гауссовская кривая применима и к некоторым квантовым вычислительным процессам — открытие, которое может значительно изменить возможности квантовых компьютеров.

Новый метод обучения избегает известных проблем

Нейронные сети относятся к семейству «параметрических моделей», которые используют настраиваемые параметры для «обучения». После успеха в классических вычислениях ученые попытались применить нейронные сети в квантовых компьютерах, обещавших решать задачи, слишком сложные для обычных машин.

Однако годы исследований показали, что параметрические модели в квантовых вычислениях создают непредвиденные проблемы, такие как «бесплодные плато» — математические тупики.

«Проблема квантовых нейронных сетей в том, что мы просто копировали классические нейронные сети и вставляли их в квантовый компьютер», — объяснил Мартин Ларокка, специалист по квантовым алгоритмам. «Это оказалось не так просто, как мы надеялись. Поэтому мы решили вернуться к основам и найти более простые, но рабочие методы с гарантированными результатами».

В отличие от нейронных сетей, гауссовские процессы не являются параметрическими, что позволяет избежать многих упомянутых проблем. Однако они не универсальны: если распределение не соответствует «колоколообразной» кривой, прогноз может быть неточным. Команда использовала сложные математические инструменты, чтобы подтвердить, что их метод действительно гауссовский и подходит для обработки квантовых данных.

«Это Святой Грааль байесовского обучения», — отметил первый автор статьи Диего Гарсия-Мартин. «Наш результат имеет практическое значение. Например, для прогнозирования цен на жильё: начав с предположения, что цены следуют гауссовской кривой, мы можем уточнять распределение по мере поступления новых данных. Теперь этот же принцип можно применять в квантовых вычислениях».

Новое направление исследований

Воспроизведение возможностей нейронных сетей на квантовых компьютерах — давняя цель в этой области. Данная работа стала результатом многолетних исследований и впервые математически подтвердила такую возможность.

Поскольку квантовые компьютеры остаются развивающейся технологией, большая часть исследований в области квантового машинного обучения пока носит теоретический характер. Это необходимо, чтобы к моменту создания мощных квантовых компьютеров у ученых уже были эффективные модели для решения сложнейших задач.

«Наша задача — найти новые подходы к квантовому машинному обучению, а не продолжать безуспешно адаптировать старые методы», — подчеркнул Серезо.

Исследование опубликовано в журнале Nature Physics.