Адаптивный метод приближает фотонные квантовые процессоры к работе как нейросети

Новый подход к фотонным нейросетям включает адаптивную инжекцию фотонов на этапе пулинга. Автор: L. Monbroussou et al., doi 10.1117/1.AP.7.6.066012

Машинное обучение с использованием сверточных нейронных сетей (CNN) лежит в основе таких технологий, как распознавание изображений и перевод языков. Их квантовый аналог — квантовая сверточная нейронная сеть (QCNN) — потенциально может обрабатывать информацию эффективнее, используя квантовые состояния вместо классических битов.

Фотоны обладают высокой скоростью, стабильностью и легко управляются на чипах, что делает фотонные системы перспективной платформой для QCNN. Однако фотонные схемы обычно ведут себя линейно, что ограничивает гибкие операции, необходимые нейросетям.

Адаптивная инжекция состояний в фотонных QCNN

В исследовании, опубликованном в журнале Advanced Photonics, ученые представили метод, который делает фотонные схемы более адаптивными без ущерба для совместимости с современными технологиями. Их подход добавляет контролируемый шаг — так называемую адаптивную инжекцию состояний, — который позволяет схеме корректировать свое поведение на основе измерения, проведенного в процессе обработки. Этот дополнительный контроль приближает фотонные QCNN к практическому применению.

Команда построила модульную QCNN, используя одиночные фотоны из квантово-точечного источника и два интегрированных квантовых фотонных процессора. Как и классическая CNN, сеть обрабатывает информацию поэтапно. После первого этапа часть светового сигнала измеряется.

В зависимости от результата система либо инжектирует новый фотон, либо пропускает существующий свет дальше, мягко направляя вычисления. Поскольку современное фотонное оборудование не может переключать свет в реальном времени без потери информации, исследователи смоделировали этот шаг в лаборатории, используя контролируемую технику, которая воспроизводит тот же эффект.

Экспериментальные результаты и перспективы

Для проверки конструкции они закодировали простые изображения 4 × 4 — паттерны горизонтальных или вертикальных полос. Измерения на каждом этапе соответствовали теоретическим прогнозам. В полной экспериментальной установке QCNN достигла точности классификации свыше 92%, что согласуется с численным моделированием. Это демонстрирует потенциал адаптивного подхода.

Исследователи также изучили масштабируемость, отметив, что будущие фотонные устройства с быстрым переключением могут обеспечить создание более крупных и мощных QCNN, превосходящих некоторые классические методы.

«Эта работа предоставляет как теоретическую основу, так и реализацию доказательства концепции фотонной QCNN», — говорит старший автор Фабио Шаррино. — «Мы ожидаем, что эти результаты послужат отправной точкой для разработки новых методов квантового машинного обучения».

Добавив простой адаптивный шаг, совместимый с существующими технологиями, исследование намечает реалистичный путь к созданию более совершенных фотонных квантовых процессоров.

Больше информации: Léo Monbroussou et al, Photonic quantum convolutional neural networks with adaptive state injection, Advanced Photonics (2025). DOI: 10.1117/1.ap.7.6.066012

Источник: SPIE