Квантовое машинное обучение приближается к реальности благодаря частичной коррекции ошибок

Исследователи из австралийского национального научного агентства CSIRO и Мельбурнского университета совершили прорыв, который может значительно приблизить практическое применение квантового машинного обучения (QML). Их работа показывает, что для достижения высокой точности моделей не требуется полная коррекция квантовых ошибок.

Автор: Unsplash/CC0 Public Domain

До сих пор главным препятствием были ошибки. Квантовые процессоры работают с шумом, а модели QML требуют глубоких цепей с сотнями вентилей. Даже крошечные ошибки быстро накапливаются, разрушая точность. Полная коррекция ошибок требует миллионов кубитов для запуска одной модели, что недостижимо для современного оборудования.

Команда обнаружила, что исправлять нужно не всё. В моделях QML более половины вентилей являются обучаемыми и настраиваются в процессе обучения. Пропуская коррекцию ошибок для этих вентилей, модель может «самокорректироваться» по мере тренировки. В результате точность оказывается почти такой же, как при полной коррекции, но требуется всего несколько тысяч кубитов вместо миллионов.

До сих пор квантовое машинное обучение в основном тестировалось в идеальных, свободных от ошибок симуляциях. Но реальные квантовые компьютеры не идеальны — они шумные, и этот шум делает современное оборудование несовместимым с этими моделями. Другими словами, существует большой разрыв между теорией и фактическим запуском QML на квантовых процессорах без потери точности.

— пояснил ведущий автор исследования, аспирант Мельбурнского университета Хайюэ Кан.

Профессор Мухаммад Усман, руководитель группы квантовых систем в CSIRO и старший автор исследования, назвал эту работу сменой парадигмы.

Мы показали, что частичной коррекции ошибок достаточно, чтобы сделать QML практичным на квантовых процессорах, которые, как ожидается, появятся в ближайшем будущем.

Это открытие имеет большое значение, так как может перенести квантовое машинное обучение из области теории в реальность гораздо раньше, чем ожидалось. Более быстрая тренировка моделей, более умный ИИ и реальное квантовое преимущество теперь могут оказаться в пределах досягаемости. Исследование знаменует собой важную веху, предлагая переосмыслить подход к созданию квантовых алгоритмов для «шумного» оборудования.

Исследование опубликовано в журнале Quantum Science and Technology.