Американские физики впервые полностью реализовали нейросеть для распознавания изображений на ионном квантовом компьютере. Это важный шаг для квантового машинного обучения, потому что раньше подобные идеи чаще обсуждали на уровне теории, симуляторов или отдельных экспериментальных фрагментов. Теперь исследователи показали, что нейросетевую архитектуру можно запустить на реальном квантовом устройстве, даже если оно пока остается «шумным» и ограниченным по числу кубитов.
Квантовый компьютер отличается от классического тем, что использует не обычные биты, принимающие значения 0 или 1, а кубиты. Кубит может находиться в квантовом состоянии, которое описывается иначе, чем классический бит, а несколько кубитов могут быть связаны через запутанность. Именно эти свойства делают квантовые вычисления перспективными для некоторых задач, хотя практическое превосходство над обычными компьютерами пока доказано далеко не везде.
В новом эксперименте роль нейронов выполняли отдельные кубиты. Их взаимодействия настраивались так, чтобы напоминать работу обычной нейросети, где сигналы проходят через слои, преобразуются и помогают системе распознать входные данные. Если классическая нейросеть обрабатывает числа на обычном процессоре или графическом ускорителе, то квантовая версия использует операции над кубитами и квантовые состояния.
Исследователи создали квантовый аналог бинарного многослойного перцептрона. Перцептрон — это одна из базовых форм нейросетевой модели, которая получает входные данные, преобразует их через несколько слоев и выдает результат классификации. В современной ИИ-индустрии используются намного более сложные архитектуры, но именно простые модели часто становятся удобной площадкой для первых практических экспериментов на новом типе вычислительного железа.
Работой руководила группа американских физиков под руководством профессора Университета штата Мэриленд Виктора Галицкого. Ученые поставили задачу не просто описать квантовую нейросеть на бумаге, а реализовать ее на реальной платформе и проверить, сможет ли она выполнять понятную задачу распознавания изображений. Для этого они использовали изображения цифр, которые система должна была классифицировать после обучения.
Особенность эксперимента в том, что нейросеть запустили на квантовом процессоре на базе ионов иттербия. Ионный квантовый компьютер использует заряженные атомы, удерживаемые электромагнитными полями. Состояния этих ионов применяются как кубиты, а операции над ними выполняются с помощью специально настроенных воздействий. Такая платформа считается одной из перспективных для квантовых вычислений благодаря высокой точности операций и хорошему контролю над отдельными частицами.
Ионы иттербия в такой системе можно представить как очень маленькие и хорошо изолированные носители информации. Они не лежат на чипе в привычном смысле, а удерживаются в ловушке и управляются физическими методами. Это делает ионные квантовые компьютеры сложными с инженерной точки зрения, но одновременно дает им преимущества в качестве кубитов и возможности выполнять точные квантовые операции.
Ученые также проверили подход на другой платформе — облачном квантовом компьютере IBM, построенном на сверхпроводящих кубитах-трансмонах. Это важно, потому что разные типы квантовых компьютеров имеют разную физическую природу, разные ошибки и разные ограничения. Если один и тот же подход можно адаптировать к нескольким платформам, он выглядит более универсальным и перспективным для дальнейших исследований.
В эксперименте нейросеть использовала 16 кубитов, которые выполняли роль нейронов и поэтапно обрабатывали изображения. По современным меркам это очень маленькая система. Для сравнения, обычные нейросети, применяемые в распознавании изображений, переводе, генерации текста или создании картинок, могут включать миллионы, миллиарды и даже триллионы параметров. Поэтому новый результат не означает, что квантовый компьютер уже готов заменить графические ускорители в ИИ.
Тем не менее значение работы не в размере модели, а в самом факте полной реализации. Исследователи показали, что нейросеть можно не только имитировать на классическом компьютере, но и физически исполнять на квантовом железе. Это особенно важно для так называемых NISQ-устройств — квантовых процессоров промежуточного уровня, которые уже существуют, но еще не имеют полноценной коррекции ошибок и работают с заметным уровнем шума.
Шум в квантовых вычислениях — это одна из главных проблем. Кубиты очень чувствительны к внешним воздействиям, неточным операциям и внутренним ошибкам системы. Из-за этого квантовое состояние может разрушаться или искажаться до завершения вычисления. В идеале будущие квантовые компьютеры должны использовать коррекцию ошибок, но современные устройства часто слишком малы и нестабильны для больших надежных расчетов.
Любопытно, что в этом эксперименте шум не только не уничтожил результат, но, по данным авторов, мог даже помочь точности распознавания. Квантовая нейросеть на реальном устройстве показала результат лучше, чем ожидалось по симуляциям. Исследователи пока не дают окончательного объяснения этому эффекту, но предполагают, что особенности шума могли действовать как своеобразная регуляризация, то есть помогать модели не переобучаться и лучше обобщать данные.
В классическом машинном обучении похожая идея хорошо известна. Иногда добавление случайности, шума или ограничений помогает нейросети работать устойчивее и не запоминать обучающие данные слишком буквально. Если похожий эффект удастся осмысленно использовать в квантовых системах, это может стать важным направлением для будущих алгоритмов. Но пока говорить о практическом преимуществе рано: нужны новые эксперименты и более крупные модели.
Результат также важен потому, что распознавание изображений — понятная прикладная задача. Квантовые компьютеры часто демонстрируют на абстрактных математических примерах, которые трудно связать с реальной жизнью. Здесь же речь идет о задаче из области искусственного интеллекта, знакомой по обычным нейросетям: система получает изображение и должна определить, что на нем показано. Даже если масштаб пока небольшой, сама постановка делает эксперимент ближе к практическим сценариям.
При этом квантовое машинное обучение остается ранней областью. Ученые пока только ищут задачи, где квантовые алгоритмы действительно могут дать преимущество. Не всякая нейросеть станет лучше только потому, что ее перенесли на кубиты. Классические графические процессоры, специализированные ИИ-чипы и оптимизированное программное обеспечение развиваются очень быстро, поэтому квантовым подходам нужно доказать реальную пользу, а не просто необычность.
Главные вопросы остаются открытыми. Нужно понять, можно ли масштабировать такую нейросеть до большего числа кубитов, как будет расти точность, как обучать более сложные модели, какие данные подходят для квантовой обработки и где может появиться преимущество перед классическими системами. Также важно разобраться, какую роль играет шум: является ли он полезным свойством в отдельных задачах или случайным эффектом конкретного эксперимента.
Для индустрии ИИ эта работа не означает немедленной революции. Большие языковые модели, генераторы изображений, рекомендательные системы и компьютерное зрение в ближайшей перспективе продолжат работать на классической инфраструктуре: графических процессорах, тензорных ускорителях, дата-центрах и специализированных чипах. Квантовые компьютеры пока слишком малы, дороги и сложны для массового применения в таких задачах.
Но для науки результат важен как доказательство принципа. Он показывает, что квантовые процессоры могут выполнять полноценные элементы нейросетевых вычислений, а не только отдельные учебные операции. Если технологии кубитов, коррекции ошибок и квантовых алгоритмов будут развиваться, в будущем такие системы могут занять нишу в задачах оптимизации, моделирования сложных физических процессов, химии, материаловедения и некоторых форм машинного обучения.
Особенно перспективным может быть гибридный подход, когда часть вычислений выполняется на классическом компьютере, а часть — на квантовом процессоре. Такой сценарий выглядит реалистичнее, чем полная замена обычных компьютеров. Классическая система может готовить данные, управлять обучением и обрабатывать результаты, а квантовый модуль — выполнять специфические операции, где его физическая природа дает преимущество.
Главный вывод состоит в том, что запуск полноценной нейросети на ионном квантовом компьютере — это не готовый коммерческий продукт, а важный научный рубеж. Ученые показали, что даже современные шумные квантовые устройства со скромным числом кубитов могут выполнять задачи машинного обучения. Теперь ключевой вопрос в том, удастся ли превратить этот эксперимент в масштабируемую технологию, которая когда-нибудь даст ИИ новые вычислительные возможности.