В Национальном исследовательском технологическом университете «МИСИС» разработали новый подход к оптимизации квантовых алгоритмов. В университете пояснили, что метод основан на управляемом использовании специальных шумовых каналов, что в будущем может значительно увеличить точность и быстродействие квантовых алгоритмов. Работа была выполнена при поддержке Российского научного фонда, а её результаты опубликованы в журнале Physical Review A.
Как пояснили в МИСИС, квантовое машинное обучение обладает значительным потенциалом, но в процессе обучения и оптимизации возникают серьёзные трудности. Алгоритмы могут застревать на промежуточных решениях, не достигая глобального оптимума, из-за большого количества возможных, но не всегда лучших вариантов. Новый протокол, созданный учёными вуза, позволяет воздействовать на ландшафт оптимизации с помощью контролируемого шума.
Обычно шумовые воздействия считаются вредными для квантовых систем, так как внешние воздействия — будь то колебания температуры или электромагнитных полей — вызывают ошибки в вычислениях. Однако в ходе исследования было показано, что использование специально организованных шумовых каналов может помочь сгладить резкие перепады в функции потерь, тем самым способствуя нахождению более точных решений.
Старший научный сотрудник лаборатории квантовых информационных технологий НИТУ МИСИС Никита Немков пояснил, что при обучении как классических нейросетей, так и квантовых моделей, ключевую роль играет функция потерь. Она показывает, насколько выбранная модель далека от правильного решения. Модель может включать множество параметров — таких как углы вращения, фазы, веса и другие. Каждому набору параметров соответствует определённое значение функции потерь, которое можно представить в виде «высоты» на топографической карте.
«Представьте: вы стоите на горе и пытаетесь спуститься к самой низкой точке. Высота указывает, как далеко вы от цели. На пути встречается множество мелких ям и впадин и в них можно легко застрять, так и не добравшись до цели. Обычно так и происходит — мы блуждаем и попадаем в локальные ловушки. Наш метод похож на то, как если бы ямы засыпали песком. Он заполняет мелкие впадины, выравнивая поверхность, и путь становится проще: мы больше не задерживаемся и можем двигаться дальше. Таким образом, добавление шума — регуляризация — сглаживает ландшафт и значительно упрощает поиск оптимального решения».
Созданный протокол предполагает добавление строго определённого количества шума к конкретным элементам квантовой схемы, что позволяет выровнять функцию потерь. Учёные протестировали разработку на ряде задач, включая квантовую свёрточную нейросеть. В обоих случаях методика показала значительное улучшение результатов и увеличила вероятность нахождения корректных решений по сравнению с классическими методами.
Директор Института физики и квантовой инженерии НИТУ МИСИС, руководитель научной группы РКЦ «Квантовые информационные технологии» Алексей Фёдоров отметил:
«Сложность обучения вариационных квантовых алгоритмов и моделей квантового машинного обучения хорошо известна. Предложенный нами протокол может быть объединён с существующим методом смягчения локальных минимумов — квантовым оптимизатором естественного градиента, а также может дополнить набор методов оптимизации функций квантовых потерь. Техническая реализация протокола не требует большого количества дополнительных ресурсов и может быть использована как в классических симуляторах квантовых цепей, так и на реальных квантовых устройствах».
Как пояснили в МИСИС, квантовое машинное обучение обладает значительным потенциалом, но в процессе обучения и оптимизации возникают серьёзные трудности. Алгоритмы могут застревать на промежуточных решениях, не достигая глобального оптимума, из-за большого количества возможных, но не всегда лучших вариантов. Новый протокол, созданный учёными вуза, позволяет воздействовать на ландшафт оптимизации с помощью контролируемого шума.
Обычно шумовые воздействия считаются вредными для квантовых систем, так как внешние воздействия — будь то колебания температуры или электромагнитных полей — вызывают ошибки в вычислениях. Однако в ходе исследования было показано, что использование специально организованных шумовых каналов может помочь сгладить резкие перепады в функции потерь, тем самым способствуя нахождению более точных решений.
Старший научный сотрудник лаборатории квантовых информационных технологий НИТУ МИСИС Никита Немков пояснил, что при обучении как классических нейросетей, так и квантовых моделей, ключевую роль играет функция потерь. Она показывает, насколько выбранная модель далека от правильного решения. Модель может включать множество параметров — таких как углы вращения, фазы, веса и другие. Каждому набору параметров соответствует определённое значение функции потерь, которое можно представить в виде «высоты» на топографической карте.
«Представьте: вы стоите на горе и пытаетесь спуститься к самой низкой точке. Высота указывает, как далеко вы от цели. На пути встречается множество мелких ям и впадин и в них можно легко застрять, так и не добравшись до цели. Обычно так и происходит — мы блуждаем и попадаем в локальные ловушки. Наш метод похож на то, как если бы ямы засыпали песком. Он заполняет мелкие впадины, выравнивая поверхность, и путь становится проще: мы больше не задерживаемся и можем двигаться дальше. Таким образом, добавление шума — регуляризация — сглаживает ландшафт и значительно упрощает поиск оптимального решения».
Созданный протокол предполагает добавление строго определённого количества шума к конкретным элементам квантовой схемы, что позволяет выровнять функцию потерь. Учёные протестировали разработку на ряде задач, включая квантовую свёрточную нейросеть. В обоих случаях методика показала значительное улучшение результатов и увеличила вероятность нахождения корректных решений по сравнению с классическими методами.
Директор Института физики и квантовой инженерии НИТУ МИСИС, руководитель научной группы РКЦ «Квантовые информационные технологии» Алексей Фёдоров отметил:
«Сложность обучения вариационных квантовых алгоритмов и моделей квантового машинного обучения хорошо известна. Предложенный нами протокол может быть объединён с существующим методом смягчения локальных минимумов — квантовым оптимизатором естественного градиента, а также может дополнить набор методов оптимизации функций квантовых потерь. Техническая реализация протокола не требует большого количества дополнительных ресурсов и может быть использована как в классических симуляторах квантовых цепей, так и на реальных квантовых устройствах».
