От битов к кубитам: как квантовая оптимизация меняет AI

Все передовые системы искусственного интеллекта — от беспилотного автомобиля до модели прогнозирования котировок — постоянно идут на компромиссы, корректируя, совершенствуя и адаптируя свои решения на основе опыта. В основе этих решений лежит один из важнейших процессов в искусственном интеллекте: оптимизация.

Например, модель искусственного интеллекта, обученная распознавать дорожные знаки или прогнозировать цены на жильё, учится на примерах. В процессе обучения она постоянно совершенствует способ своего обучения. Каждый шаг корректирует миллионы параметров, тонко настраивая веса и смещения, чтобы уменьшить ошибки прогнозирования и повысить точность.

Этот процесс можно рассматривать как крупномасштабную задачу оптимизации. Цель — найти наилучшее сочетание параметров, которое обеспечивает точные результаты без переобучения и лишних затрат вычислительных ресурсов.

Фактически оптимизация — важнейшая часть искусственного интеллекта. Независимо от того, распознаёт ли модель искусственного интеллекта изображение или прогнозирует цену, ей нужно найти наиболее эффективное решение среди бесчисленного множества вариантов. Однако по мере роста моделей и наборов данных этот поиск становится всё сложнее и требует всё больше вычислительных ресурсов.

Квантовая оптимизация — это новый подход, который может помочь решить эту задачу. Он основан на квантовых вычислениях, использующих принципы квантовой механики для обработки информации новыми способами.

Вместо битов, которые могут принимать только значения 0 или 1, в квантовых компьютерах используются кубиты, способные одновременно находиться в нескольких состояниях. Благодаря этому они могут параллельно исследовать множество возможных решений и в некоторых случаях эффективнее классических методов решать сложные задачи оптимизации.

Однако квантовый параллелизм — это не то же самое, что одновременный запуск множества классических процессоров. Это вероятностный процесс, который зависит от квантовой интерференции для получения полезных результатов.

Проще говоря, квантовые компьютеры не проверяют все варианты одновременно. Вместо этого они используют интерференцию: одни варианты усиливают друг друга, а другие взаимно гасятся, повышая вероятность найти правильный ответ.

В этой статье мы рассмотрим, как работает квантовая оптимизация, почему она важна и что она может означать для будущего интеллектуальных вычислений. Начнём!

Что такое квантовая оптимизация?#

Квантовая оптимизация — это развивающаяся область квантовых вычислений, сосредоточенная на решении сложных задач оптимизации с использованием уникальных свойств квантовой механики. Она объединяет результаты десятилетий исследований в области информатики и физики, чтобы решать задачи, с которыми традиционные вычисления справляются с трудом.

Идея использовать квантовые системы для оптимизации впервые появилась в конце 1990-х годов, когда исследователи начали изучать, как квантовые принципы, такие как суперпозиция (одновременное нахождение в нескольких состояниях) и запутанность (связанные кубиты), можно применять для решения задач.

Со временем это направление превратилось в квантовую оптимизацию: исследователи разработали алгоритмы, использующие квантовые эффекты для эффективного поиска оптимальных решений в больших и сложных пространствах задач.

Основы квантовой оптимизации#

В основе квантовой оптимизации лежат три ключевых компонента: квантовые алгоритмы, кубиты и квантовые схемы. Квантовые алгоритмы задают логику, которая обеспечивает эффективное исследование больших наборов возможных решений.

Эти алгоритмы работают с кубитами — фундаментальными единицами квантовой информации. Они отличаются от классических битов (двоичных единиц данных в традиционных компьютерах, способных хранить значение 0 или 1) тем, что могут находиться в состоянии суперпозиции, одновременно представляя и 0, и 1.

Рис. 1. Что такое кубит? (Источник: ResearchGate)

Это уникальное свойство позволяет квантовым системам одновременно оценивать множество вариантов, значительно расширяя их вычислительный потенциал. Квантовые схемы соединяют кубиты последовательностями квантовых вентилей, которые управляют потоком и взаимодействием информации, постепенно направляя систему к почти оптимальному решению.

Классическая и квантовая оптимизация#

Ниже приведены несколько ключевых различий между классическими и квантовыми подходами к оптимизации:

• Стиль вычислений: Классические алгоритмы проверяют по одному решению за раз. Квантовые алгоритмы могут одновременно рассматривать множество вариантов, используя уникальные свойства квантовой физики.
• Вычислительная мощность: Классические компьютеры используют биты, принимающие значение 0 или 1. В квантовых компьютерах используются кубиты, которые могут одновременно быть и 0, и 1, а также соединяться друг с другом, что позволяет обрабатывать более сложные задачи.
• Масштаб задачи: Классическая оптимизация хорошо подходит для небольших и умеренно сложных задач. Квантовая оптимизация разрабатывается для решения гораздо более крупных и сложных задач, которые трудно обрабатывать на современных компьютерах.
• Результат: Классические результаты предсказуемы и воспроизводимы. Квантовые результаты основаны на вероятностях, поэтому одна и та же задача может давать немного разные результаты, которые уточняются в ходе многократных запусков для поиска наилучшего ответа.

Рис. 2. Классическая и квантовая оптимизация (Изображение создано автором)

Как работает квантовая оптимизация#

Теперь рассмотрим, как именно работает квантовая оптимизация. Всё начинается с определения практической задачи и её преобразования в форму, которую может обработать квантовый компьютер.

Ниже представлен обзор основных этапов квантовой оптимизации:

• Шаг 1. Представьте задачу как энергетический ландшафт: Каждую задачу оптимизации, например планирование маршрутов доставки или настройку моделей машинного обучения, можно описать как ландшафт энергетических уровней. Каждому возможному ответу соответствует энергетическое значение, и цель состоит в том, чтобы найти наименьшее из них, представляющее наиболее эффективное или оптимальное решение.

• Шаг 2. Закодируйте задачу в квантовой схеме: Затем задача преобразуется в квантовую схему. В ней кубиты (квантовые биты) представляют данные и благодаря суперпозиции могут одновременно исследовать множество решений.

• Шаг 3. Направьте систему к лучшему решению: Затем квантовый компьютер шаг за шагом корректирует кубиты, позволяя системе двигаться к решению с наименьшей энергией, то есть к лучшему решению. В зависимости от используемого метода этот процесс называется квантовым отжигом или адиабатической эволюцией. Он помогает системе прийти к наиболее перспективному состоянию.

• Шаг 4. Измерьте и интерпретируйте результаты: Когда система стабилизируется, кубиты измеряются, что даёт приближённое решение. Для оценки качества решения и подтверждения надёжности часто выполняются повторные запуски.

• Шаг 5. Объедините с классическими вычислениями для уточнения: Наконец, в процесс снова включаются классические компьютеры. Они анализируют и дорабатывают результаты квантовых запусков, чтобы повысить точность. Этот гибридный подход, используемый в таких методах, как QAOA (квантовый приближённый алгоритм оптимизации) и VQE (вариационный квантовый решатель собственных значений), объединяет сильные стороны классических и квантовых систем для повышения общей эффективности.

Основные алгоритмы квантовой оптимизации#

Благодаря недавним достижениям в области квантовых вычислений исследователи разработали целый ряд алгоритмов квантовой оптимизации, призванных эффективнее решать сложные задачи. Эти подходы формируют будущее данной области. Рассмотрим некоторые из основных.

Квантовый отжиг#

Квантовый отжиг — это метод решения задач оптимизации, в которых нужно найти наилучшее расположение или сочетание среди множества вариантов. Такие задачи называются задачами комбинаторной оптимизации. К ним относятся планирование доставок, построение маршрутов для транспортных средств и группировка схожих точек данных.

Метод вдохновлён физическим процессом, известным как отжиг, при котором материал медленно охлаждается до стабильного состояния с низкой энергией. Аналогичным образом квантовый отжиг постепенно направляет квантовую систему к состоянию с наименьшей энергией, которое представляет наилучшее возможное решение задачи.

Этот процесс, основанный на принципах адиабатических квантовых вычислений, позволяет системе исследовать множество потенциальных решений и прийти к одному из близких к оптимальному. Поскольку результаты вероятностны, процесс обычно повторяют несколько раз, а затем часто используют классические вычисления для уточнения ответов.

Квантовый отжиг демонстрирует перспективность для решения практических задач оптимизации в таких областях, как логистика, кластеризация и распределение ресурсов. Однако исследователи всё ещё изучают, когда и каким образом он может превзойти традиционные методы.

Рис. 3. Обзор квантового отжига (Источник: ResearchGate)

Квантовый приближённый алгоритм оптимизации (QAOA)#

Квантовый приближённый алгоритм оптимизации (QAOA) также решает задачи комбинаторной оптимизации, но иначе, чем квантовый отжиг. Вместо постепенного перехода к состоянию с наименьшей энергией QAOA чередует две энергетические функции, называемые гамильтонианами.

Одна из них описывает целевую функцию и ограничения задачи, а другая помогает системе исследовать новые конфигурации. Переключаясь между этими этапами, алгоритм постепенно приближается к почти оптимальному решению.

QAOA работает в гибридных квантово-классических системах: квантовый компьютер генерирует возможные решения, а классический компьютер после каждого запуска корректирует параметры. Благодаря этому QAOA подходит для множества задач оптимизации, включая планирование, построение маршрутов и задачи на графах, такие как MaxCut (поиск наилучшего способа разделить сеть на две части) и задача о вершинном покрытии (выбор наименьшего набора узлов, соединённых с каждым ребром сети). Хотя исследования продолжаются, QAOA широко рассматривается как перспективный шаг к объединению классической и квантовой оптимизации.

Вариационный квантовый решатель собственных значений (VQE)#

Ещё один важный алгоритм — вариационный квантовый решатель собственных значений (VQE). В отличие от QAOA и квантового отжига, которые решают задачи комбинаторной оптимизации с дискретным выбором, VQE ориентирован на непрерывную оптимизацию, где переменные могут принимать диапазон значений, а не фиксированные варианты.

Он главным образом используется для оценки основного состояния, то есть минимально возможной энергии квантовой системы. Это делает его особенно полезным для изучения поведения молекул и материалов в физике и химии.

VQE также использует гибридный подход, объединяющий квантовые и классические вычисления. Квантовый компьютер подготавливает и проверяет возможные состояния, а классический компьютер анализирует результаты и корректирует параметры для повышения точности.

Поскольку для него требуется меньше кубитов и более простые схемы, VQE хорошо работает на современных устройствах NISQ (квантовых устройствах промежуточного масштаба с шумом). Это нынешнее поколение квантовых компьютеров с ограниченным числом кубитов, подверженных влиянию шума, но всё ещё достаточно мощных для исследований и первых практических экспериментов.

VQE стал важным инструментом в квантовой химии, материаловедении и оптимизации процессов. Он помогает исследователям моделировать молекулы, изучать реакции и находить стабильные конфигурации.

Рис. 4. Обзор вариационного квантового решателя собственных значений (Источник: ResearchGate)

Квантовое полуопределённое программирование#

Полуопределённое программирование (SDP) — это математический метод решения задач оптимизации, включающих линейные зависимости между переменными. Его часто применяют, когда нужно найти наилучший возможный результат, сохраняя определённые условия в допустимом диапазоне.

Квантовые алгоритмы SDP призваны ускорить эти вычисления, особенно когда данные включают множество переменных или сложные пространства высокой размерности. Они используют принципы квантовых вычислений для одновременного анализа нескольких вариантов, что может повысить эффективность решения крупномасштабных задач.

Эти алгоритмы исследуются в таких областях, как машинное обучение, обработка сигналов и системы управления, где они могут помогать моделям распознавать закономерности, улучшать прогнозы или управлять сложными системами. Хотя исследования продолжаются, квантовое SDP выглядит перспективным для ускорения сложных задач оптимизации, с которыми классическим компьютерам трудно справиться.

Применение квантовой оптимизации в искусственном интеллекте#

Хотя квантовая оптимизация остаётся активной областью исследований, она уже начинает находить практическое применение в таких сферах, как искусственный интеллект и машинное обучение. Исследователи изучают, как квантовые методы могут помочь эффективнее решать сложные задачи.

Далее мы подробнее рассмотрим некоторые новые примеры и варианты использования, демонстрирующие её потенциал в практических сценариях.

Ускорение настройки моделей машинного обучения#

Квантовую оптимизацию изучают как способ улучшить настройку моделей машинного обучения, особенно в задачах оптимизации гиперпараметров и выбора признаков. Последние достижения в области процессоров на нейтральных атомах также расширяют возможности экспериментов с квантовой оптимизацией в искусственном интеллекте и машинном обучении.

В таких процессорах отдельные атомы удерживаются лазерами и используются в качестве кубитов. Это позволяет исследователям создавать масштабируемые и стабильные квантовые системы для тестирования сложных алгоритмов.

Применение в индустрии и основные результаты исследований#

Ведущие технологические компании уже экспериментируют с этими идеями. Например, исследовательская команда Google недавно продемонстрировала генеративное квантовое преимущество: процессор с 68 кубитами научился генерировать сложные распределения, намекая на возможное применение при обучении генеративных моделей.

Аналогичным образом NVIDIA прокладывает мосты между квантовыми вычислениями и искусственным интеллектом, интегрируя квантовые исследования в экосистему суперкомпьютеров и GPU. Например, компания запустила Центр ускоренных квантовых исследований (NVAQC), чтобы объединить квантовое оборудование с системами искусственного интеллекта.

Кроме того, AWS разработала гибридный квантово-классический рабочий процесс на базе Amazon Braket, использующий квантовые схемы вместе с классической оптимизацией для тонкой настройки параметров в задачах классификации изображений.

Оптимизация в логистике, планировании и построении маршрутов#

Одной из наиболее практичных областей применения квантовой оптимизации являются логистика и планирование. Эти задачи включают построение маршрутов, распределение транспортных средств и распределение ресурсов.

Хороший пример — планирование работы энергосети, где операторы должны в реальном времени балансировать производство и потребление электроэнергии, одновременно снижая затраты и поддерживая надёжность. Исследователи использовали квантовую оптимизацию, чтобы представить эту задачу планирования как энергетический ландшафт или гамильтониан.

Цель состоит в том, чтобы найти состояние с наименьшей энергией, соответствующее наиболее эффективной конфигурации. Например, квантовые решатели D-Wave тестировались на таких задачах и показали более быстрые и гибкие результаты по сравнению с традиционными методами оптимизации.

Схожие идеи теперь изучаются в таких областях, как управление инвестиционным портфелем и планирование цепочек поставок. По мере совершенствования оборудования эти подходы могут изменить принципы планирования и принятия решений системами искусственного интеллекта в условиях реальных ограничений.

Искусственный интеллект и квантовые вычисления в разработке лекарств и проектировании материалов#

Квантовая оптимизация также привлекает внимание в областях, где важно понимать сложные молекулярные взаимодействия и энергетические ландшафты. Например, в разработке лекарств и материаловедении поиск наиболее стабильных молекулярных структур или конфигураций является задачей оптимизации.

Гибридные квантовые алгоритмы, такие как VQE, используются для ускорения таких процессов, как предсказание структуры белков и поиск молекулярных конформаций. Исследователи также изучают способы объединения квантовых вычислений и искусственного интеллекта, чтобы улучшить обучение моделей и извлечение признаков из данных.

По мере развития квантового оборудования эти объединённые подходы могут привести к крупным прорывам в химии, биологии и исследованиях материалов, обеспечив более быстрое открытие новых закономерностей и более точное моделирование на молекулярном уровне.

Плюсы и минусы квантовой оптимизации#

Вот некоторые преимущества использования квантовой оптимизации:

• Алгоритмы, вдохновлённые квантовыми вычислениями: Ещё до появления крупномасштабных квантовых компьютеров исследователи используют методы оптимизации, вдохновлённые квантовыми вычислениями, в классических системах. Такие подходы могут обеспечивать более высокую скорость для определённых типов задач, имитируя квантовые стратегии.
• Совершенствование оборудования и гибридных решателей: Разработка новых квантовых процессоров и гибридных решателей на базе облачных технологий позволяет объединять квантовые и классические вычисления. Благодаря этому практические испытания и эксперименты возможны уже сегодня, даже на оборудовании, находящемся на ранней стадии развития.
• Прогресс благодаря совместным исследованиям: IBM Quantum, Qiskit и другие открытые исследовательские сообщества активно разрабатывают алгоритмы, наборы инструментов и образовательные ресурсы, делающие квантовую оптимизацию доступнее.

Несмотря на быстрый прогресс в квантовых исследованиях, сохраняются определённые проблемы, препятствующие широкому внедрению. Вот некоторые ключевые ограничения, которые следует учитывать:

• Ограничения оборудования: Современные квантовые компьютеры имеют ограниченное число кубитов и чрезвычайно чувствительны к шуму, декогеренции и операционным ошибкам. Эти факторы снижают точность и надёжность результатов, затрудняя масштабирование систем для сложных задач оптимизации.
• Ограничения классического моделирования: Моделирование крупных квантовых систем на классических компьютерах чрезвычайно ресурсоёмко, поскольку необходимые вычислительные ресурсы экспоненциально растут с увеличением числа кубитов. Это затрудняет тестирование и проверку крупномасштабных квантовых алгоритмов.
• Отсутствие стандартов бенчмаркинга: В исследованиях квантовой оптимизации по-прежнему отсутствуют единообразные тесты для сравнения алгоритмов и производительности оборудования. Хотя предпринимаются усилия по созданию стандартизированных методов оценки, универсальной системы измерения улучшений производительности в реальных условиях пока нет.

Основные выводы#

Квантовая оптимизация меняет наше представление о решении задач в искусственном интеллекте, науке и промышленности. Объединяя возможности квантовых вычислений с классическими методами, исследователи находят новые способы работы со сложностью и ускорения открытий. По мере совершенствования оборудования и развития алгоритмов квантовая оптимизация может стать одним из ключевых двигателей следующего поколения интеллектуальных технологий.

Загляни в наш репозиторий на GitHub, чтобы узнать больше об искусственном интеллекте. Присоединяйся к нашему активному сообществу и знакомься с инновациями в таких сферах, как искусственный интеллект в розничной торговле и Vision AI в производстве. Чтобы начать работу с компьютерным зрением уже сегодня, ознакомься с нашими вариантами лицензирования.