От битов к кубитам: как квантовая оптимизация меняет ИИ

Большинство современных систем ИИ — от беспилотных автомобилей до моделей для прогнозирования цен на акции — постоянно ищут компромиссы, адаптируясь, совершенствуясь и обучаясь на опыте. За этими решениями стоит один из важнейших процессов в ИИ: оптимизация.

Например, модель ИИ, обученная распознавать дорожные знаки или прогнозировать цены на жильё, учится на примерах. В процессе обучения она постоянно совершенствует сам способ обучения. На каждом шаге корректируются миллионы параметров, тонко настраиваются веса и смещения, чтобы уменьшить ошибки прогнозирования и повысить точность.

Этот процесс можно представить как масштабную задачу оптимизации. Цель — найти наилучшую комбинацию параметров, которая обеспечит точные результаты без переобучения и чрезмерного расхода вычислительных ресурсов.

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

Квантовая оптимизация — развивающийся 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, квантовые компьютеры используют 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 одновременная работа множества классических процессоров. Это вероятностный процесс, который опирается на квантовую интерференцию, чтобы получать полезные результаты.

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

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

Что такое квантовая оптимизация?#

Квантовая оптимизация — развивающаяся область квантовых вычислений, в которой для решения сложных задач оптимизации используются уникальные свойства квантовой механики. Она опирается на десятилетия исследований в информатике и физике, объединяя эти дисциплины для решения задач, с которыми традиционные вычисления справляются с трудом.

Идея использовать квантовые системы для оптимизации появилась в конце 1990-х годов, когда исследователи начали изучать, как квантовые принципы, такие как суперпозиция (одновременное существование состояний) и запутанность (связанные кубиты), можно применить 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 позволяет эффективно исследовать большие множества возможных решений.

Эти алгоритмы работают с кубитами — фундаментальными единицами квантовой информации. В отличие от классических битов (двоичных единиц данных в традиционных компьютерах, принимающих значение 0 или 1), кубиты могут находиться в состоянии суперпозиции, одновременно представляя и 0, и 1.

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

Благодаря этому свойству квантовые системы могут представлять множество возможностей одновременно, значительно расширяя свой вычислительный потенциал. Квантовые схемы связывают кубиты последовательностями квантовых вентилей, которые управляют потоком и взаимодействием информации, постепенно направляя систему к решению, близкому к оптимальному.

Классическая и квантовая оптимизация#

Вот несколько ключевых различий между классическими и квантовыми подходами к оптимизации:

• Способ вычислений: классические алгоритмы проверяют по одному решению за раз. Квантовые алгоритмы могут одновременно рассматривать множество вариантов благодаря уникальным свойствам квантовой физики.
• Вычислительная мощность: классические компьютеры используют биты, принимающие значение 0 или 1. Квантовые компьютеры используют кубиты, которые могут одновременно представлять и 0, и 1, а также связываться друг с другом, что позволяет решать более сложные задачи.
• Масштаб задач: классическая оптимизация хорошо справляется с небольшими или умеренно сложными задачами. Квантовую оптимизацию разрабатывают для решения гораздо более масштабных и сложных задач, которые трудно решить 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; повторные запуски позволяют уточнить их и найти лучший ответ.

Рис. 2. Классическая и квантовая оптимизация (иллюстрация автора)

Как работает квантовая оптимизация#

Теперь разберём, как именно работает квантовая оптимизация. Всё начинается с формулировки практической задачи и её преобразования в формат, который может обрабатывать квантовый компьютер.

Вот основные этапы квантовой оптимизации:

• Шаг 1. Представь задачу в виде энергетического ландшафта: любую задачу оптимизации, например планирование маршрутов доставки или настройку моделей машинного обучения, можно описать как ландшафт энергетических уровней. Каждому возможному решению соответствует значение энергии, а цель — найти наименьшее, соответствующее наиболее эффективному или оптимальному решению.
• Шаг 2. Закодируй задачу в квантовую схему: затем задачу преобразуют в квантовую схему. В ней кубиты (квантовые биты) представляют данные и благодаря суперпозиции могут одновременно исследовать множество решений.
• Шаг 3. Направь систему к лучшему решению: затем квантовый компьютер шаг за шагом настраивает кубиты, позволяя системе двигаться к решению с наименьшей энергией — то есть к лучшему решению. В зависимости от выбранного метода этот процесс называют квантовым отжигом или адиабатической эволюцией. Он помогает системе перейти в наиболее перспективное состояние.
• Шаг 4. Измерь и интерпретируй результаты: когда система стабилизируется, кубиты измеряют, получая приближённое решение. Чтобы оценить качество решения и подтвердить его надёжность, часто проводят несколько запусков.
• Шаг 5. Используй классические вычисления для уточнения: наконец, в цикл снова включают классические компьютеры. Они анализируют результаты квантовых запусков и тонко настраивают их, повышая точность. Такой гибридный подход используют, например, в QAOA (квантовом приближённом алгоритме оптимизации) и VQE (вариационном квантовом решателе собственных значений). Он объединяет сильные стороны классических и квантовых систем, обеспечивая более высокую общую производительность.

Основные алгоритмы квантовой оптимизации#

Благодаря недавним достижениям в области квантовых вычислений исследователи разработали целый ряд алгоритмов квантовой оптимизации, предназначенных для более эффективного решения сложных задач. Эти подходы формируют будущее этой области. Рассмотрим основные из них.

Квантовый отжиг#

Квантовый отжиг — метод решения задач оптимизации, в которых нужно найти лучшее расположение или сочетание среди множества вариантов. Такие задачи называют комбинаторной оптимизацией. К ним относятся, например, планирование доставок, маршрутизация транспорта и группировка похожих точек данных.

Этот метод основан на физическом процессе, известном как отжиг: материал медленно охлаждают, чтобы привести его в устойчивое состояние с низкой энергией. Аналогичным образом квантовый отжиг постепенно направляет квантовую систему к состоянию с наименьшей энергией, которое соответствует наилучшему решению задачи.

Этот процесс, основанный на принципах адиабатических квантовых вычислений, позволяет системе исследовать множество возможных решений и прийти к близкому к оптимальному варианту. Поскольку результаты вероятностные, процесс обычно повторяют несколько раз, а затем для уточнения ответов нередко используют классические вычисления.

Квантовый отжиг может применяться для решения практических задач оптимизации в таких областях, как логистика, кластеризация и распределение ресурсов. Однако исследователи всё ещё изучают, когда и при каких условиях он может превзойти традиционные методы.

Рис. 3. Разбираемся в квантовом отжиге (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. Чередуя эти этапы, алгоритм постепенно приближается к почти оптимальному решению.

QAOA работает на гибридных квантово-классических системах: квантовый компьютер генерирует возможные решения, а классический компьютер после каждого запуска корректирует параметры. Благодаря этому QAOA подходит для многих задач оптимизации, включая планирование, маршрутизацию и задачи на графах, такие как MaxCut (поиск оптимального способа разделить сеть на две части) и задача о вершинном покрытии (выбор наименьшего набора узлов, соединяющих все рёбра сети). Исследования продолжаются, но QAOA уже широко рассматривают 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 предназначен для непрерывной оптимизации, где переменные могут принимать целый диапазон значений, а не только фиксированные варианты.

Его используют главным образом для оценки основного состояния квантовой системы, то есть её минимально возможной энергии. Поэтому он особенно полезен для изучения поведения молекул и материалов в физике и химии.

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

VQE хорошо работает на современных устройствах NISQ (шумных квантовых устройствах промежуточного масштаба), поскольку ему требуется меньше кубитов и более простые схемы. Это нынешнее поколение квантовых компьютеров: в них ограниченное число кубитов, а на работу влияет шум, но их вычислительных возможностей уже достаточно для исследований и первых практических экспериментов.

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

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

Квантовое полуопределённое программирование#

Полуопределённое программирование (SDP) — математический метод решения задач оптимизации с линейными соотношениями между переменными. Его часто применяют, когда нужно найти наилучший результат, удерживая определённые условия в допустимых пределах.

Алгоритмы квантового SDP призваны ускорить такие вычисления, особенно если данные содержат множество переменных или относятся к сложным пространствам высокой размерности. Они используют принципы квантовых вычислений для одновременного анализа нескольких вариантов, что может сделать решение масштабных задач более эффективным.

Эти алгоритмы исследуют в таких областях, как машинное обучение, обработка сигналов и системы управления. Они могут помочь моделям распознавать закономерности, улучшать прогнозы и управлять сложными системами. Исследования продолжаются, но квантовое SDP уже показывает потенциал для ускорения сложных задач оптимизации, которые трудно решить на классических компьютерах.

Применение квантовой оптимизации в ИИ#

Квантовая оптимизация активно исследуется, но уже начинает находить практическое применение в таких областях, 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 сценарии использования, показывающие её потенциал в практических задачах.

Ускорение настройки моделей машинного обучения#

Квантовую оптимизацию изучают как способ улучшить настройку моделей машинного обучения, особенно в задачах оптимизации гиперпараметров и отбора признаков. Последние достижения в области процессоров на нейтральных атомах также расширяют возможности экспериментов по применению квантовой оптимизации в ИИ и машинном обучении.

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

Применение в индустрии и ключевые результаты исследований#

Ведущие технологические компании уже экспериментируют с этими идеями. Например, исследовательская команда Google недавно продемонстрировала генеративное квантовое преимущество: 68-кубитный процессор научился генерировать сложные распределения, что указывает на возможное применение для обучения генеративных моделей.

NVIDIA также наводит мосты между квантовыми вычислениями и ИИ, интегрируя квантовые исследования в свою экосистему суперкомпьютеров и GPU. Например, компания создала Центр ускоренных квантовых исследований (NVAQC), чтобы объединить квантовое оборудование с системами ИИ.

Кроме того, AWS разработала гибридный квантово-классический рабочий процесс на платформе Amazon Braket, который сочетает квантовые схемы с классической оптимизацией для тонкой настройки параметров задач классификации изображений.

Оптимизация логистики, планирования и маршрутизации#

Одно из наиболее практичных направлений применения квантовой оптимизации — логистика и планирование. К таким задачам относятся построение маршрутов, распределение транспорта и ресурсов.

Хороший пример — планирование работы энергосети, где операторам нужно в реальном времени уравновешивать предложение и спрос на электроэнергию, одновременно снижая затраты и поддерживая надёжность системы. Исследователи использовали квантовую оптимизацию, чтобы представить эту задачу планирования в виде энергетического ландшафта или гамильтониана.

Здесь цель — найти состояние с наименьшей энергией, которое соответствует наиболее эффективной конфигурации. Например, квантовые решатели D-Wave тестировали для таких задач; они показали более высокую скорость и гибкость по сравнению с традиционными методами оптимизации.

Похожие подходы уже исследуют в таких областях, как управление портфелем и планирование цепочек поставок. По мере совершенствования оборудования эти подходы могут изменить способы, которыми системы ИИ планируют и принимают решения с учётом реальных ограничений.

ИИ и квантовые вычисления в разработке лекарств и проектировании материалов#

Квантовая оптимизация привлекает всё больше внимания в областях, где важно понимать сложные молекулярные взаимодействия и энергетические ландшафты. Например, в разработке лекарств и материаловедении поиск наиболее устойчивых молекулярных структур или конфигураций представляет собой задачу оптимизации.

Гибридные квантовые алгоритмы, например VQE, изучают как способ ускорить такие процессы, как предсказание структуры белков и поиск молекулярных конформаций. Исследователи также ищут способы объединить квантовые вычисления и искусственный интеллект, чтобы улучшить обучение моделей и извлечение признаков из данных.

По мере развития квантового оборудования такие комбинированные подходы могут привести к важным прорывам в химии, биологии и материаловедении, ускоряя открытия и обеспечивая более точное моделирование на молекулярном уровне.

Преимущества и недостатки квантовой оптимизации#

Вот некоторые преимущества квантовой оптимизации:

• Алгоритмы, вдохновлённые квантовыми вычислениями: ещё до появления крупномасштабных квантовых компьютеров исследователи используют соответствующие методы оптимизации на классических системах. Для решения некоторых типов задач такие подходы могут обеспечить более высокую производительность, имитируя квантовые стратегии.
• Улучшение аппаратного обеспечения и гибридные решатели: Разработка новых квантовых процессоров и гибридных облачных решателей позволяет сочетать квантовые и классические вычисления. Благодаря этому уже сегодня можно проводить практические испытания и эксперименты даже на аппаратном обеспечении ранних поколений.
• Прогресс совместных исследований: IBM Quantum, Qiskit и другие открытые исследовательские сообщества активно разрабатывают алгоритмы, наборы инструментов и образовательные ресурсы, которые делают квантовую оптимизацию доступнее.

Несмотря на быстрый прогресс квантовых исследований, сохраняются определенные проблемы, препятствующие широкому внедрению этой технологии. Вот некоторые ключевые ограничения, которые стоит учитывать:

• Ограничения оборудования: современные квантовые компьютеры имеют ограниченное число кубитов и очень чувствительны к шуму, декогеренции и операционным ошибкам. Эти факторы снижают точность и надёжность результатов, затрудняя масштабирование систем для решения сложных задач оптимизации.
• Ограничения классического моделирования: Моделирование крупных квантовых систем на классических компьютерах требует огромных ресурсов, поскольку необходимые вычислительные ресурсы экспоненциально растут с увеличением числа кубитов. Поэтому тестировать и проверять крупномасштабные квантовые алгоритмы сложно.
• Отсутствие стандартов бенчмаркинга: В исследованиях квантовой оптимизации по-прежнему не хватает единых бенчмарков для сравнения алгоритмов и производительности аппаратного обеспечения. Работа над стандартизированными методами оценки уже ведется, но универсальной системы измерения улучшений производительности в реальных условиях пока нет.

Главные выводы#

Квантовая оптимизация меняет наши представления о решении задач в области искусственного интеллекта, науки и промышленности. Сочетая возможности квантовых вычислений с классическими методами, исследователи находят новые способы справляться со сложными задачами и ускорять открытия. По мере совершенствования аппаратного обеспечения и развития алгоритмов квантовая оптимизация может стать ключевым фактором развития интеллектуальных технологий следующего поколения.

Загляни в наш репозиторий на GitHub, чтобы узнать больше об ИИ. Присоединяйся к нашему активному сообществу и узнай об инновациях в таких отраслях, как ИИ в розничной торговле и ИИ на основе компьютерного зрения в производстве. Чтобы уже сегодня начать работать с компьютерным зрением, ознакомься с нашими вариантами лицензирования.