Российские учёные из Университета науки и технологий МИСИС сообщили о разработке совершенного нового метода машинного обучения, который предполагает использование квантовых компьютеров. Метод задействует кудиты, расширенную версию кубитов, которые одновременно могут находиться сразу в трёх, четырёх или большем количестве состояний. О методе поведали в пресс-службе МИСИС.
«Исследователи НИТУ МИСИС разработали алгоритм для машинного обучения, который помогает точнее классифицировать данные в квантовых компьютерах. Вместо стандартных для квантовых вычислений кубитов, новый метод использует кудиты — квантовые элементы с несколькими уровнями состояний. Они выполняют сложные квантовые операции за меньшее количество шагов, что значительно упрощает вычисления и дает специалистам больше свободы в представлении и кодировании информации», — говорится в официальном сообщении пресс-службы.
Учёные пояснили, что алгоритм опорных векторов является одним из самых распространённых и популярных, когда речь заходит о распознавании чисел и изображений. Также его используют в методах машинного обучения, нацеленных на выявление раковых опухолей и создание новых лекарственных препаратов.
«В предложенной модели информационный массив кодируют с использованием кудитов, то есть в квантовых состояниях с числом уровней больше двух, что позволяет обрабатывать больший объем информации, не наращивая число физических носителей. Работа приближает практическое применение квантовых компьютеров в задачах машинного обучения», — отметил директор Института физики и квантовой инженерии НИТУ МИСИС Алексей Федоров.
В предложенном российскими специалистами методе кудиты переносят информацию в многомерное пространство, которое позволяет максимально быстро квалифицировать её и распределять.
«Сначала на квантовое состояние кудита по очереди действуют квантовые вентили, в которых закодированы классические данные. После чего выполняют измерения всех регистров и на выходе получают обычную битовую строку — последовательность нулей и единиц. Наибольшая точность классификации данных была достигнута при 1024 итерациях цепочки из квантовых вентилей», — рассказала аспирантка кафедры теоретической физики и квантовых технологий НИТУ МИСИС Елизавета Глазкова.
Утверждается, что новый метод машинного обучения уже нашёл своё применение в работе по сегментации интерфейсов функциональных тонких пленок для перспективной микроэлектроники, которой занимается команда учёных из МИСИС и Института нанотехнологий микроэлектроники РАН.
