Модели квантовых нейронных сетей

А. А. Литвинов, Eugene Mihailovich Katsevman, O. I. Bannik +6 more

A. S. Tarnovskii

S. S. Samarin, Aleksei Tolstobrov, S.V. Sandulanu +14 more

Данная работа посвящена решению задачи обработки числовых последовательностей при помощи вариационных квантовых алгоритмов, реализуемых на шумном квантовом компьютере среднего масштаба. Платформой для квантовых вычислений является интегральная схема на основе сверхпроводящих искусственных атомов. Архитектура квантовой рекуррентной нейронной сети сконструирована с использованием одно- и двухкубитных операций. На этапе эмулирования была изучена обучаемость модели в зависимости от числа кубитов, а также объема и метода кодирования данных в состояние кубитов. Сравнение с классическими архитектурами показало, что на современных квантовых процессорах возможно достичь качества предсказаний в выбранной задаче машинного обучения, сравнимого с качеством реализуемых на классических процессорах моделей.

С М Гушанский, В.С. Потапов, Н М Коробейникова

В работе рассматривается разработка и адаптация алгоритма обратного распространения ошибки для квантовых нейронных сетей (КНС). Учитываются фундаментальные особенности квантовых вычислений:суперпозиция, запутанность и квантовый параллелизм, что позволяет повысить эффективность обучения КНС по сравнению с классическими нейросетевыми моделями. Изложены принципы построения квантовых нейронных сетей, особенности кодирования данных, методы оптимизации параметров и использования функций потерь в квантовой среде. Обсуждаются перспективы применения предложенного подхода, а также вызовы, связанные с шумами и масштабируемостью в условиях NISQ-устройств. Работа ориентирована на специалистов в области квантовых вычислений и машинного обучения, а также на студентов старших курсов, интересующихся передовыми методами искусственного интеллекта. The paper considers the development and adaptation of the backpropagation algorithm for quantum neural networks (QNN). The fundamental features of quantum computing are considered — superposition, entanglement and quantum parallelism — which allows to increase the efficiency of QNN training compared to classical neural network models. The principles of constructing quantum neural networks, features of data encoding, methods for optimizing parameters and using loss functions in a quantum environment are presented. The prospects for applying the proposed approach, as well as challenges associated with noise and scalability in NISQ devices are discussed. The paper is intended for specialists in the field of quantum computing and machine learning, as well as senior students interested in advanced methods of artificial intelligence.

А.Б. Мигдал, V.P. Krainov

Dmitriy V. Fastovets, Ю.И. Богданов, В. Ф. Лукичев

С использованием методов машинного обучения и искусственных нейронных сетей разработана эффективная методика оценки параметров квантовых вычислительных систем. Показано, что разработанный подход позволяет построить математическую модель, описывающую процессы, происходящие при неунитарной эволюции квантовых состояний. Результаты работы были апробированы на квантовом процессоре IBM.