Исследователи из Университетского колледжа Лондона (г.ЛЧ) представил гибридный метод, сочетающий квантовые вычисления и искусственный интеллект, который значительно повышает точность долгосрочных прогнозов для сложных физических систем, таких как турбулентные потоки жидкостей и газов.
Новый подход превосходит ведущие модели, работающие только на классических компьютерах. Он может улучшить моделирование в климатологии, медицине (например, при моделировании кровообращения), энергетике (при проектировании ветряных электростанций) и других областях.
Как пояснил ведущий автор разработки профессор Питер Ковени, традиционное полное моделирование может занять недели, а модели ИИ работают быстрее, но менее надежны в долгосрочной перспективе.
«Наша квантово-информированная модель ИИ означает, что мы можем быстро делать более точные прогнозы».
Ковени отметил
Метод интегрирует квантовый компьютер на этапе подготовки данных для обучения ИИ. Квантовая система обнаруживает ключевые статистические закономерности, которые остаются стабильными с течением времени. Эти модели затем используются для обучения модели ИИ, работающей на стандартном суперкомпьютере.
По словам первого автора статьи Майды Ван, новый метод на практике демонстрирует «квантовое преимущество», превосходя возможности классических вычислений. Система показала примерно на 20% большую точность, чем стандартные модели ИИ, и потребовала в сотни раз меньше памяти, оставаясь при этом стабильной даже при моделировании хаотических систем.
Эффективность обеспечивают квантовые эффекты — запутанность и суперпозиция, которые позволяют компактно обрабатывать огромные объёмы информации. При этом метод минимизирует проблемы современных квантовых компьютеров (шум, ошибки), используя их только один раз в рабочем процессе.
Эксперимент проводился на 20-кубитонном квантовом компьютере IQM, подключенном к ресурсам Суперкомпьютерного центра Лейбница в Германии. В будущем исследователи планируют масштабировать метод для работы с более крупными наборами данных и реальными задачами.
Это важный шаг на пути практического применения квантовых вычислений. Вместо абстрактных задач вроде факторизации чисел мы видим, как теперь они могут дополнить классические методы машинного обучения для решения насущных научных и инженерных задач. На данный момент прогресс в этой области выглядит очень многообещающе.
Все важное из мира технологий прямо на ваш почтовый ящик.
Подписываясь, вы принимаете наши Условия и Политику конфиденциальности. Вы можете отказаться от подписки одним щелчком мыши в любое время.
