Становится все более очевидным, что у квантовых компьютеров не будет ни единого момента, когда они станут явно превосходить классическое оборудование. Вместо этого мы, вероятно, увидим, что они становятся полезными для узкого круга задач, а затем постепенно расширяются до все большего числа вычислений. Очевидно, возникает вопрос о том, где полезность будет обнаружена в первую очередь.
У стартапа, занимающегося квантовыми вычислениями, Rigetti теперь есть технический документ, в котором, по крайней мере теоретически, указан случай, когда квантовое оборудование должно дать преимущество. И это действительно полезно: замена нейронной сети, которая используется для анализа данных о погоде.
Как погода?
Проблема, на которую обратили внимание сотрудники Rigetti, заключается в том, чтобы взять частичный набор данных о погоде и сделать вывод, как выглядят остальные. Во многих районах планеты отсутствует хорошее покрытие, поэтому мы получаем лишь частичную информацию о местных условиях. И, если у нас есть такие вещи, как коммерческие самолеты, пролетающие через указанные удаленные районы, нам часто требуется более полная картина условий там.
Чтобы справиться с этим, люди обучили нейронные сети в регионах, где у нас есть более полные данные о погоде. После обучения система могла получать частичные данные и делать выводы о том, какими будут остальные. Например, обученная система может создать вероятную карту метеорологического радара, используя такие вещи, как спутниковые изображения облаков и данные о ударах молнии.
Это именно то, с чем нейронные сети хорошо справляются: распознавание закономерностей и определение корреляций.
Внимание команды Ригетти привлекло то, что нейронные сети также хорошо отображаются на квантовых процессорах. В типичной нейронной сети слой «нейронов» выполняет операции перед отправкой результатов на следующий уровень. Сеть «учится», изменяя силу соединений между устройствами на разных уровнях. В квантовом процессоре каждый кубит может выполнять эквивалент операции. Кубиты также связаны между собой, и силу связи можно регулировать. Итак, можно реализовать и обучить нейронную сеть на квантовом процессоре.
Могло быть лучше
Удобно, что некоторые исследователи в Google разработали метрику, позволяющую сравнивать ИИ, реализованные на классическом и квантовом оборудовании. А Rigetti построил 32-кубитный квантовый процессор, так что у него есть возможность проводить сравнение. И, исходя из этой метрики, есть по крайней мере некоторые случаи, когда квантовая система должна превосходить классическую.
Однако, что именно это за дела, остается неясным. Итак, исследователи экспериментировали с несколькими способами использования своего квантового процессора как части смешанной квантовой / классической системы. Они обнаружили, что система была более или менее успешной для различных аспектов данных о погоде. Например, при использовании квантового процессора для восстановления данных о молнии они обнаружили, что он лучше работает на меньших высотах, но в целом сопоставим с классической нейронной сетью.
В отдельном тесте просто заменили нейросеть на кубиты. Для данных о молнии квантовая версия превзошла классическую. Однако ситуация изменилась, когда она была проверена на спутниковых данных, где классические системы были более точными.
Важно подчеркнуть, что ни на каком этапе квантовая система не показывала реального преимущества в производительности по сравнению с существующими методами проведения такого рода анализа погоды; важным выводом здесь является указание на то, что возможно повышение производительности. Как отмечают сами исследователи Rigetti: «Эти результаты являются первоначальным свидетельством того, что данные в реальном мире [machine-learning] проблемы – здесь многомерные данные о погоде – могут иметь структуру, теоретически совместимую с квантовым преимуществом “.
Их способность выполнять части анализа на квантовом оборудовании с приличными результатами показывает, что нет никаких препятствий для интеграции квантовых методов в такого рода анализ. Хотя это не тот прорыв, который обычно привлекает внимание, это такая тяжелая работа, которая потребуется для того, чтобы квантовые вычисления раскрыли свой потенциал.
