УДК 004.896

Синергия квантовых вычислений и ИИ: оценка потенциального влияния методов квантовых вычислений на алгоритмы оптимизации и машинного обучения

Иконников Сергей Евгеньевич – доцент кафедры Систем управления транспортной инфраструктурой Российской открытой академии транспорта.

Никитина Екатерина Алексеевна – магистрант Российской открытой академии транспорта.

Аннотация: В данном исследовании рассматривается трансформационная синергия между квантовыми вычислениями и искусственным интеллектом (ИИ) с упором на потенциальное влияние квантовых методов на оптимизацию и машинное обучение. Фундаментальные квантовые принципы, такие как суперпозиция и запутанность, закладывают основу для таких квантовых алгоритмов, как квантовый отжиг и вариационные квантовые эйгенсолверы, предлагая новые подходы к решению классических задач ИИ. Парадигмы квантового машинного обучения, включая квантовые векторные машины поддержки и квантовые нейронные сети, заново определяют границы вычислений. Эмпирические оценки демонстрируют ощутимые преимущества этих квантовых методологий. Слияние квантовых технологий и ИИ не только развивает теоретические основы, но и дает прагматичный план эволюции вычислительной эффективности в квантовую эру искусственного интеллекта.

Ключевые слова: квантовые вычисления, искусственный интеллект, оптимизация, машинное обучение, вычислительная эффективность.

Все более сложные алгоритмы оптимизации и машинного обучения в области искусственного интеллекта (ИИ) подчеркивают настоятельную потребность в вычислительных методологиях, выходящих за рамки ограничений классических вычислительных парадигм. В этом контексте объединение квантовых вычислений и ИИ представляется интересным направлением, обладающим беспрецедентным потенциалом для революционного изменения вычислительных подходов в данной области.

Суть рассматриваемой проблемы заключается в том, что оптимизационные задачи, присущие ИИ, предъявляют высокие требования к вычислительным ресурсам, начиная от настройки гиперпараметров и заканчивая сложным отбором признаков. Классические алгоритмы, несмотря на их высокую эффективность, не справляются с трудностями, связанными с навигацией по обширным пространствам решений, присущим этим оптимизационным задачам. Толчком к изучению синергии между квантовыми вычислениями и ИИ послужила присущая квантовым вычислениям способность использовать принципы суперпозиции и запутанности, тем самым уменьшая узкие места классических вычислений.

Настройка гиперпараметров, являющаяся одним из основных этапов обучения моделей машинного обучения, предполагает тщательную настройку параметров модели, не связанных с процессом обучения. Огромное количество потенциальных конфигураций гиперпараметров требует исчерпывающего поиска, что требует значительных затрат времени и ресурсов [1]. Классические алгоритмы оптимизации, как правило, градиентные, сталкиваются с экспоненциальным ростом размерности пространства поиска, что приводит к затягиванию времени сходимости и получению неоптимальных решений.

Отбор признаков - неотъемлемая часть построения модели - предполагает выявление и включение значимых признаков с одновременным уменьшением влияния нерелевантных или избыточных. Комбинаторный характер подмножеств признаков усугубляет вычислительную сложность этой задачи, ставя перед классическими алгоритмами серьезные проблемы с точки зрения эффективности и масштабируемости.

Суть проблемы заключается в растущей потребности в ускорении процесса оптимизации, необходимого для принятия решений в реальном времени в динамических средах ИИ. Классические алгоритмы, несмотря на свою стойкость, не могут справиться с растущей сложностью оптимизационных задач, присущих современным приложениям ИИ.

По мере изучения тонкостей оптимизации в рамках ИИ становится очевидным, что слияние квантовых вычислений и ИИ открывает широкие возможности для преодоления этих узких мест в вычислительной технике.

Научная новизна квантовых алгоритмов заключается в их способности использовать квантовый параллелизм и запутанность, обеспечивая смену парадигмы по сравнению с классическими подходами.

Квантовый отжиг - подход к квантовой оптимизации, основанный на квантовой механике и использующий принципы адиабатических квантовых вычислений. Эта методология предполагает кодирование оптимизационной задачи в квантовый гамильтониан, и путем постепенной модификации гамильтониана квантовая система проходит траекторию, ведущую к основному состоянию, представляющему собой оптимальное решение. Квантовый параллелизм, присущий этому подходу, дает ему преимущество в исследовании пространства решений, что делает его особенно подходящим для решения некоторых оптимизационных задач в рамках ИИ [2].

Вариационные квантовые эйгенсолверы (ВКЭ) представляют собой особый квантовый алгоритмический фреймворк, предназначенный для решения оптимизационных задач. Работающие на основе гибридных квантово-классических вычислений, VQE оптимально сочетают квантовые схемы с классическими методами оптимизации. Такой симбиоз позволяет VQE с повышенной эффективностью исследовать сложные пространства решений, что делает его перспективным кандидатом для решения задач оптимизации в приложениях ИИ.

Квантовый алгоритм приближенной оптимизации (Quantum Approximate Optimization Algorithm, QAOA) использует квантовые возможности для приближенного решения задач комбинаторной оптимизации. Накладывая квантовые ворота на классические оптимизационные процедуры, QAOA стремится найти баланс между квантовыми преимуществами и классической стабильностью. Такой подход позволяет ориентироваться в хитросплетениях больших пространств решений и демонстрирует потенциальную применимость к задачам оптимизации ИИ [3].

Квантовые машины опорных векторов (QSVM) представляют собой квантовый аналог классических машин опорных векторов, предназначенный для улучшения задач классификации в рамках машинного обучения. Используя трюк с квантовым ядром, QSVM стремится экспоненциально расширять пространства признаков, что открывает перспективы для учета сложных взаимосвязей в данных. Это квантовое расширение стремится превзойти классические аналоги в выявлении закономерностей в высокоразмерных наборах данных, что подчеркивает его потенциальную эффективность в различных приложениях ИИ.

Квантовые нейронные сети (КНС) представляют собой инновационный квантово-ориентированный подход в области искусственных нейронных сетей. Встраивая квантовые узлы в нейронные архитектуры, КНС используют квантовый параллелизм и запутанность для ускорения процессов обучения и расширения возможностей представления нейронных моделей [4]. Такое пересечение квантовых и нейронных областей способно открыть новую эру моделей ИИ, способных решать все более сложные задачи, связанные с реальными массивами данных.

Квантовые алгоритмы кластеризации, основанные на принципах, отличных от классических аналогов, решают задачу обнаружения скрытых закономерностей в массивах данных. Использование квантовой суперпозиции и запутанности в процессах кластеризации позволяет превзойти классические методы кластеризации по эффективности и масштабируемости. Эта парадигма квантовой кластеризации открывает перспективы для разгадки сложных структур в наборах данных, способствуя тем самым совершенствованию задач распознавания образов и ненаблюдаемого обучения на основе ИИ.По мере изучения парадигм квантового машинного обучения становится очевидным, что их интеграция в гобелен ИИ приводит к динамическому сдвигу в вычислительных методологиях [5].

В заключение следует отметить, что интеграция квантовых вычислений с искусственным интеллектом представляет собой трансформационную парадигму для повышения эффективности вычислений в области оптимизации и машинного обучения. Квантовые алгоритмы, такие как квантовый отжиг и вариационные квантовые эйгенсолверы, устраняют классические узкие места, демонстрируя эмпирические перспективы. Парадигмы квантового машинного обучения, включая квантовые векторные машины поддержки и квантовые нейронные сети, пересматривают границы вычислительной эффективности. Эмпирические оценки подчеркивают ощутимое влияние этих квантовых методик.

Список литературы

1. Литвиненко, Б. В. Настоящее и будущее квантовых вычислений / Б. В. Литвиненко, Д. Е. Новичков // Лучшая исследовательская работа 2023 : сборник статей VIII Международного научно-исследовательского конкурса, Пенза, 20 января 2023 года. – Пенза: Наука и Просвещение (ИП Гуляев Г.Ю.), 2023. – С. 17-20. – EDN VZORZY.
2. Алгоритмы вычисления собственных значений дискретных полуограниченных операторов, заданных на квантовых графах / С. И. Кадченко, А. В. Ставцева, Л. С. Рязанова, В. В. Дубровский // Вестник Южно-Уральского государственного университета. Серия: Математика. Механика. Физика. – 2023. – Т. 15, № 1. – С. 16-25. – DOI 10.14529/mmph230102. – EDN ZQYAFG.
3. Овсянников, Е. В. преимущества квантового компьютера над суперкомпьютером / Е. В. Овсянников // Science start up: students' meeting in Siberia : Материалы сибирского международного студенческого аграрного форума, Красноярск, 22–24 ноября 2022 года. – Красноярск: Красноярский государственный аграрный университет, 2023. – С. 248-251. – EDN CBZUTL.
4. Гушанский, С. М. Теория и практика квантовых вычислений / С. М. Гушанский, В. С. Потапов. – Ростов-на-Дону - Таганрог : Южный федеральный университет, 2023. – 111 с. – ISBN 978-5-9275-4312-0. – EDN DUAENP.
5. Широков, И. Е. Компьютерно-алгебраические вычисления в суперсимметричной электродинамике / И. Е. Широков // Программирование. – 2023. – № 2. – С. 69-78. – DOI 10.31857/S0132347423020152. – EDN MGXCTG.