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 даёт специалистам больше свободы в представлении и кодировании информации. Исследование опубликовано в журнале Bulletin of the Russian Academy of Sciences: Physics, сообщила пресс-служба НИТУ МИСИС.
Алгоритм опорных векторов — одна из базовых моделей классификации, которую обычно используют для распознавания изображений и цифр, а также в таких проектах машинного обучения, которые занимаются распознаванием раковых опухолей и разработкой новых лекарств.
«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 Фёдоров.
Согласно принципу работы алгоритма, кудиты переносят данные в многомерное пространство, где они впоследствии легко разделяются и классифицируются.
«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», — рассказывает аспирантка кафедры теоретической физики и квантовых технологий НИТУ МИСИС Елизавета Глазкова.
Полученный алгоритм ученые Университета МИСИС и Института нанотехнологий микроэлектроники РАН уже применяют в совместной работе по сегментации интерфейсов функциональных тонких пленок для перспективной микроэлектроники.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
