Более десяти лет исследователи считали бозон-самплинг — протокол квантовых вычислений, использующий световые частицы — ключевой вехой на пути демонстрации преимуществ квантовых методов перед классическими вычислениями. Однако, хотя предыдущие эксперименты показали, что бозон-самплинг сложно смоделировать на классических компьютерах, практическое применение оставалось недостижимым.
Теперь в журнале Optica Quantum исследователи из Института науки и технологий Окинавы (OIST) [представили первое практическое применение бозон-самплинга для распознавания изображений](https://opg.optica.org/abstract.cfm?URI=opticaq-3-3-238), важной задачи во многих областях: от криминалистики до медицинской диагностики. Их подход использует всего три фотона и линейную оптическую сеть, что является значительным шагом на пути к созданию низкоэнергетических систем квантового искусственного интеллекта.
Что такое бозон-самплинг?
Бозоны — частицы, подобные фотонам, которые подчиняются статистике Бозе-Эйнштейна — демонстрируют сложные интерференционные эффекты при прохождении через определённые оптические схемы. В бозон-самплинге исследователи вводят одиночные фотоны в такую схему, а затем измеряют распределение вероятностей выхода после их интерференции.
Чтобы понять, как работает такой самплинг, представьте себе шарики на колыбели. Когда шарики падают, если вы выберете распределение вероятностей того, где они приземлятся, оно образует колоколообразную кривую. Однако результаты будут совершенно другими, если провести тот же эксперимент с одиночными фотонами. Они проявляют волновые свойства, могут интерферировать друг с другом и взаимодействовать со своей средой совсем не так, как крупные объекты. Это означает, что они демонстрируют очень сложные распределения вероятностей, которые трудно предсказать с помощью классических методов вычислений.
В этой статье исследователи разработали новый метод квантового искусственного интеллекта для распознавания изображений на основе бозон-самплинга. В своём моделируемом эксперименте они начали с генерации сложного квантового состояния фотонов, на которое были закодированы упрощённые данные изображений.
Исследователи использовали изображения в оттенках серого из трёх разных наборов данных в качестве входных. Поскольку каждый пиксель имеет оттенки серого, информацию легко представить в числовом виде, и её можно сжать с помощью [анализа главных компонент](https://phys.org/tags/principal+component+analysis/) (PCA) для сохранения ключевых особенностей.
Упрощённые данные были закодированы в квантовую систему путём настройки свойств одиночных фотонов. Затем фотоны проходили через квантовый резервуар — сложную оптическую сеть, — где интерференция создавала богатые, многомерные паттерны. Детекторы регистрировали положения фотонов, и повторная выборка создавала распределение вероятностей бозон-самплинга. Этот квантовый вывод был объединён с исходными данными изображения и обработан простым линейным классификатором.
Этот гибридный подход сохранил информацию и превзошёл все протестированные исследователями методы машинного обучения аналогичного размера, обеспечивая высокоточное распознавание изображений во всех наборах данных.
«Хотя система может показаться сложной, на самом деле она гораздо проще в использовании, чем большинство моделей квантового машинного обучения», — объяснил доктор Акитада Сакураи, первый автор этого исследования и член группы квантовой информации и технологий. «Необходимо обучить только последний шаг — простой линейный классификатор. В отличие от этого традиционные модели квантового машинного обучения обычно требуют оптимизации по нескольким квантовым слоям».
Профессор Уильям Дж. Манро, соавтор и руководитель группы квантовой инженерии и проектирования, добавил: «Особенно поразительным является то, что этот метод работает с различными наборами данных изображений без необходимости изменения квантового резервуара. Это сильно отличается от большинства традиционных подходов, которые часто необходимо адаптировать к каждому конкретному типу данных».
Практическое применение
Распознавание изображений играет жизненно важную роль во многих реальных приложениях: от анализа почерка на месте преступления до выявления опухолей на МРТ-снимках. Многообещающие результаты этого исследования показали, что квантовый подход идентифицирует изображения с более высокой точностью, чем аналогичные методы машинного обучения, открывая новые возможности в квантовом искусственном интеллекте.
«Эта система не универсальна — она не может решить каждую вычислительную задачу, которую мы ей задаём», — отметил профессор Каэ Немото, руководитель группы квантовой информации и технологий, директор Центра квантовых технологий OIST и соавтор этого исследования. «Но это значительный шаг вперёд в квантовом машинном обучении, и мы рады изучить его потенциал с более сложными изображениями в будущем».
Предоставлено Институтом науки и технологий Окинавы.