Более десяти лет исследователи рассматривали бозон-самплинг — протокол квантовых вычислений с использованием световых частиц — как ключевую веху 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 знаменует значительный шаг к созданию низкоэнергетических систем квантового искусственного интеллекта.
Бозоны и 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 одну такую схему, а затем измеряют распределение вероятностей выхода после их интерференции.
Чтобы понять, как работает такой самплинг, представьте себе шарики на доске с колышками. Когда шарики падают, если вы возьмёте выборку распределения вероятностей того, где шарики приземлятся, оно образует колоколообразную кривую. Однако результаты совершенно другие, если провести тот же эксперимент с одиночными фотонами. Они проявляют волновые свойства, могут интерферировать друг с другом и взаимодействовать со своей средой совершенно иначе, чем крупные объекты. Это означает, что они демонстрируют очень сложные распределения вероятностей, которые трудно предсказать классическими методами вычислений.
Новый метод квантового искусственного интеллекта
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 изображения.
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, обеспечив 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», — пояснил доктор Акитада Сакураи, первый автор этого исследования и член группы квантовой информатики и технологий. «Обучать нужно только финальный 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 приходится адаптировать к каждому конкретному типу данных».
Роль распознавания изображений
Независимо от того, анализируется ли почерк с места преступления или выявляются опухоли на МРТ, распознавание изображений играет жизненно важную роль во многих реальных приложениях. Многообещающие результаты этого исследования показали, что этот 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 информатики 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](https://phys.org/partners/okinawa-institute-of-science-and-technology/)