Представьте будущее, в котором квантовые компьютеры значительно ускоряют машинное обучение — модели обучаются за секунды, извлекают ценную информацию из огромных наборов данных и питают искусственный интеллект нового поколения. Это будущее может быть ближе, чем вы думаете, благодаря прорыву исследователей из национального исследовательского агентства Австралии CSIRO и Мельбурнского университета.
До сих пор на пути стояла одна большая проблема: ошибки. Квантовые процессоры работают с шумом, а моделям квантового машинного обучения (QML) нужны глубокие схемы с сотнями вентилей. Даже небольшие ошибки быстро накапливаются, разрушая точность. Обычное решение — квантовая коррекция ошибок — может работать, но оно дорогое. Для запуска одной модели требуются миллионы кубитов, что выходит за рамки современных аппаратных возможностей.
Что изменилось?
Команда обнаружила, что не нужно корректировать всё. В моделях QML более половины вентилей обучаемы и настраиваются во время обучения. Пропуская коррекцию ошибок для этих вентилей, модель может «самокорректироваться» во время обучения. Результат — точность почти такая же, как при полной коррекции ошибок, но с использованием всего нескольких тысяч кубитов вместо миллионов.
Ведущий автор и доктор философии в Мельбурнском университете Хайюэ Кан описывает эту работу как важный шаг вперёд. «До сих пор квантовое машинное обучение в основном тестировалось в идеальных, безошибочных симуляциях. Но реальные квантовые компьютеры не идеальны — они шумные, и этот шум делает сегодняшнее оборудование несовместимым с этими моделями», — говорит Кан.
Профессор Мухаммад Усман, руководитель группы квантовых систем в CSIRO, является старшим автором исследования. «Это парадигмальный сдвиг, — сказал профессор Усман. — Мы показали, что частичной коррекции ошибок достаточно, чтобы сделать QML практичным на квантовых процессорах, которые должны появиться в ближайшем будущем».
Это может приблизить квантовое машинное обучение от теории к реальности гораздо раньше, чем ожидалось. Более быстрое обучение, более умный ИИ и реальное квантовое преимущество теперь могут быть в пределах досягаемости.
Исследование знаменует собой важную веху для квантовых вычислений и ИИ. Это не просто техническая настройка — это переосмысление того, как мы строим квантовые алгоритмы для шумного оборудования.
Квантовые намёки на сознание: новое исследование предполагает, что мозг использует поле нулевой точки
Что если ваши сознательные переживания были не просто болтовнёй нейронов, а были связаны с гулом Вселенной? В статье, опубликованной в журнале Frontiers in Human Neuroscience, представлены новые доказательства, указывающие на то, что сознательные состояния могут возникать из-за способности мозга резонировать с квантовым вакуумом — полем нулевой точки, которое пронизывает всё пространство.
Более конкретно, утверждается, что макроскопические квантовые эффекты играют роль в нашем мозге. Это понимание основано на синтезе архитектурных и нейрофизиологических данных мозга, дополненных количественными расчётами моделей.
Нейрофизиологи давно заметили, что сознательные состояния связаны с синхронизированной активностью мозга в бета- и гамма-диапазонах. Эти паттерны демонстрируют признаки самоорганизованной критичности — хрупкого баланса, при котором мозг работает вблизи критической точки фазового перехода.
В этом режиме сенсорные входы могут запускать большие нейронные лавины, которые, как считается, лежат в основе сознательного восприятия. Когда сознание угасает, например, под анестезией, этот критический баланс исчезает.
Ответ лежит в квантовой электродинамике (QED), фундаментальной теории электромагнетизма. В этой теории вакуум не пуст, а заполнен флуктуирующим океаном энергии, известным как электромагнитное поле нулевой точки (ZPF). Расчёты на основе QED показывают, что специфические частоты (моды) ZPF могут резонировать с глутаматом, наиболее распространённым нейромедиатором в мозге.
Резонансное взаимодействие происходит в микроколонках — кортикальных единицах, состоящих примерно из 100 нейронов, погружённых в пул глутамата. Это взаимодействие оказывается решающим для самоорганизованной критичности. С одной стороны, резонансное глутамат-ZPF-взаимодействие приводит к формированию доменов когерентности, где большое количество молекул вибрирует синхронно. С другой стороны, оно приводит к возбуждению специфических мод ZPF и генерации внутриоколоночных микроволновых полей, которые модулируют ионные каналы, точно настраивают частоту нейронных импульсов и поддерживают баланс возбуждающих и тормозных сигналов, необходимый для критической динамики.
Перспективы обнаружения лёгкой тёмной материи в нейтринных обсерваториях
Тёмная материя — это неуловимый тип материи, который не излучает, не отражает и не поглощает свет, но, по оценкам, составляет большую часть массы Вселенной. За последние десятилетия многие физики по всему миру пытались обнаружить этот тип материи или сигналы, связанные с его присутствием, используя различные подходы и технологии.
Хотя тёмная материя никогда не была обнаружена напрямую, её состав и свойства остаются в основном неизвестными. Первоначально поиски тёмной материи были сосредоточены на обнаружении относительно тяжёлых частиц. Однако в последнее время физики также начали искать более лёгкие частицы с массами ниже одного гигаэлектронвольта (ГэВ), которые были бы легче протонов.
Исследователи из Национальной ускорительной лаборатории SLAC и Университета штата Огайо недавно показали, что сигнатуры этих суб-ГэВ частиц тёмной материи также могут быть зафиксированы нейтринными обсерваториями — большими подземными детекторами, первоначально предназначенными для изучения нейтрино (т. е. лёгких частиц, которые слабо взаимодействуют с обычной материей).
Их статья, опубликованная в Physical Review Letters, может послужить основой для будущих поисков лёгкой тёмной материи, открывая новые пути, которые могут привести к её обнаружению.
Наблюдение за превращением атомов углерода в азот под действием солнечных нейтрино
Нейтрино — одни из самых загадочных частиц во Вселенной, их часто называют «призрачными частицами», потому что они редко взаимодействуют с чем-либо ещё. Триллионы нейтрино проходят через наши тела каждую секунду, но не оставляют следа. Они образуются во время ядерных реакций, в том числе в ядре нашего Солнца.
Их тенденция не взаимодействовать часто затрудняет обнаружение нейтрино. Солнечные нейтрино были замечены взаимодействующими только на нескольких различных мишенях. Теперь, впервые, учёным удалось наблюдать, как они превращают атомы углерода в азот внутри огромного подземного детектора.
Прорыв, осуществлённый под руководством исследователей из Оксфорда, был сделан с помощью детектора SNO+ (Sudbury Neutrino Observatory), расположенного на глубине двух километров в SNOLAB — международном объекте мирового класса, размещённом в действующей шахте в Садбери, Канада. Глубокое расположение было решающим для защиты лаборатории от космических лучей и фонового излучения, которые могли бы замаскировать слабые сигналы нейтрино.
Команда искала события, в которых ядро углерода-13 было поражено высокоэнергетическим нейтрино и превратилось в радиоактивный азот-13, который распадается примерно через 10 минут. Они использовали метод «замедленной совпадённости», который ищет два связанных сигнала: начальный всплеск от нейтрино, поражающего ядро углерода-13, за которым через несколько минут следует второй всплеск от результирующего радиоактивного распада. Этот отличительный паттерн позволяет исследователям уверенно отделять реальные нейтринные взаимодействия от фонового шума.
published in the journal Quantum Science and Technology.»,»In QML models, more than half the gates are trainable and they adjust during learning. By skipping error correction for these gates, the model can ‘self-correct’ as it trains. The result? Accuracy almost as good as full error correction, but with only a few thousand qubits instead of millions.»,»Lead author and Ph.D. student at The University of Melbourne, Haiyue Kang, describes this work as an important step forward.»,»\»Until now, quantum machine learning has mostly been tested in perfect, error-free simulations. But real quantum computers aren’t perfect—they’re noisy, and that noise makes today’s hardware incompatible with these models. In other words, there’s a big gap between the theory and actually running QML on quantum processors without losing accuracy.\»»,»Professor Muhammad Usman, head of the Quantum Systems team at CSIRO, is senior author of the study.»,»\»This is a paradigm shift,\» Professor Usman said.»,»\»We’ve shown that partial error correction is enough to make QML practical on the quantum processors expected to be available in the near future.\»»,»Why does this matter? Because it could move quantum machine learning from theory to reality much sooner than expected. Faster training, smarter AI and real-world quantum advantage could now be within reach.»,»The study marks a major milestone for quantum computing and AI. It’s not just a technical tweak—it’s a rethink of how we build quantum algorithms for noisy hardware.»,»Bottom line: Quantum machine learning mightn’t be decades away. Thanks to this clever approach, it could be powering real-world applications in the near future.»,»\n\t\t\t\t\t\t\t\t\t\t\t\t\tProvided by\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\tUniversity of Melbourne\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t»,»\n\t\t\t\t\t\t\tMore from Quantum Physics\n\t\t\t\t\t\t «]’>Источник