Ученые МИСИС разработали квантовый алгоритм машинного обучения на кудитах

Российские ученые совершили прорыв в квантовых вычислениях. Специалисты НИТУ МИСИС создали алгоритм машинного обучения, использующий кудиты вместо традиционных кубитов. Это позволяет хранить больше информации в одном разряде и ускоряет вычисления. Разработка уже применяется для анализа микроэлектроники и может использоваться в медицине — для распознавания раковых опухолей и создания новых лекарств, сообщили в пресс-службе вуза.

Квантовые компьютеры становятся ближе к решению реальных практических задач. Ученые Университета МИСИС разработали новый алгоритм машинного обучения, который работает не на привычных кубитах, а на кудитах. Результаты опубликованы в авторитетных научных изданиях, сообщили в пресс-службе вуза.

Чем кудит лучше кубита? Классический кубит может находиться в суперпозиции двух состояний (0 и 1). Кудит способен принимать три, четыре и более состояний одновременно. Это кратно увеличивает объем информации, хранимой в одном разряде, и позволяет эффективнее кодировать данные, перенося их в многомерное пространство для более точной классификации.

Разработанный алгоритм относится к классу методов опорных векторов — одной из базовых моделей машинного обучения. Такие модели широко применяются для распознавания изображений, цифр, а также в медицине: для выявления раковых опухолей на снимках и при разработке новых лекарственных препаратов.

Как это работает? Квантовые вентили, в которых закодированы классические данные, последовательно воздействуют на состояние кудита. После серии измерений на выходе получается обычная битовая строка. Наибольшую точность классификации удалось достичь при 1024 итерациях такой цепочки.

Директор Института физики и квантовой инженерии НИТУ МИСИС Алексей Федоров подчеркнул: работа приближает практическое применение квантовых компьютеров в задачах машинного обучения. Новый алгоритм уже используется в совместных исследованиях с Институтом нанотехнологий микроэлектроники РАН — для сегментации интерфейсов функциональных тонких пленок в перспективной микроэлектронике.