Квантовое машинное обучение: концепции, алгоритмы и кейсы

Есть задачи, от которых классические компьютеры начинают "потеть". Моделирование взаимодействия молекул, поиск в огромных комбинаторных пространствах, факторизация больших чисел — объём работы растёт быстрее, чем успевает железо. Квантовые компьютеры подходят к таким задачам иначе, и небольшая, но растущая группа исследователей задаётся вопросом, может ли это отличие помочь и машинному обучению.

Собственно, этим и занимается квантовое машинное обучение (QML). В этом руководстве мы разберём, что такое QML на самом деле, какие квантовые идеи нужны, чтобы его понимать, какие основные алгоритмы сейчас исследуют и где находится область сегодня — скажу сразу, на более ранней стадии, чем можно подумать по заголовкам. Если вы уже работаете с классическим ML, например на нашем треке Machine Learning Scientist in Python, многое в структуре покажется знакомым.

Что такое квантовое машинное обучение?

Квантовое машинное обучение использует квантовые вычисления, чтобы выполнять или ускорять части задачи машинного обучения. Это может означать кодирование данных в квантовые состояния, запуск квантовой схемы вместо компонента классической модели или вызов квантовой подпрограммы внутри обычного тренировочного цикла. Под этим ярлыком скрывается широкий спектр — от в основном классических методов с единственным квантовым шагом до моделей, рассчитанных на полный запуск на квантовом оборудовании.

Прежде чем идти дальше, полезно прояснить, чем QML не является — именно здесь и зарождается большинство заблуждений. Это не быстрый взаимозаменяемый вариант для ваших текущих моделей и не технология, которая вот-вот вытеснит классическое ML повсеместно. Большая часть области — это стадия исследований, запуск на симуляторах или небольших шумных квантовых машинах. Честная постановка вопроса такова: QML изучает более узкую тему — существуют ли конкретные задачи ML, где квантовое железо даёт то, чего классическому трудно достичь? Для нескольких типов задач ответ выглядит обнадёживающе. Для большинства классическое ML остаётся верным инструментом, и наш курс Understanding Machine Learning покрывает то, что большинству действительно нужно в первую очередь.

Основы квантовых вычислений

Для понимания остальной части статьи степень по физике не нужна, но несколько идей сделают QML гораздо менее таинственным. Короткая версия ниже — пропустите, если это уже знакомо.

Кубиты против битов

Классический бит — это либо 0, либо 1. Кубит может одновременно находиться в смеси обоих состояний и принимает определённое значение 0 или 1 только при измерении. До измерения кубит описывается двумя амплитудами, которые задают вероятность каждого исхода. В этом и заключается вся хитрость: регистр из n кубитов может одновременно представлять комбинацию из 2ⁿ состояний, тогда как n классических битов могут хранить лишь одно из этих состояний за раз.

Но есть и ограничение (а в квантовых вычислениях они всегда есть): вы не можете просто взять и прочитать все эти состояния. Измерение коллапсирует кубит в одно значение, поэтому, чтобы извлечь полезную информацию, нужна осторожность. Это ограничение важнее, чем кажется на первый взгляд, и во многом объясняет, почему алгоритмы QML устроены так, как они устроены — скоро вы это увидите.

Суперпозиция и запутанность

Эта смесь состояний называется суперпозицией. Вторая идея — запутанность — делает всё по-настоящему интересным: два и более кубита могут быть настолько тесно коррелированы, что описать один без другого невозможно. Измерив один запутанный кубит, вы сразу узнаёте что-то о его паре — теоретически даже на расстоянии. У классических битов нет аналога, и большинство потенциальных преимуществ квантовых вычислений так или иначе опираются на этот эффект.

Квантовые вентили

Как же работать с кубитами в суперпозиции и запутанности? Для этого существуют квантовые вентили. Это обратимые повороты состояния кубита: вентиль Адамара вводит кубит в суперпозицию, CNOT запутывает два кубита. Соединяя вентили, вы получаете квантовую схему — квантовый аналог программы. Всё опирается на линейную алгебру: состояния — это векторы, вентили — матрицы, а запуск схемы — последовательность матричных операций. Если с этим некомфортно, навыки линейной алгебры из наших учебных путей по data science напрямую пригодятся.

Имея на руках кубиты, суперпозицию, запутанность и вентили, у вас есть всё, чтобы увидеть, как эти элементы складываются в рабочий процесс QML.

Как работает квантовое машинное обучение

На высоком уровне у рабочего процесса QML четыре шага. Первое — вы кодируете классические данные в квантовое состояние, обычно сопоставляя значения признаков с углами поворотов или амплитудами. Второе — применяете квантовую схему, часто с настраиваемыми параметрами. Третье — измеряете схему, запуская её много раз, потому что каждое измерение даёт лишь один коллапсировавший исход, и нужно достаточно выборок для надёжной оценки результата. Четвёртое — подаёте этот результат обратно в процесс обучения.

Именно на последнем шаге сегодня живёт большая часть практического QML. Вместо полного запуска на квантовой машине вы строите гибридный цикл: квантовая схема выдаёт значение, классический оптимизатор подбирает её параметры, и цикл повторяется — точь-в-точь как обучение модели, только одна часть вычислений происходит на квантовом железе. Современные квантовые машины шумные и небольшие (эту эпоху называют NISQ — noisy intermediate-scale quantum), поэтому разумнее оставить тяжёлую работу классике и выносить на квант только то, что действительно даёт выгоду. Почему гибрид побеждает — вернёмся к этому в следующем разделе.

Типы подходов в квантовом машинном обучении

Теперь, когда вы увидели базовый четырёхшаговый процесс, стоит спросить: какая его часть действительно должна выполняться на квантовом оборудовании? Примерно есть три способа сочетать квантовые вычисления и машинное обучение — и различаются они главным образом тем, какую долю работы делает квантовая машина.

Машинное обучение с квантовым ускорением

Здесь модель по сути классическая, но один дорогой шаг делегируется квантовой процедуре ради потенциального ускорения: решение линейной системы, оценка ядра, выборка из распределения. Остальной конвейер выглядит как обычное обучение с учителем, которое вы строили бы в нашем курсе по Supervised Learning with scikit-learn.

Полностью квантовые модели

На другом полюсе — модели, которые работают от начала до конца на квантовом оборудовании, с данными и моделью в квантовых состояниях. Это самая амбициозная версия QML и, что неудивительно, наименее практичная сейчас: текущее железо не тянет их в сколь-нибудь полезном масштабе.

Гибридные квантово-классические модели

Между этими крайностями — подход, который реально работает сегодня, и именно на нём сосредоточены почти все серьёзные исследования QML. Параметрическая квантовая схема выполняет часть вычислений, а классический оптимизатор её обучает. Он обходит ограничения малого и шумного железа, поручая квантовой машине только то, в чём она сейчас сильна.

Алгоритмы квантового машинного обучения

Снова и снова вы будете встречать одни и те же семейства алгоритмов. Оставлю их на высоком уровне: математика быстро уходит вглубь, а для понимания назначения каждого это не обязательно.

Вариационные квантовые схемы (VQC)

Вариационная квантовая схема — это квантовая схема с настраиваемыми параметрами, обучаемая в том самом гибридном цикле, о котором я говорил выше. Это рабочая лошадка ближнесрочного QML и основа для большинства остальных моделей здесь. Примерно так это выглядит в PennyLane, популярной open-source библиотеке для QML:

import pennylane as qml

# A 2-qubit device that runs on a local simulator
dev = qml.device("default.qubit", wires=2)

@qml.qnode(dev)
def variational_circuit(inputs, weights):
    # Encode two input features as qubit rotation angles
    qml.AngleEmbedding(inputs, wires=[0, 1])
    # The trainable layer a classical optimizer will adjust
    qml.BasicEntanglerLayers(weights, wires=[0, 1])
    # Measure to get a value we can feed back into training
    return qml.expval(qml.PauliZ(0))

Именно веса классический оптимизатор обновляет на множестве итераций — так же, как градиентный спуск обновляет веса нейросети. С этой схемой остальные алгоритмы будут ощущаться как вариации на тему.

Квантовые опорные векторы (SVM)

Квантовая SVM сохраняет структуру классической SVM, но использует квантовую схему для вычисления ядра — меры сходства между объектами. Надежда в том, что квантовое признаковое пространство сможет уловить закономерности, с которыми классическому ядру сложно. Поможет ли это на реальных датасетах — вопрос открыт.

Квантовые нейронные сети (QNN)

Квантовые нейронные сети выстраивают параметрические схемы в слои и обучают их примерно как классические сети. Если вы обучали модель на нашем курсе Introduction to Deep Learning in Python, цикл знаком: прямой проход, функция потерь, обновление — только прямой проход выполняется квантовой схемой.

Квантовый k-means

Квантовый k-means — это про кластеризацию: он использует квантовые подпрограммы для оценки расстояний между точками — операции, которая доминирует по затратам в классическом k-means на масштабе. Это самый прямой пример из серии «заменить один дорогой шаг квантовой версией».

Возможно, вы задаётесь вопросом: дают ли какие-либо из этих алгоритмов реальные квантовые ускорения? Этим мы и займёмся дальше.

Потенциальные преимущества квантового машинного обучения

Чаще всего упоминают три возможных плюса. Некоторые структурированные задачи — например моделирование квантовых систем в химии и материаловедении — естественно отображаются на квантовое железо, и именно здесь преимущество выглядит наиболее правдоподобным. Квантовые признаковые пространства также могут представлять сложные отношения, которые неудобно захватывать классически. А для нескольких конкретных алгоритмов теория указывает на большие, вплоть до экспоненциальных, ускорения.

Обратите внимание: я говорю «потенциальные». Эти преимущества в основном доказаны на бумаге, при допущениях, которым реальное железо пока не соответствует. Любимый пример разрыва: ряд теоретических ускорений предполагает, что ваши данные уже загружены в квантовое состояние, но сама загрузка классических данных может стоить столько же, сколько экономит ускорение. Такие скрытые узкие места и приводят к тому, что список заявленных преимуществ и список продемонстрированных — это пока две разные вещи.

Учитывая этот разрыв, полезно поставить классическое и квантовое ML рядом и сравнить напрямую.

Квантовое машинное обучение vs. классическое машинное обучение

Самый наглядный способ увидеть различия — side by side.

Классическое ML доминирует в реальной работе сегодня и будет доминировать в обозримом будущем: есть инструменты, есть железо и есть специалисты. QML — это ранний претендент, который со временем, возможно, займёт нишу там, где квантовая структура окупается. Считать их соперниками — мимо сути. Пока они играют в разных лигах, и интересный вопрос — какие задачи со временем перейдут из одной в другую.

И такое сравнение «разные лиги» — лучший способ развеять мифы, которые обычно сопровождают эту область, так что давайте разберём их напрямую.

Распространённые заблуждения о квантовом машинном обучении

За QML тянется несколько мифов, и их стоит развеять.

«Квантовое ML быстрее во всём». Нет. Предполагаемые ускорения относятся к конкретным алгоритмам при конкретных условиях. Для подавляющего большинства задач ML квантовая машина не даёт преимущества и на текущем железе работает медленнее.

«Квантовые компьютеры заменят классические». Нет. Это специализированные ускорители для узкого класса задач, а не универсальная замена. Ваш ноутбук никуда не денется — как и классическая часть любой гибридной QML-модели.

«QML готов к продакшену уже сегодня». Это чаще всего вводит новичков в заблуждение. Область экспериментальная, железо ограничено и шумно, почти всё работает на симуляторах. QML — это то, что сейчас стоит изучать и отслеживать, а не внедрять в продакшен.

Очистив поле от хайпа, вы получаете по-настоящему интересную область, которую стоит изучать на её собственных условиях. И если вы достаточно любопытны, чтобы написать немного кода — вот с чего начать.

С чего начать работу с квантовым машинным обучением

Если вам захотелось попробовать код, хорошая новость — инструменты открытые и дружелюбные к новичкам. PennyLane (библиотека из примера выше) и Qiskit — два самых распространённых входа, и оба работают на симуляторах, так что доступ к реальной квантовой машине для экспериментов не нужен. Модуль машинного обучения Qiskit содержит готовые квантовые ядра, классификаторы и нейросети, а также интегрируется с PyTorch, что делает переход из классического мира комфортным.

Мой совет: сначала укрепите классическую базу. Гибридный цикл, оптимизаторы, то, как обучается модель — всё это классика, и именно на это вы будете опираться чаще всего. Наш трек Machine Learning Scientist in Python покрывает эту основу, а дальше квантовые составляющие — это надстройка, а не старт с нуля. Учитесь, запуская схемы и подкручивая параметры; чтение про суперпозицию заведёт лишь до определённого предела.

Выводы

Квантовое машинное обучение находится на стыке двух быстро развивающихся областей, заимствуя у квантовых вычислений способ представления информации, чтобы решать части ML-конвейера. Я старался держаться ближе к земле, потому что вокруг темы сейчас больше хайпа, чем почти где-либо в IT, а честное резюме скромно: QML — ранняя, в основном экспериментальная область с действительно неопределёнными перспективами окупаемости.

Это не повод её игнорировать. Это повод разобраться в основах сейчас, пока область ещё достаточно компактна, чтобы охватить её целиком. Если квантовое железо созреет так, как надеются оптимисты, именно те, кто уже понимает, как сочетаются кубиты, схемы и гибридное обучение, будут готовы это использовать. А если не взлетит повсеместно — вы всё равно изучите захватывающий уголок вычислений, что, по правде говоря, тоже неплохой итог.