Ученые из Университетского колледжа Лондона (UCL) разработали гибридный метод, сочетающий квантовые вычисления и искусственный интеллект. Новинка позволяет значительно повысить точность прогнозирования сложных физических систем, превосходя возможности классических вычислительных моделей. Технология может быть востребована в климатологии, медицине и энергетическом секторе.
Основой метода стало использование квантовых компьютеров, работающих с кубитами. В отличие от стандартных битов, кубиты способны находиться в состоянии 1, 0 или в их суперпозиции, что кратно расширяет пространство возможных состояний. В процессе обучения ИИ квантовая система анализирует данные, выявляя устойчивые статистические закономерности, которые затем передаются для обработки на классический суперкомпьютер.
Согласно результатам исследования, опубликованным в журнале Science Advances, такая гибридная архитектура обеспечивает на 20% более высокую точность по сравнению с традиционными ИИ-решениями. Метод также позволяет оптимизировать потребление ресурсов: он требует в сотни раз меньше памяти и демонстрирует высокую стабильность даже при анализе хаотических систем.
Иллюстрация: Nano Banana
Преимущества технологии заключаются в использовании квантовых эффектов — запутанности и суперпозиции, — которые позволяют компактно обрабатывать огромные массивы данных. Это делает подход крайне эффективным для моделирования сложных процессов, где локальные изменения оказывают влияние на систему в целом.
Практические испытания проводились на 20-кубитном квантовом компьютере IQM, интегрированном с вычислительными мощностями Лейбницкого суперкомпьютерного центра в Германии. Напомним, что квантовые системы требуют для работы экстремально низких температур, близких к абсолютному нулю (-273°C), что делает их эксплуатацию технически сложной, но крайне перспективной.
Руководитель проекта, профессор Питер Ковени, отметил, что метод открывает широкие возможности для прогнозирования турбулентности, моделирования кровотока и проектирования ветряных ферм. В дальнейшем команда планирует масштабировать технологию для работы с еще более крупными наборами данных и адаптировать ее для решения прикладных задач, связанных с поведением сложных динамических систем.
