Квантовый ИИ увеличил точность прогнозирования сложных систем на 20%

Исследователи из Университетского колледжа Лондона (UCL) представили гибридную архитектуру, объединяющую возможности квантовых вычислений и искусственного интеллекта. Эта разработка открывает новые горизонты в прогнозировании нелинейных физических процессов, демонстрируя значительное превосходство над традиционными компьютерными методами в сферах метеорологии, медицинской диагностики и энергетического сектора.

В основе технологии лежит квантовая обработка данных: благодаря кубитам, способным пребывать в состоянии суперпозиции, система оперирует колоссальными массивами данных гораздо эффективнее классических процессоров. На этапе обучения нейросети квантовое устройство идентифицирует фундаментальные статистические закономерности, которые впоследствии передаются на классический суперкомпьютер для финальной настройки модели.

Данные, обнародованные в журнале Science Advances, свидетельствуют: гибридная модель повышает точность предсказаний на 20% по сравнению с обычными ИИ-решениями. Помимо этого, новая методика требует в сотни раз меньше оперативной памяти, демонстрируя при этом исключительную устойчивость даже при работе с непредсказуемыми и хаотичными динамическими системами.

Главное достоинство метода заключается в использовании квантовой запутанности и суперпозиции, что обеспечивает высокую плотность хранения и обработки информации. Такой подход незаменим при моделировании сложных взаимосвязанных систем, где малейшие локальные изменения способны спровоцировать каскадные эффекты во всей структуре.

В ходе экспериментальных испытаний применялся 20-кубитный квантовый процессор IQM, интегрированный с мощностями Лейбницкого суперкомпьютерного центра в Германии. Несмотря на необходимость поддержания экстремально низких температур, близких к абсолютному нулю (-273°C), эксперты подчеркивают высокую прикладную ценность данной технологии.

Как отмечает ведущий автор исследования профессор Питер Ковени, потенциал метода огромен: от анализа турбулентности и моделирования гемодинамики в сосудах до оптимизации работы ветряных электростанций. В перспективе команда планирует адаптировать систему для работы с массивами данных промышленного масштаба и сформировать теоретическую базу для дальнейшего внедрения этого способа в актуальные научные и технические задачи.

Источник: iXBT