Основы квантового машинного обучения

Квантовое машинное обучение - крайне любопытная концепция, переносящая идею классических нейронных сетей на прототипы квантовых процессоров. Слева - типичная архитектура обычной нейронной сети. Вектор данных, обозначенный х, передается на вход функциям активации, выходы которых сворачиваются с вектором весов w - и так много раз, включая глубокие слои. Вектора весов подбираются для решения нужной задачи, что и составляет обучение сети. На выходе имеем вектор ответов o. Сходная по смыслу схема может быть реализована на квантовом процессоре, см. правую часть картинки. Здесь исходные данные нужно загрузить в кубиты, например, переводя их в углы поворота параметризованных однокубитных операций θ(x). Затем вместо фиксированных функций активации имеется много параметризуемых квантовых вентилей, причем "внутренних слоев" этих вентилей может быть много, и все они разной степени сложности. Параметры этих унитарных операций также подбираются исходя из желаемого поведения алгоритма. Получается, что внутренние квантовые вентили берут на себя роль как функций активаций, так и весов - но делают это сложным способом, специфичным для квантового устройства. В конце этого расчета ответ считается закодированным в амплитудах кубитов, поэтому проводя измерения над регистром, можно получать классический ответ. Это интересно по многим причинам: квантовые цепочки операций могут быть крайне выразительными даже при небольшом числе кубитов, поскольку доступное многообразие имеет сложную структуру. Кроме того, есть интересные способы вычисления градиентов и аналог обратного распространения ошибки, что делает обучение довольно понятным процессом, аналогичным обучению классической нейросети.