Обученный на квантовом процессоре ИИ спрогнозировал турбулентность на 20% точнее классики

Ученые из Университетского колледжа Лондона (UCL) представили гибрид нейросети и квантового процессора, который предсказывает турбулентность на 20% точнее классических моделей — и одновременно требует в сотни раз меньше памяти. Многомегабайтные обучающие датасеты сжимаются в "квантовый априор" размером в килобайты.

Способ назвали QIML — Quantum-Informed Machine Learning. Идея в том, чтобы разделить задачу на две части. Турбулентность сложно предсказывать потому, что в ней одновременно есть и крупные структуры, и микроскопические завихрения, причем мелкие детали накапливают ошибку и через какое-то время прогноз классической нейросети просто разваливается. Разработчики решили: пусть классическая нейросеть занимается крупными структурами, как и раньше, а статистику мелких масштабов выучит отдельная маленькая схема — на квантовом процессоре. Этот выученный кусок знания и назвали Q-Prior, "квантовый априор".

Как это работает на практике. На сверхпроводящем квантовом процессоре один раз обучают Q-Prior — он запоминает не сами завихрения, а статистические закономерности их поведения. Получается крошечная "шпаргалка" размером в килобайты. Дальше квантовое железо больше не нужно: Q-Prior встраивается в обычную нейросеть на обычном GPU, и когда ей нужно понять, что творится на мелких масштабах, она подсматривает туда. Почему квантовому компьютеру это удается компактнее — потому что у кубитов есть запутанность: каждый влияет на любой другой, и это естественный язык для систем, где все связано со всем (а турбулентность именно такая). Несколько кубитов умещают то, на что классической памяти ушли бы мегабайты таблиц.

Гибрид проверили на трех задачах гидродинамики разной сложности. На уравнении Курамото-Сивашинского точность распределения улучшилась на 17,25%, спектральная точность — на 29,36%. На двумерном течении Колмогорова и трехмерном турбулентном канальном течении эффект был еще интереснее: без Q-Prior классическая схема просто теряла стабильность на длинных горизонтах прогноза, а с ним — обгоняла лучшие классические численные решатели.

"Наш метод, похоже, демонстрирует квантовое преимущество практическим образом — то есть квантовый компьютер обходит то, что вообще достижимо при классических вычислениях", — комментирует автор работы Майда Ван из Центра компьютерных наук UCL. Соавтор Сяо Сюэ добавляет, что это первая работа, где квантовые вычисления удалось осмысленно соединить с классическим ML на реальной научной задаче.

Турбулентность — одна из самых упрямых проблем вычислительной физики. От ее прогноза зависят климатические модели, аэродинамика самолетов, эффективность ветрогенераторов и ядерных реакторов; сейчас все это считают на суперкомпьютерах ценой огромных ресурсов. Если QIML удастся масштабировать на реальные задачи (планы команды), часть нагрузки можно будет перенести на компактный квантово-обученный компонент. Работу профинансировали UCL и британский EPSRC при поддержке IQM Quantum Computers и Лейбницевского суперкомпьютерного центра в Мюнхене.

P.S. Поддержать меня можно подпиской на канал "сбежавшая нейросеть", где я рассказываю про ИИ с творческой стороны.