Обученный на квантовом процессоре ИИ предсказал 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 при этом требует в сотни раз меньше памяти. Многомегабайтные обучающие датасеты сжимаются в "квантовый априор" размером в килобайты.

Метод 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. Авторы решили: пусть классическая нейросеть занимается крупными структурами, как и раньше, а статистику мелких масштабов выучит отдельная маленькая модель — 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