Kwanturowe obliczenia hiperdimensionalne: podstawowy paradygmat dla kwantowych architektur neuromorficznych

Dlaczego ten nowy rodzaj obliczeń ma znaczenie

Komputery są wszędzie, a mimo to wiele z najtrudniejszych współczesnych problemów – od odszyfrowywania genomów po poszukiwanie nowych leków – nadal obciąża nawet najszybsze maszyny. Równocześnie komputery kwantowe zaczynają przechodzić od ciekawostek laboratoryjnych do praktycznych narzędzi. Niniejszy artykuł przedstawia sposób połączenia tych wątków: ramy nazwaną kwantowymi obliczeniami hiperdimensionalnymi (QHDC), zaprojektowane od podstaw, by pozwolić sprzętowi kwantowemu myśleć w sposób przypominający mózg, oparty na wzorcach.

Od długich liczb do bogatych wzorców

Klasyczne komputery zwykle traktują informacje jako precyzyjne liczby przetwarzane krok po kroku. Obliczenia hiperdimensionalne (HDC) idą inną drogą: reprezentują informacje jako bardzo długie wektory – można o nich myśleć jak o olbrzymich strzałkach w przestrzeni – gdzie każda strzałka koduje pojęcie, obraz lub nawet zdanie. Proste operacje na tych strzałkach pozwalają łączyć pojęcia (jak powiązanie kraju z jego walutą), agregować wiele przykładów w prototyp albo przestawiać składowe, by zapisać kolejność w sekwencji. Ponieważ informacja jest rozłożona na wiele składowych, takie reprezentacje są naturalnie odporne na szum i dobrze nadają się do szybkiego uczenia z niewielkiej liczby przykładów.

Połączenie kodów przypominających mózg z maszynami kwantowymi

Autorzy pokazują, że podstawowe sztuczki HDC zaskakująco dobrze pasują do naturalnego sposobu działania komputerów kwantowych. W QHDC każdy wektor o dużej wymiarowości jest realizowany jako stan kwantowy rozłożony na wiele podstawowych konfiguracji kilku kubitów. Dodatnie i ujemne składowe wektora zamieniane są na różne fazy kwantowe, co ułatwia łączenie dwóch wektorów przez nałożenie ich wzorców faz. Operacje agregujące wiele przykładów w jeden prototyp realizowane są za pomocą zaawansowanych procedur kwantowych, które precyzyjnie sumują wiele stanów kwantowych, natomiast informacja o kolejności jest obsługiwana przez kwantową wersję mieszania opartego na kwantowej transformacie Fouriera.

Jak nowy model został sprawdzony

Aby pójść dalej niż teoria, zespół zaimplementował QHDC przy użyciu oprogramowania Qiskit firmy IBM i uruchamiał je zarówno w symulacji, jak i na 156‑kubitowym procesorze kwantowym IBM Heron. Najpierw przetestowano klasyczne zadanie typu zagadki: rozumowanie analogiczne w formie „USA jest do dolara jak Meksyk jest do ?”. Używając jedynie kwantowych wersji podstawowych operacji HDC, system w idealnych symulacjach poprawnie odtworzył „peso” jako brakujący element, co odpowiadało wynikom klasycznym. Dowiodło to, że dość subtelne rozumowanie można odtworzyć za pomocą samych stanów kwantowych i interferencji, chociaż pełny obwód był zbyt głęboki, by dziś uruchomić go niezawodnie na hałaśliwym sprzęcie.

Nauczanie systemu kwantowego rozpoznawania cyfr

Drugie testy sprawdzały, czy QHDC potrafi uczyć się z rzeczywistych danych: rozróżnianie obrazów ręcznie pisanych cyfr 3 i 6 z zestawu MNIST. Aby zmieścić się w ograniczeniach obecnego sprzętu, obrazy zmniejszono do małych wzorców 4×4 w czerni i bieli. Każdy obraz zakodowano jako niewielki zestaw kwantowych stanów cech, a następnie połączono w prototyp dla każdej klasy. Ponieważ najbardziej ambitna, w pełni kwantowa wersja kroku agregacji wymagałaby wyjątkowo głębokich obwodów, autorzy zastosowali podejście hybrydowe: dokonali agregacji jako prostej sumy w przestrzeni klasycznej, a potem ponownie zakodowali wynik jako stan kwantowy. Procedura znana jako test Hadamarda porównywała następnie stan każdego nowego obrazu z dwoma prototypami, by podjąć decyzję o etykiecie.

Wydajność dziś i nadzieje na jutro

Na konwencjonalnym komputerze klasyfikator w stylu HDC osiągnął dokładność porównywalną ze standardowymi metodami uczenia maszynowego. W idealnych symulacjach kwantowych hybrydowa wersja QHDC była bardzo bliska tym wynikom, jednocześnie ujawniając kluczowy kompromis: stany kwantowe o wyższej wymiarowości poprawiały separację wzorców, ale wymagały głębszych obwodów, które obecny sprzęt ma problemy uruchomić bez utraty informacji. Po uruchomieniu na rzeczywistym urządzeniu IBM dokładność spadła wraz z narastaniem szumu, jednak wyniki wciąż wyraźnie odzwierciedlały zamierzone zachowanie – i to przy znacznie mniejszym nakładzie trenowania niż w popularnych modelach kwantowego uczenia maszynowego, które wymagają wielu rund strojenia parametrów.

Co to może znaczyć dla przyszłych odkryć

Mówiąc wprost, praca ta pokazuje, że istnieje naturalny sposób, by komputery kwantowe przechowywały i manipulowały bogatymi, przypominającymi mózg wzorcami zamiast jedynie liczb i logiki. Autorzy twierdzą, że w miarę doskonalenia sprzętu kwantowego QHDC może zasilać szybkie, odporne na szum narzędzia do zadań takich jak dopasowywanie sekwencji genów, przesiewanie ogromnych bibliotek chemicznych czy łączenie wielu rodzajów danych medycznych w jeden, specyficzny dla pacjenta odcisk. Na razie badanie wykazuje, że te pomysły nie są tylko matematycznymi ciekawostkami: można je zaprogramować, uruchomić i zmierzyć na rzeczywistych maszynach, kładąc praktyczne podstawy pod kwantowe obliczenia neuromorficzne.

Cytowanie: Cumbo, F., Li, RH., Raubenolt, B. et al. Quantum hyperdimensional computing: a foundational paradigm for quantum neuromorphic architectures. npj Unconv. Comput. 3, 21 (2026). https://doi.org/10.1038/s44335-026-00064-6

Słowa kluczowe: obliczenia kwantowe, obliczenia hiperdimensionalne, algorytmy neuromorficzne, kwantowe uczenie maszynowe, rozpoznawanie wzorców