QKAN: квантовые сети Колмогорова‑Арнольда с применением в машинном обучении и подготовке многомерных состояний

Квантовые «мозги» для сложных закономерностей

Многие из самых трудных современных задач — от изучения экзотических материалов до анализа данных высокой размерности — включают закономерности, которые трудно уловить обычным компьютерам и нейронным сетям. В этой статье предлагается новый тип «квантового мозга», названный квантовой сетью Колмогорова‑Арнольда (QKAN), предназначенный для работы на будущих исправно‑толерантных квантовых компьютерах. QKAN нацелен на обработку больших квантовых наборов данных и даже на построение сложных квантовых состояний более эффективно, чем классические методы, что потенциально открывает новые пути для квантового машинного обучения и квантовой симуляции.

От классической математической идеи к квантовой архитектуре

Работа опирается на математическое наблюдение, известное как представление Колмогорова‑Арнольда: в принципе любую гладкую функцию многих переменных можно собрать из простых одномерных звеньев и сумм. Недавние «сети Колмогорова‑Арнольда» (KAN) адаптируют эту идею в классическом дизайне нейронных сетей, связывая вместе множество простых одномерных функций активации вместо опоры в основном на умножение матриц. KAN показали перспективность в научных задачах, где лежащие в основе формулы структурированы и интерпретируемы. Авторы берут этот концептуальный план и задают вопрос: можно ли построить чисто квантовую версию, живущую нативно в языке квантовых схем?

Преобразование квантовых матриц в нейроны

В QKAN базовыми носителями информации являются не обычные числа, а собственные значения специальных квантовых матриц. Эти матрицы хранятся внутри более крупных унитарных операций с помощью стандартного приема, называемого блочной кодировкой (block‑encoding). Мощный метод, известный как квантовая трансформация сингулярных значений, позволяет схеме применять специально подобранные полиномиальные функции к этим собственным значениям, фактически выполняя роль функций активации в нейронной сети. Размещая такие операции в одном или нескольких «слоях», QKAN может одновременно действовать на экспоненциально большом пространстве входов — то, чего классические сети не могут достичь с сопоставимыми ресурсами, когда сами входы являются квантовыми.

Широкая, но неглубокая квантовая сеть

Авторы показывают, что QKAN естественно реализует архитектуру «широкая и неглубокая». Если квантовое устройство может эффективно блочно кодировать N‑мерный вход — например, квантовое состояние, подготовленное другим алгоритмом, или гамильтониан, описывающий физическую систему — то слой QKAN может реализовать чрезвычайно широкие преобразования, требуя лишь полилогарифмического оверхеда по N. Последовательное наложение многих таких слоев дорогостояще, поскольку глубина схемы примерно экспоненциально растет с числом слоев, и мелкие ошибки накапливаются. В результате QKAN лучше использовать с небольшим числом слоев, жертвуя глубиной ради экстремального параллелизма по ширине. Статья анализирует, как параметризовать эти сети квантовыми схемами, как обучать их с помощью градиентных стратегий и как эффективно считывать низкоразмерные выходы.

Подготовка квантовых состояний как пример применения

Помимо задач обучения, та же конструкция служит инструментом для подготовки сложных квантовых состояний. Авторы сосредотачиваются на семействе важных примеров: многомерных нормальных (гауссовских) распределений, заданных на регулярной решетке точек. Они проектируют двухслойный QKAN, который сначала вычисляет квадрат расстояния каждой точки решетки до начала координат с помощью простых полиномиальных преобразований, а затем применяет тщательно выбранное полиномиальное приближение, имитирующее экспоненциальное затухание гауссианы. Когда эта блочно кодированная трансформация применяется к равномерной суперпозиции и усиливается, результатом становится квантовое состояние, амплитуды которого в точности соответствуют многомерному гауссовскому профилю с высокой точностью. Анализ дает явные оценки числа квантовых вентилей и дополнительных кубитов, необходимых для реализации.

Возможности и ограничения квантового обучения

Для неспециалиста главный вывод таков: QKAN предлагает новый структурированный язык для квантовых алгоритмов, который сочетает идеи интерпретируемых нейронных сетей с продвинутыми инструментами квантовой линейной алгебры. Он может, в принципе, вычислять сложные функции квантовых данных и собирать многомерные вероятностные ландшафты за меньшее число шагов, чем известные классические методы, при условии доступности определенных полиномиальных приближений и эффективных блочных кодировок. В то же время QKAN не является универсальным решением: его глубина должна оставаться небольшой, производительность зависит от хороших полиномиальных базисов, и он унаследует открытые вопросы от классических KAN о том, когда такая архитектура действительно превосходит другие подходы. Тем не менее QKAN расширяет набор инструментов для квантового машинного обучения и подготовки состояний, указывая на квантовые модели, которые одновременно мощны и структурно прозрачно организованы.

Цитирование: Ivashkov, P., Huang, PW., Koor, K. et al. QKAN: quantum Kolmogorov-Arnold networks with applications in machine learning and multivariate state preparation. npj Quantum Inf 12, 73 (2026). https://doi.org/10.1038/s41534-026-01202-5

Ключевые слова: квантовое машинное обучение, сети Колмогорова‑Арнольда, квантовые нейронные сети, подготовка квантовых состояний, квантовая трансформация сингулярных значений