Стандартизированный квантовый транзисторный блок позволяет дифференцируемое обучение динамике походки

Преобразование шаблонов ходьбы в ранние признаки состояния здоровья

Ходьба может казаться простой, но то, как мы двигаемся, содержит множество скрытой информации о нашем здоровье, особенно у людей с такими заболеваниями, как рассеянный склероз. В статье изучается новый вид строительного блока для компьютеров, вдохновлённых квантовой техникой — «квантовый транзистор» — и проверяется, способны ли сети, собранные из таких блоков, надёжно распознавать шаблоны ходьбы по данным, собранным умными носками. Вместо погонь за громкими квантовыми ускорениями авторы сосредотачиваются на более приземлённой задаче: создании стандартизованного, хорошо понятного компонента, который инженеры смогут встраивать в будущие гибридные классические–квантовые системы.

Новый тип переключателя для квантовых схем

В повседневной электронике транзисторы выполняют роль крошечных переключателей, усиливающих сигналы и делающих современную вычислительную технику возможной. Они мощны не только потому, что работают, но и потому, что стандартизованы: разработчики точно знают их поведение, коэффициент усиления и моменты насыщения. В статье предлагается квантовый аналог, именуемый квантовым транзистором (QT). Каждый QT принимает одно числовое значение в диапазоне от −1 до 1 и выдаёт одно число в том же диапазоне, используя простую двухкубитную квантовую схему. В изученной здесь версии схема фактически не запутывает два кубита, что упрощает её анализ и даже позволяет эффективно симулировать на обычных компьютерах. Ключевой момент в том, что его входно-выходная характеристика гладкая, ограниченная и похожая на характеристику транзистора: небольшие изменения входа усиливаются в предсказуемой средней области, в то время как очень большие входы приводят к выравниванию выхода.

Построение гибридного конвейера от носков до решений

Чтобы проверить практическую полезность этого стандартизированного квантового блока, авторы решают реальную клиническую задачу: обнаружение участков ходьбы у людей с рассеянным склерозом с помощью инструментированных носков. Носки записывают данные о давлении и трёхмерном движении обеих стоп с высокой скоростью. Эти сырые измерения тщательно синхронизируются и преобразуются в спектрограммные «изображения», показывающие, как частотное содержание движения меняется во времени, что хорошо подходит для захвата регулярного ритма походки. Небольшой классический слой затем сжимает каждую спектрограмму размером 40×12 до восьми нормализованных чисел, выступая как компактная линза, суммирующая наиболее информативные аспекты сигнала перед передачей в квантальную часть системы.

Слой за слоем: квантовые транзисторы как блоки схемы

Поверх этого классического фронтенда авторы строят трёхслойную сеть квантовых транзисторов в конфигурации 4–3–2: четыре QT в первом слое, три во втором и два в третьем. Каждый QT потребляет одно число и выдаёт новое, причём слои соединены так, что выбранные выходы одного слоя напрямую подаются на соответствующие QT следующего. В прототипе, рассмотренном здесь, на итоговое решение влияет только один путь через этот стек — второй QT в каждом слое; остальные оставлены для мониторинга и будущих расширений. Сеть обучается стандартными методами на основе градиента, используя аккуратную математическую форму QT для вычисления точных производных. В процессе обучения исследователи наблюдали, что внутренние выходы QT уходят от насыщенных крайних значений и устанавливаются в чувствительном среднем диапазоне, что аналогично смещению классических транзисторов для работы в области наибольшего усиления.

Насколько хорошо модель распознаёт походку?

Авторы оценивают свою модель на базе QT на тщательно отобранном датасете, где умные носки фиксируют повседневную активность, а автоматический механизм разметки выделяет устойчивые периоды ходьбы с помощью частотного анализа. Они следуют строгой валидации с контролем по субъектам, чтобы люди, встречающиеся в обучении, не использовались в тесте, и настраивают порог решения на валидационных данных для максимизации F1-метрики, баланса точности и полноты. В такой строгой постановке сеть на базе QT достигает средней точности около 96 процентов и F1 примерно 0,93 на отложенных субъектах. Компактные классические модели с похожим числом настраиваемых параметров показывают немного лучшие результаты, а более крупные нейронные сети — особенно энкодеры в стиле Transformer — демонстрируют ещё более высокую эффективность. Важно, что классические модели также пользуются более богатой информацией на входе, поскольку работают непосредственно с полными спектрограммами, а не с восьминомерными сводками, подаваемыми в стек QT.

Почему квантовый транзистор всё равно важен

Хотя сеть на основе QT не превосходит лучшие классические методы на этом датасете, это не является целью авторов. Их главное достижение — показать, что крошечный стандартизированный квантовый блок может иметь чёткий входно-выходной контракт, предсказуемый коэффициент усиления и простые тесты для проверки корректности работы, подобно классическому транзистору. Поскольку каждый QT имеет фиксированную глубину, ограниченные выходы и аналитические формулы, описывающие его отклик и влияние шума, команды аппаратного и программного обеспечения могут прозрачно оценивать требования к ресурсам, калибровку и устойчивость. Это делает блок QT перспективной основой для будущих гибридных систем, особенно в тех сценариях, где уже присутствуют квантовые датчики или квантовые данные, и где надёжность и интерпретируемость важны не меньше, чем сырая точность.

Цитирование: Villalba-Díez, J., Ordieres-Meré, J. Standardized quantum transistor block enables differentiable learning on gait dynamics. Sci Rep 16, 9506 (2026). https://doi.org/10.1038/s41598-026-40424-7

Ключевые слова: квантовый транзистор, вариационные квантовые схемы, анализ походки, носимые датчики, гибридные классические–квантовые модели