Проектирование гибридной архитектуры квантового машинного обучения и анализ эффектов квантового шума

Почему добавление шума в квантовые компьютеры может помочь

Современные квантовые компьютеры в теории мощны, но на практике несовершенны: их тонкие квантовые биты постоянно подвергаются возмущениям со стороны шума, что обычно ухудшает работу. В этом исследовании ставится неожиданный вопрос: можно ли часть этого шума обратить в преимущество? Авторы разрабатывают гибридную систему, сочетающую небольшой квантовый контур с обычной нейронной сетью, и проверяют, как реалистичные уровни шума влияют на её способность обнаруживать рак молочной железы по медицинским данным.

Смешение двух миров: квантового и классического обучения

Исследователи создают «гибридный» конвейер обучения, который позволяет квантовой и классической частям выполнять то, что у них получается лучше всего. Сначала обычные медицинские записи очищаются и нормализуются так, чтобы каждое число попало в заданный диапазон. Эти числа затем подаются в компактную квантовую схему, где каждая характеристика кодируется на наборе кубитов с помощью тщательно подобранных вращений. Кубиты ненадолго запутываются и преобразуются, затем измеряются для получения нового набора чисел. Они становятся входом в стандартную нейронную сеть, которая выносит окончательный бинарный прогноз о наличии рака.

Обучение квантовой модели в шумном мире

Вместо того чтобы притворяться, что квантовое оборудование идеально, команда сознательно учитывает шум в процессе обучения. Они используют высокоточный эмулятор сверхпроводящих квантовых устройств и вводят реалистичные ошибки на трёх ключевых этапах: при инициализации кубитов, при выполнении квантовых вентилей и при измерениях. Интенсивности шума берутся из данных калибровки, представляющих текущие устройства, амбициозной ближнесрочной цели и будущего «желательного списка» с ещё более низкими уровнями ошибок. Это позволяет им изучать, как одна и та же архитектура обучения ведёт себя по мере постепенного улучшения квантовых технологий.

Данные по раку молочной железы как полигон для реального мира

Чтобы проверить, полезна ли такая схема на практике, авторы тестируют её на трёх открытых наборах данных по раку молочной железы, которые различаются по размеру и сложности. Один содержит относительно ограниченную информацию, другой включает много перекрывающихся или избыточных сигналов, а третий хорошо подходит для обнаружения явных закономерностей. Для каждого набора данных они варьируют число кубитов и уровень шума, а затем отслеживают изменения точности и времени обучения. Чтобы сравнение было справедливым, они начинают с общей базовой структуры и затем систематически меняют только квантовый размер и классические гиперпараметры, такие как скорость обучения, число слоёв и функции активации.

Когда меньше кубитов — и больше шума — достаточно

Результаты оспаривают интуицию, что больше кубитов и меньше шума всегда дают лучшие модели. В нескольких случаях лучшие шумные конфигурации достигают по сути той же точности, что и идеализированные безшумные варианты, при этом используя меньше кубитов. Например, в зависимости от набора данных, пиковая производительность достигается всего при двух-семи кубитах, когда учитывается реалистичный шум, по сравнению с более крупными квантовыми схемами в безшумном случае. Поскольку стоимость симуляции и, в конечном счёте, реального исполнения резко растёт с каждым дополнительным кубитом, такое сокращение переводится в значительную экономию времени обучения — ускорение примерно от 1,6 до более чем четырёх раз, без потери существенной предсказательной способности.

Шум как встроенный ограничитель переобучения

При более внимательном рассмотрении эволюции ошибок на обучении и валидации авторы обнаруживают, что полностью безшумные квантовые слои имеют тенденцию к переобучению: они слишком хорошо усваивают особенности обучающего набора и плохо обобщают. Когда присутствует умеренный шум, модели часто достигают немного более высокой валидационной точности и более стабильных кривых потерь, особенно при оптимальных уровнях шума. Фактически квантовые ошибки ведут себя как форма регуляризации, знакомая из классического глубокого обучения, например dropout, смещая систему от хрупких решений в сторону более простых и устойчивых архитектур.

Что это значит для будущего квантового обучения

Для неспециалиста главный вывод таков: сегодняшние несовершенные квантовые машины уже могут стать полезными партнёрами для классического ИИ, особенно когда их недостатки рассматриваются как часть конструкции, а не как помеха, от которой следует закрывать глаза. Эта работа показывает, что тщательно продуманная гибридная модель может сохранять точность медицинских прогнозов практически без изменений, используя меньше квантовых ресурсов и обучаясь значительно быстрее при реалистичных уровнях шума. Вместо того чтобы ждать идеального бесшумного квантового оборудования, исследователи могут использовать умеренный шум как полезный компонент, направляющий более стройные модели, которые легче обучать и разворачивать в реальных приложениях.

Цитирование: Bravo-Montes, J.A., Martín-Toledano, A., Velasco-Gallego, C. et al. Design of a hybrid quantum machine learning architecture and analysis of quantum noise effects. Sci Rep 16, 13496 (2026). https://doi.org/10.1038/s41598-026-42216-5

Ключевые слова: квантовое машинное обучение, гибридные нейронные сети, квантовый шум, обнаружение рака молочной железы, шумные квантовые устройства промежуточного масштаба