Обучение параметрических взаимодействий в аналоговой бозонной квантовой нейронной сети с измерением в базе Фока

Умное обучение с квантовыми волнами

Современный искусственный интеллект работает на нейронных сетях из транзисторов и цифрового кода. В этом исследовании изучается, как принципиально другое аппаратное обеспечение, построенное из крошечных колеблющихся электромагнитных полей, подчиняющихся правилам квантовой физики, можно обучить распознавать паттерны в данных. Работа показывает, как практично спроектировать и обучить такую квантовую нейронную сеть, чтобы она в будущем могла помогать обрабатывать информацию непосредственно внутри квантовых машин.

Новый вид квантового «мозга»

Авторы сосредоточены на системах, состоящих из возбуждений, похожих на свет, — бозонов, хранимых в микроволновых или оптических резонаторах. Эти резонаторы могут обмениваться энергией и создавать пары частиц при воздействии внешних сигналов. Сами по себе такие взаимодействия описываются линейными уравнениями, которые обычно слишком просты для мощного обучения. Ключевая идея здесь — сохранить физическую эволюцию линейной, но считывать систему с помощью подсчёта фотонов, что естественным образом даёт нелинейные отклики. Тщательно подбирая, как возбуждать и связывать резонаторы, квантовое устройство ведёт себя как аналоговая нейронная сеть, отображающая входные данные в полезные выходные признаки.

Доверить сложное классическому компьютеру

Обучение обычных нейронных сетей опирается на обратное распространение ошибок — метод, который эффективно настраивает параметры, следуя градиентам функции потерь. Непосредственное применение этой идеи к большой квантовой системе обычно невозможно, потому что симуляция её полной динамики быстро становится невыполнимой. Новшество этой работы — использование специальной структуры так называемых гауссовых состояний, где эволюция средних значений и флуктуаций может быть компактно описана. Квантовый аппарат выполнял бы прямой шаг, эволюционируя физические поля, тогда как классическая модель той же гауссовой динамики, лёгкая для симуляции, используется для вычисления градиентов. Такая гибридная стратегия позволяет сквозное обучение физических амплитуд возбуждений и связей без необходимости извлекать информацию о градиентах непосредственно из квантового устройства.

Обучение устройства распознавать паттерны

Чтобы проверить подход, исследователи смоделировали несколько задач обучения с возрастающей сложностью. Сначала они попросили небольшую сеть из двух резонаторов различать синусоидальные и прямоугольные волны, представленные короткими временными рядами. Измеряя только вероятность того, что в одном из резонаторов после каждого входа окажется ноль фотонов, и применяя градиентное обучение к физическим параметрам, модель достигла совершенной классификации. По сравнению с не обученной версией «резервуара» того же аппаратного обеспечения, которая использует множество выходных отсчётов, обученная сеть требует гораздо меньше измеряемых величин и значительно меньше экспериментальных повторов для достижения той же точности.

Поиск лучшего способа подачи данных

Команда затем изучила классическую сложную задачу, где точки необходимо отнести к одной из двух переплетающихся спиралей на плоскости. Эта задача требует сильной нелинейности. Используя четыре связанные резонатора, они сравнили несколько способов кодирования двух входных координат в физические управляющие параметры, такие как амплитуда или фаза управляющих тонов и разных процессов связи. Было обнаружено, что встраивание данных в силу или фазу специального взаимодействия, создающего пары фотонов, даёт особенно сильный эффект, позволяя достичь совершенной классификации при считывании лишь одной вероятности наличия фотонов. Другие варианты кодирования требуют гораздо большего числа измерений или никогда не достигают полной точности. Это показывает, что способ записи данных в квантовое устройство сильно определяет его эффективную нелинейность.

От рукописных цифр к будущим устройствам

Наконец, авторы решают небольшую задачу распознавания изображений рукописных цифр, представленных в виде сетки 8 × 8 пикселей. С шестью резонаторами и несколькими процессами создания пар они подают пиксели в несколько временных срезов, что похоже на многократное предъявление одной и той же квантовой схемы с новыми данными. После обучения нескольких сотен физических и классических параметров модель классифицирует невидимые ранее цифры с точностью более 97 процентов, измеряя при этом лишь умеренный набор результатов подсчёта фотонов. В отличие от этого, при использовании того же аппаратного обеспечения в виде не обученного резервуара производительность существенно ниже даже при большем количестве измерений, подчёркивая преимущество оптимизации физических взаимодействий.

Почему это важно для квантовых технологий

Исследование демонстрирует, что сети, построенные из линейно эволвирующих бозонных мод в сочетании с нелинейным подсчётом фотонов, могут быть одновременно выразительными и обучаемыми с помощью привычных градиентных инструментов. Хотя настоящее исследование опирается на классическую симуляцию для руководства обучением и поэтому ограничено в масштабе, используемые компоненты хорошо согласуются с существующими сверхпроводящими и фотонными платформами, которые уже поддерживают настраиваемые параметрические связи. Это открывает реалистичный путь к квантовому аппаратному обеспечению, которое не только обрабатывает информацию квантовым образом, но и может быть обучено, как современные нейронные сети, потенциально служа интеллектуальными интерфейсами для будущих квантовых сенсоров и процессоров.

Цитирование: Dudas, J., Carles, B., Gouzien, E. et al. Training the parametric interactions in an analog bosonic quantum neural network with Fock basis measurement. Sci Rep 16, 14997 (2026). https://doi.org/10.1038/s41598-026-45038-7

Ключевые слова: квантовые нейронные сети, бозонные моды, гауссова динамика, подсчёт фотонов, квантовое машинное обучение