Использование диагностик квантового хаоса в QAOA для улучшения гибридной квантово-классической глубинной классификации

Почему хаос может помочь компьютерам «видеть»

Современные вычисления получают помощь от квантовой физики в распознавании шаблонов в данных, например рукописных цифр. Но квантовые схемы могут вести себя удивительно непредсказуемо: малые изменения в настройках порождают большие изменения в выходе. В этом исследовании ставится простой вопрос: вместо того чтобы бороться с этим «хаотическим» поведением, можно ли измерить его и превратить в полезный сигнал, который поможет гибридной квантово–классической системе точнее классифицировать изображения?

Новый поворот популярного квантового алгоритма

Авторы опираются на Quantum Approximate Optimization Algorithm (QAOA), изначально созданный для решения сложных задач оптимизации. Здесь QAOA переосмыслен как своего рода квантовый объектив, который преобразует обычные данные в более богатый квантовый образ, прежде чем классическая нейронная сеть даст итоговый прогноз. Поскольку слои QAOA перемешивают и запутывают кубиты структурированным, но сложным образом, результирующая схема может вести себя подобно хаотической динамической системе, где небольшие поправки углов управления сильно влияют на итоговое состояние. Вместо того чтобы считать это помехой, авторы всесторонне изучают феномен и пытаются свести его к одному числовому признаку, который можно подать в обучающий алгоритм.

«Прослушивание» хаоса в квантовой схеме

Чтобы «услышать» хаотическое поведение, команда использует инструмент из квантовой физики, называемый коррелятором вне временного упорядочения (out-of-time-ordered correlator). Проще говоря, он отслеживает, как небольшой локальный «толчок» в одной части схемы распространяет и перемешивает информацию по всей системе. Авторы варьируют общую силу углов QAOA вдоль одномерной линии и записывают, как эта мера перемешивания колеблется. Положения впадин в этой кривой служат ориентирами чувствительности: там, где впадины расположены близко друг к другу, схема крайне отзывчива на крошечные изменения. Изучая расстояния между множеством таких впадин при разных глубинах и параметрах, они обнаруживают характерный статистический рисунок, который подчиняется логнормальному распределению — признак мультипликативных процессов роста, похожих на хаос.

Преобразование сигнала хаоса в признак для обучения

Опираясь на этот анализ, авторы разрабатывают две гибридные модели для классификации небольшого сбалансированного набора изображений рукописных цифр MNIST. В стандартной схеме изображения сжимаются до нескольких чисел, пропускаются через мелкую QAOA-схему на 4, 6, 8 или 10 кубитах, и среднее измерение каждого кубита служит входом в классическую нейронную сеть. В варианте с учётом хаоса вводится ещё один компонент: из кривой перемешивания обученной схемы вычисляют типичное расстояние между её чувствительными впадинами, а затем преобразуют это расстояние в стандартизованную «оценку хаоса», используя предварительно подобранную логнормальную модель. Эта оценка, одно число, суммирующее степень тонкой настройки схемы, добавляется к обычным квантовым признакам перед классификацией.

Поиск квантовой зоны «в самый раз»

Две модели тщательно сравнивают с помощью повторных согласованных обучений, так чтобы единственным отличием была наличие или отсутствие оценки хаоса. Для меньших схем на 4, 6 или 8 кубитах версия с учётом хаоса последовательно даёт более высокую точность на тесте, улучшая показатели примерно на 1.6–1.8 процентных пункта и выигрывая в подавляющем большинстве парных прогонов. Лучшие результаты наблюдаются для 8-кубитных схем, которые достигают около 90 процентов точности на тестовой выборке с признаком хаоса и выигрывают во всех сравнениях. Однако при увеличении ширины схемы до 10 кубитов добавление оценки хаоса начинает вредить, и точность падает по сравнению со стандартной моделью. Эта картина указывает на «зону в самый раз», где схема достаточно выразительна, чтобы извлечь выгоду из обратной связи хаоса, но не настолько чувствительна, чтобы стать нестабильной.

Что это значит для будущих квантовых систем обучения

Для неспециалистов ключевая мысль такова: квантовый хаос в схемах — не только угроза управляемости; если его измерять и использовать осмотрительно, он может стать ресурсом. Сводя сложное поведение перемешивания к одному откалиброванному числу, авторы дают гибридным квантово–классическим моделям дополнительный регулятор, помогающий согласовать богатство схемы с сложностью данных. В скромных безшумовых симуляциях этот дополнительный регулятор улучшает классификацию изображений без изменения общей архитектуры. По мере того как реальные квантовые устройства растут, но остаются несовершенными, такие диагностики, учитывающие хаос, могут стать практическими инструментами для настройки глубины и размера схем, разработки более устойчивых стратегий корректировки ошибок и в конечном счёте повышения надёжности квантово-усиленных систем обучения.

Цитирование: Villalba-Díez, J., Losada-González, J.C. Exploiting quantum chaos diagnostics in QAOA for enhanced hybrid quantum classical deep learning classification. Sci Rep 16, 15744 (2026). https://doi.org/10.1038/s41598-026-51870-8

Ключевые слова: квантовое машинное обучение, QAOA, квантовый хаос, гибридный квантово-классический, классификация изображений