Квантовые гиперразмерные вычисления: базовая парадигма для квантовых нейроморфных архитектур

Почему этот новый тип вычислений важен

Компьютеры повсюду, но многие из самых сложных сегодняшних задач — от расшифровки геномов до поиска новых лекарств — по‑прежнему испытывают на прочность даже самые быстрые машины. Одновременно квантовые компьютеры выходят из статуса лабораторных курьёзов и начинают превращаться в практические инструменты. В этой статье предлагается способ связать эти направления: рамочная концепция, называемая квантовыми гиперразмерными вычислениями (QHDC), созданная с нуля, чтобы дать квантовому оборудованию возможность «думать» по‑мозговому, опираясь на представления и шаблоны.

От длинных чисел к богатым шаблонам

Классические компьютеры обычно рассматривают информацию как точные числа, обрабатываемые шаг за шагом. Гиперразмерные вычисления (HDC) идут иным путём: они представляют информацию очень длинными векторами — можно представить их как гигантские стрелы в пространстве — где каждая стрела кодирует понятие, изображение или даже предложение. Простые операции над этими векторами позволяют связывать понятия (например, страну с её валютой), объединять множество примеров в прототип или перемешивать компоненты, чтобы сохранить порядок в последовательности. Поскольку информация распределена по множеству компонентов, такие представления по своей природе устойчивы к шуму и хорошо подходят для быстрого обучения по небольшому числу примеров.

Сочетание мозго‑подобных кодов с квантовыми машинами

Авторы показывают, что ключевые приёмы HDC удивительно хорошо согласуются с естественными возможностями квантовых компьютеров. В QHDC каждый высокоразмерный вектор реализуется как квантовое состояние, распределённое по множеству базовых конфигураций нескольких кубитов. Положительные и отрицательные составляющие вектора преобразуются в разные квантовые фазы, что упрощает комбинирование двух векторов путём наложения их фазовых рисунков. Операции, которые объединяют множество примеров в один прототип, выполняются с помощью продвинутых квантовых процедур, аккуратно суммирующих несколько квантовых состояний, а информация о порядке обрабатывается квантовой версией перемешивания на основе квантового преобразования Фурье.

Как новая схема проверяется на практике

Чтобы выйти за рамки теории, команда реализовала QHDC с помощью программного обеспечения IBM Qiskit и запустила его как в симуляции, так и на 156‑кубитном квантовом процессоре IBM Heron. Сначала проверяли классическую задачу в стиле головоломки: аналогическое рассуждение вида «США соотносятся с долларом как Мексика с ?». Используя только квантовые версии базовых операций HDC, система в идеальных симуляциях правильно восстановила «песо» как недостающий элемент, соответствуя классическим результатам. Это продемонстрировало, что достаточно тонкое рассуждение можно воспроизвести с помощью одних только квантовых состояний и интерференции, хотя полный циркит был слишком глубок для надёжного выполнения на современных шумных устройствах.

Обучение квантовой системы распознавать цифры

Второй тест проверял, может ли QHDC учиться на реальных данных: отличать изображения рукописных цифр 3 и 6 из набора MNIST. Чтобы поместиться в ограничения текущего оборудования, изображения были уменьшены до крошечных 4×4 чёрно‑белых шаблонов. Каждое изображение кодировалось в небольшой набор квантовых векторных состояний признаков, затем объединялось в прототип для каждого класса. Поскольку наиболее амбициозная полностью квантовая версия операции объединения требовала бы чрезвычайно глубоких циркитов, авторы применили гибридный подход: объединение выполнялось простым сложением в классическом пространстве, а затем результат повторно кодировался как квантовое состояние. Квантовая процедура, известная как тест Хадамара, затем сравнивала состояние каждого нового изображения с двумя прототипами, чтобы определить метку.

Производительность сегодня и надежды на будущее

На обычном компьютере классификатор в стиле HDC показал точность, сопоставимую со стандартными методами машинного обучения. В идеальных квантовых симуляциях гибридная версия QHDC подошла очень близко, одновременно выявив ключевой компромисс: квантовые состояния более высокой размерности улучшали разделение шаблонов, но требовали более глубоких циркитов, которые современное оборудование с трудом выполняет без потерь информации. При запуске на реальном устройстве IBM точность падала по мере накопления шума, но результаты всё же ясно отражали задуманное поведение — и при этом требовали гораздо меньше обучения, чем популярные квантовые модели машинного обучения, которым нужна многократная настройка параметров.

Что это может означать для будущих открытий

Проще говоря, эта работа показывает, что существует естественный способ для квантовых компьютеров хранить и обрабатывать богатые, мозго‑похожие шаблоны вместо одних лишь чисел и логики. Авторы утверждают, что по мере улучшения квантового оборудования QHDC мог бы стать основой быстрых, устойчивых к шуму инструментов для таких задач, как сопоставление геномных последовательностей, скрининг огромных библиотек химических соединений или слияние множества видов медицинских данных в единый индивидуальный профиль пациента. Пока что исследование устанавливает, что эти идеи — не просто математические курьёзы: их можно запрограммировать, запустить и измерить на реальных машинах, закладывая практическую основу для квантового нейроморфного вычисления.

Цитирование: Cumbo, F., Li, RH., Raubenolt, B. et al. Quantum hyperdimensional computing: a foundational paradigm for quantum neuromorphic architectures. npj Unconv. Comput. 3, 21 (2026). https://doi.org/10.1038/s44335-026-00064-6

Ключевые слова: квантовые вычисления, гиперразмерные вычисления, нейроморфные алгоритмы, квантовое машинное обучение, распознавание образов