Без конспирологии: реальные достижения QML к 2025 году — SE7EN.ws

Без конспирологии: реальные достижения QML к 2025 году 15 mins назад Прокомментировать 4 Здравствуйте! Меня зовут Полина Михина, я аналитик в компании Cloud.ru . Ранее я занималась разработкой противоопухолевых препаратов в ФИЦ ПХФ и МХ РАН, и этот опыт помогает мне оценивать квантовые технологии и квантовое машинное обучение (QML) через призму реальных научных задач. Опыт в драг-дизайне показал, насколько трудоёмок цикл от теории до синтеза и тестирования молекул. Часто месяцы работы сводятся на нет из-за мелких ошибок. Алгоритмы квантовой оценки фазы (QPE) и другие QML-методы обещают радикально сократить эти сроки, моделируя молекулярные взаимодействия и энергетические состояния с точностью, недоступной классическим компьютерам. Особенно это актуально при росте сложности систем, когда классические приближения сильно сказываются на точности и времени расчётов. В этой статье без гипербол расскажу, в каких областях QML уже проявил себя, какие у него ограничения и какие практические выгоды могут получить IT-специалисты прямо сейчас. Основы квантовых вычислений Главное отличие квантовых компьютеров от классических — базовый элемент информации, кубит. В то время как бит хранит либо 0, либо 1, кубит может находиться в суперпозиции |0⟩ и |1⟩ одновременно. N кубитов описывают 2N состояний сразу, что даёт шанс использовать квантовый параллелизм. Сравнение классического бита и кубита Ещё одна ключевая особенность — квантовая запутанность. Запутанные кубиты демонстрируют строгую корреляцию результатов измерений, независимо от расстояния между ними. Суперпозиция и запутанность вместе дают квантовый параллелизм: одна схема способна одновременно обрабатывать множество входных данных. Специальные алгоритмы организуют эту энергию так, чтобы при измерении мы получали целевой результат, а не случайный шум. Что такое QML QML обычно выстраивается как гибрид классической и квантовой частей. Классический компьютер управляет процессом, оптимизирует параметры и обрабатывает данные, а квантовый — выполняет ресурсоёмкие операции с кубитами в многомерных пространствах. В отрасли выделяют три направления: 1. Универсальные квантовые компьютеры Квантовые процессоры от IBM, Google, IonQ работают в связке с обычными серверами. Квантовая часть отвечает за вычисления в огромных пространствах признаков, классическая — за градиенты и обновление параметров. Квантовые ядра (quantum kernels) моделируют сложные нелинейности, переводя данные в гильбертово пространство и измеряя попарную схожесть состояний. Вариационные алгоритмы (VQE, QAOA) решают задачи оптимизации, адаптируя квантовую схему под целевую функцию. 2. Квантовые симуляторы (quantum annealing) Здесь применяется квантовый отжиг: система начинает в суперпозиции всех возможных состояний и «туннелирует» через энергетические барьеры к глобальному минимуму. Такой подход хорош для комбинаторных задач, но его область применимости ограничена узким классом оптимизационных задач — и абсолютных гарантий получения глобального минимума нет. Поиск глобального минимума методом квантового отжига 3. Квантовые нейронные сети (QNN) QNN строят на параметризованных квантовых схемах (PQC). Кубиты — это «нейроны», а гейты с регулируемыми углами — «веса». Во время обучения параметры гейтов настраиваются, как в классических сетях. Вычисления проходят в квантовом пространстве, затем системы измеряются, и результаты становятся доступными для классических алгоритмов. Главная проблема QNN — «barren plateaus», когда ландшафт функции потерь выравнивается, и градиенты стремятся к нулю, что тормозит оптимизацию. Проблема «пустынных плато» в QNN Хотя QML выглядит как следующий этап эволюции вычислений, индустрия сталкивается с шумом, короткой когерентностью кубитов и сложностями масштабирования. Тем не менее интересные пилоты уже есть. Где QML уже работает Химия и фармацевтика: ускорение drug discovery Квантовая химия десятилетиями моделирует электронные взаимодействия: метод Хартри–Фока даёт базовую картину, DFT добавляет корреляцию через функционал, а пост-HF методы (MP2, CCSD(T)) обеспечивают точность ценой экспоненциального роста вычислительной сложности. Гибридные QML-пайплайны применяют VQE для оценки энергии связей и состояний молекул, а классическое ML-обучение помогает экстраполировать полученные данные. В 2024 году группа Li и Yin предложила такой конвейер для реального drug discovery. IonQ и AstraZeneca протестировали VQE для реакции кросс-сочетания Сузуки–Мияуры, достигнув 20-кратного ускорения отдельных этапов исследования. Моделирование реакции Сузуки–Мияуры Пока квантовые алгоритмы ускоряют лишь фрагменты рабочего процесса — от расчёта мишеней до оценки прочности связывания — и полностью заменить классические пайплайны они не могут. Вероятнее всего, в ближайшее десятилетие мы увидим узкоспециализированные решения для отдельных классов молекулярных задач. Материаловедение: распознавание фаз Задача — найти материалы с целевыми свойствами, например высокотемпературные сверхпроводники. Классические суперкомпьютеры не справляются с экспоненциальным числом конфигураций электронов. В 2022 году команда Herrmann et al. реализовала QCNN на 7-кубитном IBM-процессоре и классифицировала топологические фазы, устойчивые к шуму. А в 2024 году Song et al. предложили Resource-Efficient QCNN с оптимизированной схемой и меньшим числом двухкубитных гейтов, пригодную для облачных платформ. Производство и логистика: оптимизация маршрутов Комбинаторные задачи — коммивояжер, балансировка энергосетей, планирование спутниковых орбит — относятся к NP-трудным. QAOA и VQE здесь помогают генерировать кандидаты-решения, которые классический оптимизатор донастраивает. В 2017 году Volkswagen и D-Wave оптимизировали работу такси в Пекине на выборке 10 000 машин, а в 2019 году запустили пилот с автопарком Лиссабона во время Web Summit. Результаты впечатляют, но масштабы и условия проектов остаются ограниченными. Квантовое будущее и практические шаги Сейчас индустрия находится в стадии «транзисторов и ламповых машин»: конкурируют сверхпроводники, ионы в ловушках и фотонные схемы, но пока непонятно, кто выиграет гонку. Пилотные проекты доказали, что гибридные алгоритмы уже приносят пользу, но фундаментальные барьеры — шум, короткая когерентность, сложность интеграции — остаются критичными. IT-специалистам и компаниям стоит: Освоить базу: пройти онлайн-курсы IBM Quantum Learning и изучить вводные статьи на SE7ENе. Экспериментировать в облаке: подключать симуляторы Cloud.ru, Azure Quantum, PennyLane и пробовать свои первые квантовые схемы. Включать QML в R&D: даже небольшие пилоты демонстрируют готовность компании к новым технологиям. Сохранять оптимизм и следить за развитием области — возможно, скоро придёт ваш квантовый прорыв.  Источник Читайте также Впервые обнаружена фигура, неспособная пройти сквозь себя 2 часа назад Египетский принц, безмерно любивший свою кошку… 3 часа назад Source: https://se7en.ws/bez-konspirologii-realnye-dostizheniya-qml-k-2025-godu/