Квантовият изкуствен интелект вече е невероятно добър в предсказването на хаоса

Изследователи от Университетския колеж в Лондон (UCL) представиха хибриден метод, съчетаващ квантови изчисления и изкуствен интелект, който значително повишава точността на дългосрочните прогнози за сложни физични системи, като турбулентни течения на течности и газове.

Новият подход превъзхожда водещите модели, работещи само на класически компютри. Той може да подобри симулациите в климатологията, медицината (например, при моделиране на кръвообращението), енергетиката (при проектиране на вятърни паркове) и други области.

Както обясни главният автор на разработката, професор Питър Ковени, традиционните пълни симулации могат да отнемат седмици, а AI моделите са по-бързи, но по-малко надеждни в дългосрочен план.

„Нашият квантово-информиран AI модел означава, че можем бързо да предоставяме по-точни прогнози.“

отбеляза Ковени

Методът интегрира квантов компютър на етапа на подготовка на данните за обучение на АИ. Квантовата система открива ключови статистически закономерности, които остават стабилни във времето. След това тези модели се използват за обучение на AI модел, работещ на стандартен суперкомпютър.

Според първата авторка на прочуването Маида Ван, новият метод демонстрира „квантово предимство“ на практика, надминавайки възможностите на класическите изчисления. Системата показа с около 20% по-голяма точност в сравнение със стандартните модели на изкуствен интелект и изискваше стотици пъти по-малко памет, като оставаше стабилна дори при моделиране на хаотични системи.

Ефективността се осигурява от квантови ефекти – заплитане и суперпозиция, които позволяват компактно обработване на огромни обеми информация. При това методът минимизира проблемите на съвременните квантови компютри (шум, грешки), като ги използва само веднъж в работния процес.

Експериментът беше проведен на 20-кубитон квантов компютър IQM, свързан с ресурсите на Суперкомпютърния център „Лайбниц“ в Германия. В бъдеще изследователите планират да мащабират метода за работа с по-големи масиви от данни и реални задачи.

Това е важна стъпка към практическото приложение на квантовите изчисления. Вместо абстрактни задачи като факторизация на числа, виждаме как те вече могат да подсилят класическите методи за машинно обучение за решаване на наболели научни и инженерни проблеми. Напредъкът в тази област към момента изглежда много обещаващ.