Исследовательская группа из Университета МИСИС разработала алгоритм машинного обучения, адаптированный для работы на специализированных квантовых вычислителях. Ключевой особенностью предложенного метода стал отказ от стандартных кубитов в пользу многоуровневых квантовых систем — кудитов. Если классический кубит ограничен суперпозицией двух состояний (0 и 1), то кудит способен оперировать расширенным набором данных в рамках одного физического элемента. На практике это проявляется в использовании кутритов с тремя рабочими состояниями или куквадритов с четырьмя уровнями, что позволяет значительно плотнее упаковывать информацию внутри квантового процессора.
Архитектурные особенности и логика вычислений
Применение многоуровневых систем напрямую влияет на производительность квантового превосходства, поскольку сокращает число необходимых вычислительных операций для реализации сложных функций. В основу нового алгоритма легла квантовая интерпретация метода опорных векторов (SVM), который традиционно применяется для задач классификации массивов данных. Процесс обработки информации разделен на несколько этапов: сначала входные данные преобразуются в квантовые состояния, после чего они проходят обработку через последовательную цепочку квантовых вентилей. Проще говоря, разработчикам удалось оптимизировать путь прохождения сигнала через систему, уменьшив количество промежуточных шагов.
В ходе тестирования архитектуры ученые определили оптимальные параметры для достижения устойчивых результатов. Экспериментальные данные показали, что максимальный уровень точности при классификации достигается при выполнении 1024 итераций. Такая конфигурация позволяет сбалансировать вычислительную нагрузку и корректность обработки признаков в квантовой среде. Использование кудитов в рамках модели опорных векторов потенциально открывает путь к созданию более компактных и эффективных алгоритмов машинного обучения, способных решать задачи, которые требуют чрезмерных ресурсов при работе с традиционной кубитной логикой.