Современная электроника №2/2025

КОМПЕТЕНТНОЕ МНЕНИЕ 31 WWW.CTA.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА • № 2 / 2025 Джузеппе Карлео из EPFL и Матти- ас Тройер из Microsoft опубликовали пионерскую работу в журнале Science , доказав, что нейронные сети способ- ны моделировать сильно коррелиро- ванные квантовые системы. Подход отличается от традиционного обуче- ния на данных. По словам Карлео, он напоминает стратегию AlphaZero от DeepMind, которая научилась играть в го, шахматы и сёги (разновидность японской настольной игры, которая произошла от распространения на Ближнем Востоке арабского вариан- та шахмат), опираясь исключительно на правила игр и способность играть против самой себя. В данном случае правила игры диктуются уравнением Шрёдингера, которое точно описыва- ет квантовое состояние системы, или волновую функцию. Модель размеща- ет частицы в разных конфигурациях и измеряет энергию системы. Зада- ча состоит в достижении минималь- ной энергетической конфигурации (так называемого основного состоя- ния), определяющей свойства систе- мы. Процесс повторяется до тех пор, пока энергия не стабилизируется, что сигнализирует о достижении основ- ного состояния или близкого к нему. Карлео подчёркивает, что сила этих моделей заключается в их способности сжатия информации. «Волновая функ- ция – чрезвычайно сложное математи- ческое образование, – объясняет он. – Но было доказано, что нейронная сеть способна уловить всю сложность это- го объекта таким образом, что его мож- но обработать на обычной машине». С момента публикации статьи 2017 года этот подход был расширен на множе- ство сильно коррелированных систем, и результаты оказались весьма обнаде- живающими, сообщает Карлео. В ста- тье, вышедшей в журнале Science месяц назад, он и его коллеги проверили веду- щие методы классического моделиро- вания на сложных задачах квантового моделирования, создав эталон для оцен- ки достижений как в классических, так и в квантовых подходах. Карлео утверж- дает, что методы, основанные на ней- ронных сетях, сейчас являются наилуч- шими для моделирования множества самых сложных квантовых систем, которые они тестировали. «Машин- ное обучение действительно занима- ет центральное место в решении мно- гих из этих задач», – комментирует он. Эти методы привлекли внимание крупных игроков в технологической индустрии. В августе исследователи из DeepMind представили в журнале Science статью, в которой продемон- стрировано точное моделирование возбуждённых состояний в квантовых системах, что однажды может помочь предсказывать поведение солнечных батарей, датчиков и лазеров. Коман- да Microsoft Research также разработа- ла пакет программного обеспечения с открытым исходным кодом, чтобы облегчить исследователям использо- вание нейронных сетей для моделиро- вания. «Одним из важнейших преиму- ществ этого подхода является то, что он использует огромные инвестиции в программные и аппаратные ресурсы для ИИ», – отмечает Филиппо Виченти- ни, профессор искусственного интел- лекта и физики конденсированного состояния в Политехнической школе во Франции, также участвовавший в сравнительном анализе, опубликован- ном в Science . «Использование этих технологических достижений даёт нам большое преимущество», – добав- ляет он. Однако стоит отметить, что поскольку основные состояния нахо- дятся методом проб и ошибок, а не посредством точных расчётов, они представляют собой лишь приближе- ния. Именно это, по словам Хуана Кар- раскильи, исследователя из ETH Zurich и одного из авторов сравнительного анализа в Science , делает этот подход столь полезным. Для точного учёта всех взаимодей- ствий в сильно коррелированной системе требуется экспоненциально возрастающее по мере увеличения размера системы количество вычис- лений. Но если приемлемо получить не абсолютно, но достаточно точный результат, появляется возможность сократить путь. «Может быть, нет надежды полностью точно воспроиз- вести его, – признаёт Карраскилья. – Но есть шанс собрать достаточное количество информации, чтобы охва- тить все интересующие нас аспекты. И если нам это удастся, то это будет практически неотличимо от настоя- щего решения». Несмотря на то, что сильно корре- лированные системы обычно трудно моделировать классическим способом, бывают исключения. Например, неко- торые системы, относящиеся к моде- лированию высокотемпературной сверхпроводимости, как указано в ста- тье 2023 года в Nature Communications. «Из-за экспоненциальной сложности всегда найдутся задачи, для которых невозможно найти короткого пути, – говорит Фрэнк Ноэ, руководитель исследовательской группы в Microsoft Research, занимающейся этими вопро- сами. – Но я полагаю, что количество таких систем, для которых нельзя най- ти хорошего короткого пути, значи- тельно сократится». Новые горизонты квантовых вычислений Помимо уже упомянутых областей, квантовые компьютеры могут предло- жить новые интересные возможности. Оптимизация  – одна из ключе- вых сфер, где квантовые компьюте- ры могут показать своё преимуще- ство. Такие задачи, как управление транспортными потоками в городах или определение оптимальных марш- рутов для логистических компаний, могут быть решены с использованием квантовых алгоритмов. Оптимизация финансовых портфелей также может стать одним из направлений, где кван- товые вычисления проявят себя. Машинное обучение  – ещё одно направление, где квантовые ком- пьютеры могут сыграть главную роль. Алгоритмы квантовых вычислений могут помочь в обработке больших объёмов данных для выявления скры- тых закономерностей. Важно помнить, что в этих областях квантовые преимущества могут быть небольшими, и для их реализации на практике потребуется преодолеть серьёзные технические барьеры. Тем не менее прогресс в квантовых алго- ритмах стимулирует инновации в классических вычислениях. Разработ- чики квантовых алгоритмов создают новые методы оптимизации, а специ- алисты в области компьютерных наук улучшают свои собственные алгорит- мы, стирая разницу в эффективности. Другие направления исследований включают использование квантовых компьютеров для поиска в больших базах данных, что может быть полез- ным для работы с большими наборами информации. Однако здесь возника- ют дополнительные сложности, свя- занные с преобразованием классиче- ских данных в квантовые состояния, что замедляет весь процесс и снижа- ет вычислительные преимущества. Однако на сегодняшний день боль- шинство квантовых алгоритмов пред- лагают лишь небольшое ускорение по сравнению с классическими метода-