Квантова нейромережа (Quantum Neural Network, QNN) — це клас обчислювальних моделей, що поєднують принципи квантових обчислень із методами штучних нейронних мереж. QNN використовують квантові біти (кубіти), суперпозицію, заплутаність і квантову інтерференцію для обробки інформації та розв’язання задач машинного навчання. Напрям перебуває на стадії активних досліджень і розвитку, особливо в контексті епохи NISQ (Noisy Intermediate-Scale Quantum).

Історичний розвиток і наукові передумови

Ідеї квантових обчислень були сформульовані у 1980-х роках, зокрема в роботах Річард Фейнман та Девід Дойч, які запропонували використовувати квантові системи для моделювання фізичних процесів. Паралельно розвивалися штучні нейронні мережі (перцептрон, зворотне поширення помилки). У 1990–2000-х роках з’явилися перші концепції квантових перцептронів і варіаційних квантових схем, що стали основою сучасних QNN.

Теоретичні основи

Кубіти та квантові стани

  • Кубіт — базова одиниця квантової інформації, яка може перебувати в суперпозиції станів |0⟩ і |1⟩.
  • Квантова заплутаність забезпечує кореляції між кубітами, що не мають класичного аналога.
  • Вимірювання квантового стану є імовірнісним.

Квантові схеми

  • Обчислення реалізуються через послідовності квантових гейтів (Hadamard, CNOT, RX, RY тощо).
  • Параметризовані (варіаційні) квантові схеми дозволяють навчати модель шляхом оптимізації параметрів.

Варіаційні квантові алгоритми

  • Оптимізація параметрів класичним алгоритмом із використанням квантового процесора для оцінки функції вартості.
  • Підхід «гібридний квантово-класичний».

Архітектури квантових нейромереж

Квантовий перцептрон

  • Аналог класичного перцептрона з використанням квантових гейтів.
  • Обмежена масштабованість через шум і декогеренцію.

Варіаційні квантові нейромережі (VQNN)

  • Параметризовані квантові схеми.
  • Навчання через мінімізацію функції втрат.

Квантові згорткові мережі (QCNN)

  • Використовують квантові аналоги згорткових і pooling-операцій.
  • Досліджуються для задач квантової хімії та розпізнавання фаз матерії.

Квантові рекурентні мережі

  • Теоретичні моделі для обробки послідовностей.

Гібридні моделі

  • Класична нейромережа + квантовий шар.
  • Застосування для задач класифікації малих наборів даних.

Алгоритми навчання

  • Градієнтні методи з параметричним зсувом (parameter-shift rule).
  • Класичні оптимізатори (Adam, SGD) у гібридних схемах.
  • Квантове наближення ядра (quantum kernel methods).
  • Квантові варіаційні алгоритми (VQE, QAOA) у задачах оптимізації.

Сфери застосування

  • Квантова хімія (моделювання молекул).
  • Оптимізаційні задачі великої розмірності.
  • Криптографія та безпека.
  • Фінансове моделювання.
  • Квантова фізика матеріалів.
  • Машинне навчання на малих, але складних вибірках.

Переваги

  • Потенційна експоненційна швидкодія для окремих задач.
  • Обробка високовимірних квантових просторів.
  • Нові способи кодування даних (amplitude encoding).

Обмеження

  • Шум і декогеренція в NISQ-пристроях.
  • Обмежена кількість кубітів.
  • Складність масштабування.
  • Відсутність доведених переваг для більшості практичних ML-задач на сучасному обладнанні.

Квантові апаратні платформи

  • Надпровідні кубіти.
  • Іонні пастки.
  • Фотонні квантові системи.
  • Топологічні кубіти (експериментальні).

Серед організацій, що активно розвивають квантові обчислення:

  • IBM
  • Google
  • D-Wave Systems
  • Rigetti Computing

Порівняння з класичними нейромережами

Характеристика Класичні НМ Квантові НМ
Обчислювальна база Біти Кубіти
Паралелізм Масиви процесорів Суперпозиція станів
Масштабування Добре відпрацьоване Обмежене апаратно
Практичність Широко застосовуються Дослідницька стадія

Перспективи розвитку

  • Зменшення шуму та збільшення кількості кубітів.
  • Розвиток fault-tolerant квантових комп’ютерів.
  • Поява спеціалізованих квантових ML-бібліотек.
  • Інтеграція з великими класичними моделями.
  • Можливе створення квантових foundation-моделей у майбутньому.

Квантові нейромережі є міждисциплінарним напрямом на стику квантової фізики та штучного інтелекту. Хоча сьогодні вони перебувають переважно на стадії експериментальних досліджень, у довгостроковій перспективі QNN можуть запропонувати нові підходи до обробки складних даних та оптимізаційних задач, що є недоступними для класичних обчислювальних систем.

Дещо інше: