Obuchenie kvantovykh rekurrentnykh neyronnykh setey na dzhozefsonovskoy integral'noy skheme

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Данная работа посвящена решению задачи обработки числовых последовательностей при помощи вариационных квантовых алгоритмов, реализуемых на шумном квантовом компьютере среднего масштаба. Платформой для квантовых вычислений является интегральная схема на основе сверхпроводящих искусственных атомов. Архитектура квантовой рекуррентной нейронной сети сконструирована с использованием одно- и двухкубитных операций. На этапе эмулирования была изучена обучаемость модели в зависимости от числа кубитов, а также объема и метода кодирования данных в состояние кубитов. Сравнение с классическими архитектурами показало, что на современных квантовых процессорах возможно достичь качества предсказаний в выбранной задаче машинного обучения, сравнимого с качеством реализуемых на классических процессорах моделей.

References

  1. T. Yin, Theoretical and Natural Science 51, 34 (2024).
  2. J. Li, J. Zhang, J. Zhang and S. Zhang, IEEE Trans. Comput.-Aided Des. Integr. Circuits Syst. 43, 1332 (2024).
  3. E. Cherrat, I. Kerenidis, N. Mathur, J. Landman, M. Strahm and Y. Li, Quantum 8, 1265 (2024).
  4. K. Bartkiewicz, C. Gneiting, A. ˇCernoch, K. Jirakova, K. Lemr and F. Nori, Sci. Rep. 10, 12356 (2020).
  5. T. Pandey, V. Ravalekar, S. Nair, and S. Pradhan, Sci. Rep. 15, 28443 (2025).
  6. D. Rist´e, M. Silva, C. Ryan, A. Cross, J. Smolin, J. Gambetta, J. Chow, and B. Johnson, npj Quantum. Inf. 3, 16 (2015).
  7. M. Benedetti, E. Lloyd, S. Sack, and M. Fiorentini, Quantum Science and Technology 4, 043001 (2019); https://doi.org/10.1088/2058-9565/ab4eb5 (2019).
  8. M. Cerezo, A. Arrasmith, R. Babbush, S.C. Benjamin, S. Endo, K. Fujii, J.R. McClean, K. Mitarai, X. Yuan, L. Cincio, and P. J. Coles, Nat. Rev. Phys. 3, 625 (2020).
  9. L. Henriet, L. Beguin, A. Signoles, T. Lahaye, A. Browaeys, G.-O. Reymond, and C. Jurczak, Quantum 4, 327 (2020).
  10. A. Tolstobrov, G. Fedorov, S. Sanduleanu, S. Kadyrmetov, A. Vasenin, A. Bolgar, D. Kalacheva, V. Lubsanov, A. Dorogov, J. Zotova, P. Shlykov, A. Dmitriev, K. Tikhonov, and O.V. Astafiev, Phys. Rev. A 109, 012411 (2024).
  11. Z. Yin, I. Agresti, G. de Felice, D. Brown, A. Toumi, C. Pentangelo, S. Piacentini, A. Crespi, F. Ceccarelli, R. Osellame, B. Coecke, and P.Walther, Nat. Photonics 19, 1020 (2025).
  12. H.-L. Huang, Y. Du, M. Gong et al. (Collaboration), Phys. Rev. Appl. 16, 024051 (2021).
  13. D. Zhu, N. Linke, M. Benedetti, K. Landsman, N. Nguyen, C. Huerta Alderete, A. Perdomo-Ortiz, N. Korda, A. Garfoot, C. Brecque, L. Egan, O. Perdomo, and C. Monroe, Sci. Adv. 5, eaaw9918 (2019).
  14. W. Ren, W. Li, S. Xu et al. (Collaboration), Nature Computational Science 2, 711 (2022).
  15. T. Dutta, A. P´erez-Salinas, J.P. S. Cheng, J. I. Latorre, and M. Mukherjee, Phys. Rev. A 106, 012411 (2022).
  16. A.E. Tolstobrov, S.V. Kadyrmetov, G.P. Fedorov, S.V. Sanduleanu, V.B. Lubsanov, D.A. Kalacheva, A.N. Bolgar, A.Y. Dmitriev, E.V. Korostylev, K. S. Tikhonov, and O.V. Astafiev, Control. Radiophys. Quantum. 66, 907 (2024).
  17. P. Krantz, M. Kjaergaard, F. Yan, T. Orlando, S. Gustavsson, and W. Oliver, Appl. Phys. Rev. 6, 021318 (2019).
  18. M. Schuld and F. Petruccione, Machine Learning with Quantum Computers, Springer, Cham (2021).
  19. E. Fontana, N. Fitzpatrick, D.M. Ramo, R. Duncan, and I. Rungger, Phys. Rev. A 104, 022403 (2021).
  20. A. Blais, R.-S. Huang, R.-S. Huang, A. Wallraff, S.M. Girvin, and R. J. Schoelkopf, Phys. Rev. A 69, 062320 (2004).
  21. S. Sim, P.D. Johnson, and A. Aspuru-Guzik, Advanced Quantum Technologies 2, 1900070 (2019).
  22. Y. Takaki, K. Mitarai, M. Negoro, K. Fujii, and M. Kitagawa, Phys. Rev. A 103, 052414 (2021).
  23. Y. Li, Z. Wang, R. Han, S. Shi, J. Li, R. Shang, H. Zheng, G. Zhong, and Y. Gu, Neural Netw. 166, 148 (2023).
  24. C.P. Williams and S.H. Clearwater, Explorations in Quantum Computing, 2nd ed., Texts in Computer Science, Springer-Verlag, Berlin, Heidelberg (1998).
  25. A. P´erez-Salinas, D. L´opez-N´unez, A. Garc´ıa-S´aez, P. Forn-D´ıaz, and J. I. Latorre, Phys. Rev. A 104, 012405 (2021).
  26. S. Jerbi, L. J. Fiderer, H.P. Nautrup, J.M. K¨ubler, H. J. Briegel, and V. Dunjko, Nat. Commun. 14, 517 (2023).
  27. M. K¨olle, T. Witter, T. Rohe, G. Stenzel, P. Altmann, and T. Gabor, A Study on Optimization Techniques for Variational Quantum Circuits in Reinforcement Learning, in 2024 IEEE International Conference on Quantum Software (QSW) (2024), p. 157.
  28. M. Schuld, V. Bergholm, C. Gogolin, J. Izaac, and N. Killoran, Phys. Rev. A 99, 032331 (2019).
  29. N. Killoran, The stochastic parameter-shift rule, https://pennylane.ai/qml/demos/tutorial_stochastic_parameter_ shift, Date Accessed: 2025-11-03 (2020).
  30. J. Koch, T.M. Yu, J. Gambetta, A.A. Houck, D. I. Schuster, J. Majer, A. Blais, M.H. Devoret, S.M. Girvin, and R. J. Schoelkopf, Phys. Rev. A 76, 042319 (2007).
  31. V. Bergholm, J.A. Izaac, M. Schuld, C. Gogolin, A. Khandelwal, and N. Killoran, arXiv preprint arXiv:1811.04968 (2018).
  32. J. J. Hopfield, Proceedings of the National Academy of Sciences of the United States of America 79, 2554 (1982).
  33. S. Hochreiter and J. Schmidhuber, Neural Comput. 9, 1735 (1997).
  34. K. Cho, B. van Merrienboer, C. G¨ul，cehre, D. Bahdanau, F. Bougares, H. Schwenk, and Y. Bengio, Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation, in Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP) (2014), p. 1724.
  35. P. Magnard, P. Kurpiers, B. Royer, T. Walter, J.-C. Besse, S. Gasparinetti, M. Pechal, J. Heinsoo, S. Storz, A. Blais, and A. Wallraff, Phys. Rev. Lett. 121, 060502 (2018).

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».