Обучение квантовых рекуррентных нейронных сетей на джозефсоновской интегральной схеме

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

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.

Об авторах

С. С Самарин

Сколковский институт науки и технологий; Московский физико-технический институт

Email: samarin.ss@phystech.edu
Москва, Россия; Долгопрудный, Россия

А. Е Толстобров

Сколковский институт науки и технологий; Московский физико-технический институт

Москва, Россия; Долгопрудный, Россия

Ш. В Сандуляну

Московский физико-технический институт; Институт радиотехники и электроники им. В. А. Котельникова РАН

Долгопрудный, Россия; Москва, Россия

Г. П Фёдоров

Московский физико-технический институт; Институт радиотехники и электроники им. В. А. Котельникова РАН

Долгопрудный, Россия; Москва, Россия

А. А Рябов

Сколковский институт науки и технологий

Москва, Россия

В. В Вановский

Сколковский институт науки и технологий; Московский физико-технический институт

Москва, Россия; Долгопрудный, Россия

Д. А Калачева

Московский физико-технический институт; Сколковский институт науки и технологий

Долгопрудный, Россия; Москва, Россия

А. Н Болгар

Московский физико-технический институт

Долгопрудный, Россия

В. Б Лубсанов

Московский физико-технический институт; Сколковский институт науки и технологий

Долгопрудный, Россия; Москва, Россия

Ш. В Кадырметов

Московский физико-технический институт

Долгопрудный, Россия

А. М Муравьев

Московский физико-технический институт

Долгопрудный, Россия

Е. С Алексеева

Московский физико-технический институт

Долгопрудный, Россия

П. Ю Шлыков

Сколковский институт науки и технологий; Московский физико-технический институт

Москва, Россия; Долгопрудный, Россия

А. М Еремеев

Московский физико-технический институт

Долгопрудный, Россия

А. В Васенин

Московский физико-технический институт; Сколковский институт науки и технологий

Долгопрудный, Россия; Москва, Россия

А. Ю Дмитриев

Московский физико-технический институт; Институт радиотехники и электроники им. В. А. Котельникова РАН;

Долгопрудный, Россия; Москва, Россия

О. В Астафьев

Сколковский институт науки и технологий; Московский физико-технический институт; ×Институт радиотехники и электроники им. В.А.Котельникова РАН

Москва, Россия; Долгопрудный, Россия; Москва, Россия

Список литературы

  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).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

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».