Старший преподаватель МАДИ Цезарь Пронин предложил способ, который позволит квантовым вычислителям обучать нейросети более чем в 300 раз быстрее классических машин.
Об этом сообщает ТАСС со ссылкой на Минобрнауки России. Речь идёт о создании так называемого «квантового оракула» — алгоритма-навигатора, который ведёт вычисления прямиком к верному ответу, не заставляя систему перебирать массу промежуточных вариантов. В министерстве подчеркнули, что это серьёзный шаг к появлению прикладных квантовых нейросетей.
Главная сложность здесь в том, что вспомогательные вычисления нужно «сворачивать» без потери данных — то есть квантовые операции обязаны оставаться строго обратимыми. Пронин решил эту проблему, задействовав в роли «оракула» обратимый квантовый умножитель. Он систематизировал матричный аппарат и описал квантовые аналоги базовых логических операций — NOT, AND, OR и XOR, — а также полного сумматора. На этой основе появилась концепция обучения базового элемента нейросети, квантового персептрона, где «оракул» строится через функцию активации.
Расчёты показывают: алгоритм Гровера с новым компонентом находит решение примерно в 326 раз быстрее классического перебора — это показано на примере 16-кубитного регистра. Как пояснили в Минобрнауки, такой результат закладывает теоретический фундамент для того, чтобы будущие квантовые процессоры брались за реальные прикладные задачи в промышленности и социальной сфере, обрабатывая гигантские объёмы данных за доли секунды. Сам исследователь намерен продолжить работу: в планах — масштабирование для 2–3-кубитных регистров, адаптация под симуляторы и NISQ-устройства (квантовые компьютеры промежуточного масштаба) и решение вопросов разрядности квантовой арифметики.
Тема скорости обучения ИИ вообще сегодня горячая. Осенью 2025 года китайский стартап DeepSeek выпустил большую языковую модель DeepSeek-V3.2-Exp и заявил, что заложенный в неё подход сократил стоимость эксплуатации вдвое, о чём писала Wall Street Journal. А в начале 2025-го выход DeepSeek-R1 обрушил капитализацию Nvidia почти на $600 млрд за одну сессию — модель сопоставима с разработками OpenAI, но требует куда меньше затрат на обучение. По данным CNews, российские разработчики заметно снизили стоимость использования языковых моделей по сравнению с октябрём 2025 года, однако в сравнении с зарубежными аналогами их LLM всё ещё могут обходиться дороже. К примеру, Alice AI LLM стоит 0,50 руб. за 1 тыс. входных и 1,20 руб. за 1 тыс. генерируемых токенов, тогда как DeepSeek V3.1 по официальному тарифу — около 0,048 и 0,143 руб. соответственно, то есть разница примерно в 10,5 раза по входным и в 8,4 раза по выходным токенам. YandexGPT 5.1 Pro обходится в 0,80 руб. за 1 тыс. входных и генерируемых токенов, а GPT-4.1 — примерно в 0,17 руб. за входные и 0,68 руб. за генерируемые: по входным токенам это дороже примерно в 4,7 раза, по выходным — примерно на 17%.
Загрузка...
