| Название базовой системы (платформы): | Искусственный интеллект (ИИ, Artificial intelligence, AI) |
| Разработчики: | НИТУ МИСиС (Национальный исследовательский технологический университет) |
Основные статьи:
- Нейросети (нейронные сети)
- Квантовый компьютер и квантовая связь
- Квантовые компьютеры и сети в России
2025: Российские ученые обучили нейросеть обучили исправлять ошибки квантовых компьютеров
Исследователи Университета МИСИС создали систему на основе нейросетей, которая учится находить и исправлять погрешности в квантовых вычислениях. Разработка сочетает плюсы интеллектуальных и классических алгоритмов, поэтому эффективнее распознаёт ошибки, возникающие при увеличении количества кубитов — «строительных блоков» квантовых процессоров. Об этом университет сообщил 14 февраля 2025 года.
Квантовые компьютеры, в отличие от обычных, используют кубиты — элементы, способные выполнять сложные вычисления быстрее классических процессоров. Однако кубиты крайне чувствительны к помехам: даже малейшее внешнее воздействие может исказить данные. Чтобы повысить надёжность квантовых вычислений, учёные Университета МИСИС представили алгоритм на основе рекуррентных нейронных сетей, который учится выявлять ошибки.
 | Современные устройства совершают ошибки во многом из-за взаимодействия квантовой системы с её окружением. При этом даже небольшие погрешности критичны при масштабных вычислениях, так как искажение результата накапливается с каждой операцией. Повышение точности — одна из ключевых задач в развитии квантовых технологий, — сообщил директор института физики и квантовой инженерии НИТУ МИСИС Алексей Федоров. |  |
Метод основан на архитектуре рекуррентных нейронных сетей для анализа временных рядов данных, получаемых при периодическом измерении вспомогательных кубитов. Эта особенность позволяет алгоритму работать с различными кодами коррекции. Исследователи протестировали алгоритм на семействе циклических кодов коррекции, учитывая топологические особенности сверхпроводникового квантового процессора. Результаты исследования опубликованы в журнале Physical Review A (Q1).
| | Главное качество разработки заключается в способности обучаться на данных, полученных с конкретного устройства. Это особенно важно в условиях, когда характер ошибок отличается от теоретически предполагаемых моделей. Кроме того, предложенный алгоритм декодирования не зависит от конкретного кода коррекции, что делает его универсальным и легко масштабируемым, — сообщил автор исследования Илья Симаков, инженер научного проекта лаборатории сверхпроводниковых квантовых технологий НИТУ МИСИС, научный сотрудник Российского квантового центра. | |
