Исследователи демонстрируют первый успешный пример квантового алгоритма для создания реалистичных примеров, таких как рукописные цифры. Этот результат является важным шагом к созданию квантовых устройств, способных превзойти возможности классического машинного обучения.
Машинное обучение позволяет компьютерам распознавать сложные образы, такие как лица, а также создавать новые и реалистичные примеры таких образов. Исследователи совершили первый ясный прорыв в квантовом алгоритме, который успешно создает реалистичные образцы, в данном случае - создание подлинно выглядящих рукописных цифр. Ученые считают этот результат важным шагом на пути к созданию квантовых устройств, способных превзойти возможности классического машинного обучения.
Наиболее распространенным применением нейронных сетей является классификация – распознавание рукописных букв, например. Однако исследователи все больше стремятся использовать алгоритмы для более творческих задач, таких как создание новых и реалистичных произведений искусства, музыкальных произведений или человеческих лиц. Такие генеративные нейронные сети также могут использоваться для автоматического редактирования фотографий, чтобы удалить нежелательные детали, такие как дождь.
Алехандро Пердомо-Ортис из Zapata Computing в Торонто отмечает, что включение квантовых вычислений в сегодняшние генеративные сети может привести к значительному улучшению производительности. Поэтому исследователи пытаются реализовать алгоритмы на текущем поколении так называемых шумных промежуточных квантовых устройств, имеющих менее 50 кубитов. В результате исследования они добились улучшенных результатов с новой архитектурой машинного обучения, используя так называемую противоборствующую сеть.
