03.05.2026 15:52
QIML: гибрид нейросети и квантового процессора для прогноза турбулентности
☝🏻Учёные из Лондона объединили нейросеть и квантовый процессор
Исследователи из Университетского колледжа Лондона представили фреймворк QIML — Quantum-Informed Machine Learning, который сочетает классическую нейросеть с квантовым генеративным модулем для точного прогнозирования турбулентности — непредсказуемого поведения воздушных и водных потоков, от которого зависят точность климатических моделей, безопасность полётов и эффективность ветрогенераторов.
Проблема турбулентности в том, что в потоке одновременно существуют крупные движения и крошечные хаотичные завихрения, которые накапливают ошибку и быстро «ломают» любой прогноз ИИ.
☝🏻Суть нового подхода в разделении задачи:
▫️Классическая нейросеть отвечает за крупные структуры потока.
▫️Статистику мелкомасштабных завихрений выучивает отдельная модель на сверхпроводящем квантовом процессоре.
Результат обучения — так называемый Q-Prior, компактная «шпаргалка» размером в килобайты, которая затем встраивается в обычную нейросеть на GPU.💡
Ключевое преимущество — квантовая запутанность кубитов позволяет сжать многомегабайтные обучающие датасеты в миниатюрный квантовый априор, что требует в сотни раз меньше памяти.
Фреймворк протестировали на трёх задачах гидродинамики разной сложности.
Точность распределения выросла на 17,25%, а спектральная точность — на 29,36%.
Классическая модель без Q-Prior теряла стабильность на длинных горизонтах, тогда как QIML обошёл лучшие классические численные решатели.📊
☝🏻Авторы подчёркивают, что это первый случай, когда квантовые вычисления удалось осмысленно соединить с классическим ML на реальной научной задаче — причём без необходимости полноценного отказоустойчивого квантового компьютера.
Практические перспективы значительны: от турбулентности зависят климатические модели, аэродинамика самолётов, эффективность ветрогенераторов и ядерных реакторов.
Если QIML удастся масштабировать, часть этой вычислительной нагрузки можно будет переложить на компактный квантово-обученный модуль.⚡️
☝🏻☝🏻☝🏻Теоретически это перекликается с одной из главных проблем LLM — огромным потреблением памяти и вычислительных ресурсов при обучении.
Идея QIML — использовать квант один раз для создания компактной «шпаргалки», а дальше работать на обычном железе — это потенциально перспективный паттерн и для генеративного ИИ.
Но до практического применения в LLM-масштабе ещё несколько лет.🤷🏼♀️
Исследователи из Университетского колледжа Лондона представили фреймворк QIML — Quantum-Informed Machine Learning, который сочетает классическую нейросеть с квантовым генеративным модулем для точного прогнозирования турбулентности — непредсказуемого поведения воздушных и водных потоков, от которого зависят точность климатических моделей, безопасность полётов и эффективность ветрогенераторов.
Проблема турбулентности в том, что в потоке одновременно существуют крупные движения и крошечные хаотичные завихрения, которые накапливают ошибку и быстро «ломают» любой прогноз ИИ.
☝🏻Суть нового подхода в разделении задачи:
▫️Классическая нейросеть отвечает за крупные структуры потока.
▫️Статистику мелкомасштабных завихрений выучивает отдельная модель на сверхпроводящем квантовом процессоре.
Результат обучения — так называемый Q-Prior, компактная «шпаргалка» размером в килобайты, которая затем встраивается в обычную нейросеть на GPU.💡
Ключевое преимущество — квантовая запутанность кубитов позволяет сжать многомегабайтные обучающие датасеты в миниатюрный квантовый априор, что требует в сотни раз меньше памяти.
Фреймворк протестировали на трёх задачах гидродинамики разной сложности.
Точность распределения выросла на 17,25%, а спектральная точность — на 29,36%.
Классическая модель без Q-Prior теряла стабильность на длинных горизонтах, тогда как QIML обошёл лучшие классические численные решатели.📊
☝🏻Авторы подчёркивают, что это первый случай, когда квантовые вычисления удалось осмысленно соединить с классическим ML на реальной научной задаче — причём без необходимости полноценного отказоустойчивого квантового компьютера.
Практические перспективы значительны: от турбулентности зависят климатические модели, аэродинамика самолётов, эффективность ветрогенераторов и ядерных реакторов.
Если QIML удастся масштабировать, часть этой вычислительной нагрузки можно будет переложить на компактный квантово-обученный модуль.⚡️
☝🏻☝🏻☝🏻Теоретически это перекликается с одной из главных проблем LLM — огромным потреблением памяти и вычислительных ресурсов при обучении.
Идея QIML — использовать квант один раз для создания компактной «шпаргалки», а дальше работать на обычном железе — это потенциально перспективный паттерн и для генеративного ИИ.
Но до практического применения в LLM-масштабе ещё несколько лет.🤷🏼♀️