Поводом для публикации на сайте РАН стал выход статьи в журнале Physical Review, одним из авторов которой стал заместитель директора НИКСа по науке, преподаватель МФТИ, эксперт РАН Леонид Федичкин.



Статья рассказывает об исследовании, которое позволит в перспективе создать новые алгоритмы для квантового компьютера. С их помощью можно будет быстрее и эффективнее решать целый ряд практически важных задач: от расчета логистики до разработки новых веществ с нужными свойствами.



«Мы изучаем квантовые блуждания частиц, – рассказывает Леонид Федичкин. – Этот процесс важен для различных практических исследований. Например, фоточувствительный белок – хлорофилл или родопсин (светочувствительный пигмент глаза) – это очень разветвленная структура, часть которой представляет собой своего рода антенну. Ее задача – поймать фотон. А другая часть белка – это химическая фабрика, где вырабатывается нужное вещество. И задача белковой структуры наиболее эффективным образом доставить энергию возбуждения от уловленного антенной фотона на фабрику. Такой белок, с точки зрения возбужденного электрона, который в нем блуждает, представляет собой очень сложную, разветвленную структуру, настоящий лабиринт, который можно изобразить в виде графа».



Примеры графов, схематически изображающих квантовый компьютер с 2, 3 и 4 кубитами.

Расчеты таких блужданий для всех конкретных графов получить довольно трудно. Даже если число вершин всего 15-20, то вариантов графов, которые можно построить, соединяя эти узлы ребрами тем или иным образом, – астрономическое количество, и все их перебрать и рассчитать нереально.

«Возьмем, к примеру, химиков, которые синтезируют новые молекулы, каждая из которых обладает определенными свойствами, но им нужно найти такую, которая обладает нужными свойствами, – приводит пример Леонид Федичкин. – Если просто перебирать все возможные варианты молекул, то и всех химиков мира не хватит для их исследования».

Поэтому задача состоит в том, чтобы научиться быстро классифицировать, к примеру, графы-молекулы на те, которые могут обладать нужными свойствами, и те, которые ими обладать в принципе не могут. Тогда круг дальнейших исследований резко сужается.



«В чем у нас произошел прорыв: мы начали использовать искусственные нейронные сети, которые сейчас называют искусственным интеллектом, для того, чтобы классифицировать графы, – говорит Леонид Федичкин. – Запутанный граф в многомерном пространстве, который и изобразить-то сложно, мы переводим в таблицу нулей и единиц, в понятную компьютеру форму».

Но самое главное, исследователи поняли, что эту таблицу можно рассматривать как... изображение. Ведь, по сути, она представляет собой квадрат, заполненный единицами и нулями. Можно считать, что это фотография или картинка на дисплее, где 1 – это черный пиксель, а 0 – белый.

«Если эти матрицы рассматривать просто как «фотографии» графов, как их образы, то для их распознавания уже создано множество программ, работающих по принципу искусственных нейронных сетей», – говорит Леонид Федичкин.

Есть программы, которые умеют классифицировать фотографии по признаку «кошка» и «собака». Для этого их обучают на массиве вручную отобранных фотографий с кошками и собаками. Как эти программы, которые называют искусственным интеллектом, производят классификацию, то есть отличают кошек от собак, никто объяснить не может, но важен результат – они быстро учатся это делать.



«Мы применили эту же методику для классификации графов по признаку "быстрый" или "медленный", – рассказывает Леонид Федичкин. – Если это образ, то компьютер может "посмотреть" на него и начать высказывать какие-то суждения о свойствах "изображенного" графа. Таким образом мы добились того, что наша программа научилась различать быстрые и медленные графы по одному их "внешнему виду", и для этого нам не надо проводить расчеты».


Источник: НИКС – Компьютерный Супермаркет