QUANTUMBOOST — ГИБРИДНАЯ СИСТЕМА ДЛЯ УСКОРЕНИЯ МАШИННОГО ОБУЧЕНИЯ С ИСПОЛЬЗОВАНИЕМ КВАНТОВЫХ ПРОЦЕССОРОВ

QUANTUMBOOST — ГИБРИДНАЯ СИСТЕМА ДЛЯ УСКОРЕНИЯ МАШИННОГО ОБУЧЕНИЯ С ИСПОЛЬЗОВАНИЕМ КВАНТОВЫХ ПРОЦЕССОРОВ

Селютина Ангелина Романовна, студент

(e-mail: angelina.selutina123@gmail.com)

Научный руководитель:

Батура Олеся Николаевна, преподаватель

(e-mail: ONBatura@fa.ru)

Финансовый университет при Правительстве Российской Федерации,

Курский филиал, г. Курск, Россия

Современные вызовы в области искусственного интеллекта (ИИ) и машинного обучения (МО) требуют колоссальных вычислительных ресурсов. Традиционные вычислительные системы приближаются к своим пределам, обработка огромных массивов данных, обучение сложных нейронных сетей и решение задач оптимизации становятся все более ресурсоемкими и длительными. Квантовые компьютеры, использующие принципы квантовой механики, обладают потенциалом кардинально изменить эту парадигму. Благодаря применению кубитов, способных одновременно находиться в состояниях 0 и 1, квантовые системы обеспечивают параллельную обработку информации, что недоступно для классических архитектур.

Ключевые слова: квантовый искусственный интеллект (Quantum AI, QAI), квантовые вычисления (Quantum Computing, QC), кубиты (qubits), суперпозиция (superposition), квантовая запутанность (quantum entanglement), квантовое преимущество (Quantum Advantage, QA), квантовые нейронные сети (Quantum Neural Networks, QNN), машинное обучение (Machine Learning, ML).

Проект "QuantumBoost" ставит своей главной целью создание и тестирование новаторской гибридной вычислительной системы, которая объединит возможности классических и квантовых компьютеров. Её основное предназначение – существенно ускорить и оптимизировать процессы машинного обучения, особенно тренировку нейронных сетей, а также снизить потребление вычислительных ресурсов по сравнению с традиционными подходами, используя при этом потенциал квантовых технологий.

Квантовые нейронные сети – это гибридные структуры, которые черпают силу из двух областей - квантовых вычислений и искусственных нейронных сетей. В основе квантовых нейронных сетей лежит гибридный подход, объединяющий квантовые вычислительные методы с моделями искусственных нейронных сетей.

Квантовые нейронные сети (QNN) — это инновационный подход, объединяющий парадигмы квантовых вычислений и искусственных нейронных сетей. Их фундаментальное отличие от обычных нейросетей заключается в использовании кубитов вместо битов, что потенциально позволяет им обрабатывать информацию и решать задачи совершенно новыми, более эффективными способами.

 Задачи по направлениям: создание единой архитектуры - разработать гибридную структуру, которая обеспечит бесшовное взаимодействие между существующими классическими платформами машинного обучения (такими как TensorFlow и PyTorch) и квантовыми вычислительными мощностями, доступными через облачные сервисы (например, IBM Quantum, Google Quantum AI).

Обеспечение коммуникации - гарантировать надёжный и эффективный обмен данными и результатами между классическими и квантовыми компонентами системы.

В рамках проекта применяется гибридный подход, сочетающий мощь классических и квантовых вычислений для решения сложных задач. Изначально, классические суперкомпьютеры, оснащенные алгоритмами глубокого обучения, берут на себя предварительную обработку и подготовку обширных наборов данных.

После этого, наиболее требовательные к вычислительным ресурсам этапы переносятся на квантовые компьютеры. Здесь задействуются передовые квантовые алгоритмы, такие как вариационные методы (VQE, QAOA), квантовые подходы к ядерному анализу и квантовые нейронные сети, для поиска наилучших решений, обнаружения неочевидных закономерностей и эффективного обучения на больших объёмах информации.

На финальной стадии, результаты, полученные с помощью квантовых систем, анализируются и уточняются классическими системами и алгоритмами искусственного интеллекта, чтобы выработать конкретные рекомендации, например, в сфере фармацевтики.

Этапы реализации проекта:

Этап 1. Закладка фундамента и верификация идей

На этом начальном этапе необходимо сосредоточиться на формировании теоретической базы и подтверждении жизнеспособности концепций.  Собрать команду высококлассных специалистов, включающую экспертов по квантовой физике, машинному обучению, биоинформатике и химии. Будет проведён всесторонний анализ существующих научных трудов, посвященных квантовым алгоритмам машинного обучения (QML), применимым в биоинформатике и химии.  Выбрать и адаптировать наиболее перспективные QML-алгоритмы (например, VQE, QAOA, методы квантовых ядер) для решения конкретных задач проекта. Для проверки работоспособности алгоритмов на небольших объёмах данных будут созданы симуляционные модели квантовых вычислений на классических компьютерах, используя популярные программные пакеты (Qiskit, Cirq, Pennylane). Также будут разработаны первые версии систем, интегрирующих классические фреймворки машинного обучения (TensorFlow, PyTorch) с квантовыми симуляторами.

Этап 2. Создание гибридного прототипа и испытания на реальных квантовых устройствах

Цель этого этапа – разработать функциональный прототип, способный работать на реальном, пусть и несовершенном, квантовом оборудовании.  Получить доступ к облачным платформам, предоставляющим услуги квантовых вычислений (IBM Quantum, Azure Quantum). Будет спроектирована гибкая архитектура, которая позволит эффективно распределять вычислительные задачи между классическими и квантовыми ресурсами. Разработанные квантовые алгоритмы будут протестированы на реальных квантовых процессорах. Особое внимание будет уделено методам компенсации ошибок, характерных для современных квантовых устройств (NISQ). Начать работу с небольшими, но реальными наборами данных из выбранных областей (например, с информацией о известных молекулах). Будут разработаны инструменты, позволяющие автоматически настраивать алгоритмы под особенности конкретного квантового оборудования.

Этап 3. Улучшение и расширение платформы

Сделать платформу более мощной, способной обрабатывать большие объемы данных и легкой в использовании. Усовершенствовать алгоритмы, чтобы они эффективно работали с большим количеством квантовых битов и более совершенными квантовыми компьютерами. Разработать надежные системы для предотвращения сбоев и продвинутые методы исправления ошибок. Создать удобный графический интерфейс и программный интерфейс (API) для легкого взаимодействия. Подключить платформу к существующим базам данных и инструментам в области биоинформатики и химии. Провести совместные проекты с компаниями из фармацевтической и медицинской сфер, чтобы показать, как QuantumBoost может решать реальные задачи.

 Пример применения проекта в сфере финансов:

Оптимизация портфеля и управление рисками

Суть задачи - определить наилучшее распределение активов в инвестиционном портфеле - добиться максимальной доходности при заранее установленном уровне риска либо минимизировать риски при заданной целевой доходности. Проблема осложняется большим числом переменных: разными типами активов, их долями в портфеле, корреляциями между ними.

Квантовые методы способны существенно ускорить решение этой оптимизационной задачи: квантовые алгоритмы оптимизации (в т. ч. QAOA и квантовый отжиг) эффективно исследуют множество возможных комбинаций активов и находят более точные решения по сравнению с классическими подходами.

Обнаружение мошенничества

Финансовые операции генерируют колоссальные объёмы данных. Чтобы выявлять мошенничество, нужно не просто анализировать отдельные транзакции, а распознавать сложные поведенческие паттерны - как у отдельных пользователей, так и у их групп.

Квантовые вычисления повышают эффективность обнаружения аномалий: квантовые методы кластеризации и классификации быстрее и точнее выделяют типичные модели поведения на фоне огромных массивов данных, оперативно сигнализируя об отклонениях, которые могут указывать на мошеннические действия.

Алгоритмический трейдинг и высокочастотная торговля

Требуется принимать торговые решения в режиме реального времени, опираясь на анализ множества рыночных сигналов. Главный фактор успеха - скорость реакции.

Кредитный скоринг и оценка рисков

Необходимо оценить кредитоспособность заёмщика, учитывая множество разнородных факторов - от финансовой истории до поведенческих индикаторов.

Квантовые вычисления позволяют глубже анализировать данные: комплексный анализ взаимосвязей. Квантовые системы обрабатывают значительно больше переменных и выявляют их нелинейные зависимости. Это даёт более точную оценку кредитных рисков и помогает кредиторам принимать обоснованные решения.

Этап 4. Выход на рынок и развитие

Представить платформу широкому кругу пользователей и найти новые области её применения. Предложить проект как облачный сервис (SaaS) для университетов, фармацевтических компаний и стартапов. Будем постоянно обновлять и улучшать алгоритмы, следуя за развитием квантовых вычислений и потребностями пользователей. Возможность искать новые возможности применения платформы, помимо медицины и фармацевтики, например, в создании новых материалов, финансовом моделировании, прогнозировании климата и других областях.

QuantumBoost призван решить ряд критических проблем, которые сегодня являются непреодолимыми для классических вычислительных систем.

Его внедрение позволит:

1. Ускорить процесс разработки новых медикаментов. Сократить сроки от открытия до оптимизации лекарственных молекул с многолетних до нескольких месяцев, что приведет к спасению миллионов жизней.
2. Развивать индивидуализированный подход в медицине. Обеспечить точный выбор терапевтических стратегий на основе уникального генетического профиля и биомаркеров пациента.
3. Осуществлять фундаментальные научные прорывы. Открыть новые направления исследований в химии, физике и биологии благодаря возможности моделирования квантовых систем на атомном уровне.
4. Обеспечить конкурентное лидерство.

Проект QuantumBoost призван стать важным ресурсом для научного сообщества и промышленных предприятий, способствуя ускоренному развитию инноваций и открывая горизонты для исследований, ранее недоступных при использовании существующих технологических решений.

Список использованных источников

1.Nielsen, M. A. Quantum Computation and Quantum Information / M. A. Nielsen, I. L. Chuang. — Cambridge : Cambridge University Press, 2010. – глава 6. 

Maria Schuld, Francesco Petruccione. Supervised Learning with Quantum Computers / Maria Schuld, Francesco Petruccione. – Springer, 2018 – с. 248

2.Quantum AI: квантовый искусственный интеллект (ИИ): вычисления будущего // Бахмат М.   [Электронный ресурс] 2025. — URL: https://blog.colobridge.net/2025/05/quantum-ai/ (дата обращения: 30.03.26)

3.Квантовые технологии в исследовании искусственного интеллекта [Электронный ресурс] // Okaruo. — 2026. URL: https://okaruo.ru/tekhnologii/kvantovye-tehnologii-v-issledovanii-iskusstvennogo-intellekta/

4.ИИ и квантовые вычисления: как на самом деле прогнозируется будущее [Электронный ресурс]  // РБК Компании. — 2025.  — URL: https://companies.rbc.ru/news/T10FnVOrMp/ii-i-kvantovyie-vyichisleniya-kak-na-samom-dele-prognoziruetsya-buduschee/

5.Что такое высокопроизводительные вычисления (HPC) [Электронный ресурс] // IT Global.com.  — URL: https://itglobal.com/ru-ru/company/blog/chto-takoe-vysokoproizvoditelnye-vychisleniya-hpc//

Selutina Angelina R., student,

(e-mail:angelina.selutina123@gmail.com)

Scientific supervisor: Batura Olesya N., teacher

Financial University under the Government of the Russian Federation, Kursk branch, Kursk, Russia

QuantumBoost — a hybrid system for accelerating machine learning using quantum processors

Abstract. Modern challenges in the field of artificial intelligence (AI) and machine learning (ML) require enormous computational resources. Traditional computing systems are approaching their limits: processing vast amounts of data, training complex neural networks, and solving optimization problems are becoming increasingly resource-intensive and time-consuming. Quantum computers, which utilize the principles of quantum mechanics, have the potential to revolutionize this paradigm. Thanks to the use of qubits that can simultaneously be in states 0 and 1 (superposition), quantum systems provide parallel processing of information that is not available for classical architectures.

Keywords: quantum artificial intelligence (Quantum AI, QAI), quantum computing (Quantum Computing, QC), qubits (qubits), superposition (superposition), quantum entanglement (quantum entanglement), quantum advantage (Quantum Advantage, QA), quantum neural networks (Quantum Neural Networks, QNN), machine learning (Machine Learning, ML).