Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Квантовые нейронные сети

Покупка
Основная коллекция
Артикул: 872556.01.99
Доступ онлайн
350 ₽
В корзину
Учебное пособие посвящено основам теории и практике построения квантовых нейронных сетей. В данном учебном пособии представлены основные концепции и методы квантовых нейронных сетей, а также рассмотрены проблемы и вызовы, с которыми они сталкиваются. Также освещены будущие направления и перспективы развития квантовых нейронных сетей. Пособие предназначено для студентов и аспирантов, обучающихся по направлениям информационные технологии, вычислительная техника, квантовые вычисления и искусственный интеллект, а также для специалистов, работающих в области машинного обучения, квантовой информатики и смежных направлениях.
Гушанский, С. М. Квантовые нейронные сети : учебное пособие / С. М. Гушанский, В. С. Потапов ; Южный федеральный университет. – Ростов-на-Дону ; Таганрог : Издательство Южного федерального университета, 2025. - 118 с. – ISBN 978-5-9275-5003-6. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2239842 (дата обращения: 19.11.2026). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов
МИНИСТЕРСТВО  НАУКИ  И  ВЫСШЕГО  ОБРАЗОВАНИЯ 
РОССИЙСКОЙ  ФЕДЕРАЦИИ 
Федеральное государственное автономное  
образовательное учреждение высшего образования 
«ЮЖНЫЙ  ФЕДЕРАЛЬНЫЙ  УНИВЕРСИТЕТ» 
Инженерно-технологическая академия 
 
 
 
 
 
 
 
С. М. ГУШАНСКИЙ  
В. С. ПОТАПОВ  
 
 
 
КВАНТОВЫЕ                                           
НЕЙРОННЫЕ  СЕТИ 
 
Учебное пособие 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Ростов-на-Дону – Таганрог  
Издательство Южного федерального университета 
2025
 
 


Введение 
УДК 004.38 
ББК  32.973 
          Г753  
Печатается по решению кафедры вычислительной техники                        
Института компьютерных технологий и информационной безопасности 
Южного федерального университета                                                   
(протокол № 9 от 10 сентября 2025 г.) 
Рецензенты: 
доктор физико-математических наук, профессор, заведующий кафедрой 
физико-математических основ инженерного образования                                  
Института компьютерных технологий и информационной безопасности 
Южного федерльного университета Г. В. Куповых 
доктор технических наук, профессор Таганрогского института                       
имени А. П. Чехова (филиал) РГЭУ (РИНХ) В. И. Божич 
Гушанский, C. М. 
Г753 
Квантовые нейронные сети : учебное пособие / С. М. Гушанский, 
В. С. Потапов ; Южный федеральный университет. – Ростов-на-Дону ; 
Таганрог : Издательство Южного федерального университета, 2025. – 
116 с. 
ISBN 978-5-9275-5003-6 
Учебное пособие посвящено основам теории и практике построения 
квантовых нейронных сетей. В данном учебном пособии представлены основные концепции и методы квантовых нейронных сетей, а также рассмотрены проблемы и вызовы, с которыми они сталкиваются. Также освещены 
будущие направления и перспективы развития квантовых нейронных сетей. Пособие предназначено для студентов и аспирантов, обучающихся по 
направлениям информационные технологии, вычислительная техника, 
квантовые вычисления и искусственный интеллект, а также для специалистов, работающих в области машинного обучения, квантовой информатики 
и смежных направлениях. 
УДК 004.38 
ББК 32.973 
ISBN 978-5-9275-5003-6 
© Южный федеральный университет, 2025 
© Гушанский С. М., Потапов В. С., 2025 
© Оформление. Макет. Издательство  
    Южного федерального университета, 2025 
 
 


СОДЕРЖАНИЕ 
ВВЕДЕНИЕ ........................................................................................................ 4 
ТЕМА 1. ОСНОВЫ  КВАНТОВОЙ  ИНФОРМАТИКИ ............................... 7 
1.1. Что такое квантовые вычисления? .......................................................... 7 
1.2. Принцип неопределенности...................................................................11 
1.3. Квантовые схемы и алгоритмы .............................................................13 
1.4. Квантовые нейронные сети ....................................................................13 
1.5. Принципы построения квантовых нейросетей ....................................31 
1.6. Квантовые нейросети с учителем ..........................................................34 
Контрольные вопросы ...................................................................................40 
ТЕМА 2. МОДЕЛИРОВАНИЕ  КВАНТОВОЙ  НЕЙРОСЕТИ ..................42 
2.1. Вариационная квантовая схема .............................................................42 
2.2. Алгоритм глубокого обучения КНС .....................................................45 
2.3. Модель квантового нейрона ..................................................................48 
2.4. Квантовое глубокое обучение свёрточной нейронной сети                       
с использованием вариационной квантовой схемы ...................................57 
2.5. Топологическое глубокое обучение на симплициальных           
комплексах ......................................................................................................... 67 
2.6. Нейронные сети на квантовых графах ..................................................67 
2.7. Симплициальные нейронные сети ........................................................68 
Контрольные вопросы ...................................................................................72 
ТЕМА 3. ПРОГРАММНАЯ  РЕАЛИЗАЦИЯ                                          
КВАНТОВОЙ  НЕЙРОСЕТИ .........................................................................73 
3.1. Настройка среды TensorFlow Quantum .................................................73 
3.2. Построение модели КНС........................................................................75 
3.3. Построение гибридной нейросети ........................................................85 
3.4. IBM Quantum experience .........................................................................91 
Контрольные вопросы .................................................................................106 
ЗАКЛЮЧЕНИЕ ..............................................................................................107 
СПИСОК  ЛИТЕРАТУРЫ ............................................................................108 
 
 


Введение 
ВВЕДЕНИЕ 
Современные технологии искусственного интеллекта (ИИ) и квантовых вычислений представляют собой два быстроразвивающихся направления науки и техники. В последние годы особый интерес вызывает область квантового машинного обучения, которая объединяет возможности 
квантовых вычислений с методами нейросетевого моделирования. Классические нейронные сети (КНС) представляют собой один из ключевых 
инструментов машинного обучения и искусственного интеллекта. Эти модели вдохновлены биологическими нейронными структурами мозга и состоят из узлов (нейронов), объединённых в слои. Каждый нейрон получает 
входные сигналы, преобразует их с помощью весов, смещений и функций 
активации, а затем передаёт результат на следующий слой сети. 
С момента своего появления КНС успешно применяются в широком 
спектре задач: от распознавания образов и обработки естественного языка 
до прогнозирования временных рядов и управления роботами. Основу таких сетей составляет архитектура многослойного перцептрона (MLP), на 
которой базируются более сложные модели, такие как свёрточные (CNN) 
и рекуррентные нейронные сети (RNN). Развитие классических нейросетей было тесно связано с ростом вычислительных мощностей и появлением больших объёмов данных. Это позволило существенно повысить эффективность обучения моделей и решать ранее недостижимые задачи. 
Вместе с тем, по мере увеличения числа параметров и объёмов обрабатываемых данных, КНС начинают сталкиваться с ограничениями – в первую 
очередь по производительности и энергопотреблению. Эти ограничения 
стали стимулом к поиску новых парадигм вычислений, в том числе к объединению нейросетевых методов с квантовыми технологиями, что привело к появлению квантовых нейронных сетей. Одним из ключевых направлений в этой области является разработка и исследование квантовых 
нейронных сетей (КНС), которые потенциально способны значительно 
ускорить обработку данных и улучшить эффективность обучения моделей. Квантовые нейронные сети (КНС) – это новая и стремительно развивающаяся область на пересечении квантовых вычислений и искусственного интеллекта. КНС объединяют квантовую механику с методами машин 


Введение 
ного обучения, что открывает возможности для создания моделей, превосходящих классические нейросети по вычислительной эффективности и 
масштабируемости. 
Современные нейросетевые алгоритмы, работающие на классических 
компьютерах, успешно решают широкий спектр задач – от распознавания 
изображений до анализа временных рядов. Однако при росте объёмов 
данных и сложности моделей они сталкиваются с ограничениями в скорости, энергопотреблении и масштабируемости. Квантовые вычисления, использующие такие явления, как суперпозиция и запутанность, способны 
преодолеть эти ограничения, обеспечивая экспоненциальное ускорение 
для некоторых классов задач. 
Квантовые нейронные сети используют кубиты вместо битов, а также 
особые квантовые операции – гейты – для построения вычислительных 
схем. КНС могут функционировать в различных архитектурах: как полностью квантовые модели, так и гибридные квантово-классические сети, в 
которых квантовая часть играет роль ускорителя. Это позволяет применять КНС в задачах классификации, оптимизации, анализа больших данных и моделирования сложных процессов. 
Изучение квантовых нейронных сетей требует от читателя базовых 
знаний в области линейной алгебры, теории вероятностей и программирования. Также желательно общее представление о квантовой механике, 
включая понятия суперпозиции, измерения, кубита и гейта. В настоящем 
пособии материал изложен последовательно: от основ квантовых вычислений и классических нейросетей – к построению КНС, алгоритмам их 
обучения и моделирования. 
КНС – это не только академический интерес. Это направление активно развивается благодаря появлению доступных квантовых платформ 
(например, IBM Q и Qiskit) и может стать основой будущих интеллектуальных систем. Уже сегодня КНС демонстрируют потенциал в задачах, 
которые классическим алгоритмам недоступны в разумные сроки. 
Традиционные нейронные сети, работающие на классических вычислительных устройствах, успешно решают широкий круг задач, таких как 
распознавание образов, обработка естественного языка, прогнозирование 
временных рядов и многое другое. Однако с увеличением объёмов данных 
и усложнением моделей возникают ограничения, связанные с вычисли
Введение 
тельными мощностями и энергетическими затратами. Квантовые нейронные сети предлагают новые подходы к обработке информации, используя 
свойства квантовой механики, такие как суперпозиция, запутанность и 
квантовый параллелизм. 
Основная цель данного учебного пособия – познакомить читателей с 
основами квантовой информатики, принципами работы классических 
нейронных сетей, а также объяснить, как квантовые технологии могут 
быть интегрированы в машинное обучение. В пособии рассматриваются 
теоретические аспекты квантовых нейронных сетей, методы их построения, алгоритмы обучения, а также перспективы их применения в различных областях науки и техники. Материал изложен в логической последовательности: сначала представлены базовые понятия квантовой механики 
и вычислений, затем рассматриваются принципы работы нейронных сетей, после чего освещаются методы и технологии разработки квантовых 
нейросетевых моделей. В заключительных главах обсуждаются современные вызовы и перспективы развития квантового машинного обучения. 
Пособие предназначено для студентов, исследователей и специалистов, интересующихся квантовыми вычислениями и машинным обучением. 
Предполагается, что читатели обладают базовыми знаниями в области линейной алгебры, теории вероятностей и основ программирования. В приложениях представлены практические примеры программного кода, а также наборы данных, которые помогут лучше понять и реализовать квантовые нейронные сети. Квантовые нейронные сети являются молодой, но 
перспективной областью исследований, способной в будущем изменить методы обработки информации и решения сложных вычислительных задач. 
Изучение данной темы открывает широкие возможности для научных исследований и практического применения квантовых технологий в искусственном интеллекте. 
 


1.1. Что такое квантовые вычисления? 
ТЕМА 1 
ОСНОВЫ  КВАНТОВОЙ  ИНФОРМАТИКИ 
1.1. Что такое квантовые вычисления? 
Представьте себе мир, где компьютеры могут решать сложные задачи, на решение которых классическим компьютерам потребовались бы 
миллионы лет, всего за несколько секунд. Этот мир – не плод научной 
фантастики, а новая реальность, называемая квантовыми вычислениями. 
Квантовые вычисления используют ошеломляющие явления квантовой 
механики (рис. 1.1) для выполнения вычислений, которые бросают вызов 
ограничениям классических вычислений. Квантовое превосходство означает момент, когда квантовый компьютер может превзойти самые совершенные классические суперкомпьютеры в решении конкретной задачи. 
Эта веха представляет собой решающий момент в развитии квантовых вычислений и свидетельствует о том, что они способны превзойти классические вычисления в различных приложениях. 
 
Рис. 1.1. Физический смысл битов и кубитов 
Чтобы достичь квантового превосходства, квантовый компьютер 
должен продемонстрировать способность выполнять вычисления, которые 
практически невозможно выполнить классическим компьютерам в разумные сроки. Это вычисление должно быть выбрано таким образом, чтобы 
использовать присущие квантовым вычислениям сильные стороны, такие 
как суперпозиция и запутанность, чтобы обеспечить экспоненциальное 
ускорение по сравнению с классическими методами. 
В 2019 г. Google заявила, что достигла квантового превосходства благодаря своему 53-кубитному квантовому процессору Sycamore, который 
 


выполнил конкретную задачу выборки случайных схем всего за три минуты - задачу, на которую у самого мощного классического суперкомпьютера ушли бы тысячи лет. Однако концепция квантового превосходства 
остается предметом дискуссий, поскольку ее определение и последствия 
продолжают изучаться в научном сообществе. Квантовые вычисления, по 
своей сути, основаны на квантовых битах или кубитах, которые являются 
фундаментальными единицами квантовой информации. В отличие от 
классических битов, которые могут представлять либо 0, либо 1, кубиты 
могут существовать в состоянии суперпозиции, что позволяет им находиться в нескольких состояниях одновременно. Это уникальное свойство 
кубитов открывает совершенно новые возможности для вычислений. 
Квантовые вычисления имеют интересную историю, которая берет 
свое начало в начале 1980-х гг. Известный физик Ричард Фейнман впервые предложил идею использования квантовых систем для моделирования 
физических процессов, что привело к появлению концепции квантового 
моделирования. Позже, в 1985 г., Дэвид Дойч предложил концепцию 
квантовой машины Тьюринга, заложив теоретическую основу для квантовых вычислений. 
В 1994 г. Питер Шор представил алгоритм Шора, новаторский квантовый алгоритм для разложения целых чисел на множители. Этот алгоритм продемонстрировал огромный потенциал квантовых вычислений, 
эффективно решив задачу, которая для классических компьютеров является экспоненциально сложной. Другой важной вехой стала разработка алгоритма поиска Гровера в 1996 г. Ловом Гровером. Этот алгоритм продемонстрировал, что квантовые компьютеры могут выполнять задачи неструктурированного поиска в квадратичном масштабе быстрее, чем классические алгоритмы. 
Чтобы лучше понять потенциал квантовых вычислений, важно сравнить их с классическими вычислениями, которые десятилетиями были основой обработки информации. Хотя классические компьютеры превосходно справляются со многими повседневными задачами, некоторые проблемы остаются неразрешимыми с точки зрения вычислений из-за их экспоненциальной сложности. Классические компьютеры полагаются на биты, представленные в виде 0 или 1, и используют логические элементы 


1.1. Что такое квантовые вычисления? 
для манипулирования данными и их обработки. Однако квантовые компьютеры используют свойства суперпозиции и запутанности кубитов для 
выполнения параллельных вычислений, потенциально обеспечивая экспоненциальное ускорение для определенных приложений. Важно отметить, 
что квантовые вычисления не заменяют классические вычисления, а дополняют их. Есть задачи, в которых классические компьютеры более эффективны, и есть задачи, в которых квантовые компьютеры дают значительное преимущество. Вся квантовая механика основана на принципе интерференции – наложении тех или иных амплитуд физических величин. 
Этот принцип имеет волновую природу, так ведут себя любые реальные 
волны: звуковые волны, радиоволны, световые волны и т.д. Опыты по интерференции света делал еще Ньютон, так что это свойство было известно 
еще давно, но только в 1923 г. французский ученый физик Луи де Бройль 
выдвинул гипотезу об универсальности корпускулярно-волнового дуализма. Де Бройль утверждал, что не только фотоны, но и любые другие материальные частицы (даже больших размеров) наряду с корпускулярными 
обладают также волновыми свойствами. В 1927 г. гипотеза де Бройля была подтверждена экспериментально и сейчас является фундаментом квантовой механики. Позднее выяснилось, что изменение во времени состояния  микрообъектов  подчиняется  линейным законам. Для описания таких 
состояний и свойств удобным оказался язык комплексных гильбертовых 
пространств. Этот аппарат содержит в себе ряд допущений и игнорирует 
целый ряд деталей, которые представляют интерес с точки зрения квантовой механики, но бесполезны с точки зрения теории квантовых вычислений. В 1926 г. немецкий физик М. Борн предположил, что произвольная 
микрочастица может быть описана с помощью так называемой волновой 
функции , определяющей амплитуду вероятности нахождения частицы в 
том или ином состоянии. Аргументом волновой функции является время, 
а также некоторый набор физических параметров, например, координат 
частицы. Физический смысл значения волновой функции (амплитуды вероятности) таков: квадрат модуля амплитуды определяет вероятность 
нахождения частицы в том или ином состоянии. Покажем, как исходя из 
приведенных выше рассуждений, появляется понятие квантового бита – 
кубита. Предположим, что для некоторой микрочастицы волновая функ
ция 
(
)
,x t

 зависит только от координаты и времени. Зафиксируем для 
начала времяс t и положим, что координата x может принимать только 
дискретные состояния из множества 

0,1 . Это соответствует случаю, когда частица может находиться в двух выбранных точках пространства. 
С точки зрения теории информации, такая частица способна кодировать 
1 бит информации. Введем две вспомогательные функции – 0  и 1 . Первая из них будет принимать единичное значение при x = 0, вторая – при 
x = 1. Тогда нетрудно видеть, что волновую функцию 
( )
x

 можно единственным образом представить в форме 
( )
0
1
x



=
+
.                                                 (1) 
Эта запись в точности соответствует разложению вектора двумерного 
комплексного пространства по базису 0  и 1 . Если к тому же положить, 
что эти базисные векторы являются единичными и ортогональными, то получится, что волновая функция есть вектор двумерного комплексного векторного пространства с выделенным ортонормированным базисом. Частицу, чье состояние описывается такой волновой функцией, будем называть 
квантовым битом или кубитом. Величины  и  в выражении (1) являются 
теми самыми амплитудами вероятности, о которых говорилось выше (в 
общем случае они являются комплексными). Здесь переходим к вопросу, 
решения которого, удовлетворяющего во всех отношениях, пока не найдено. Дело в том, что единственный способ узнать, в каком состоянии находится микрочастица – это измерить ее волновую функции. Измерение даст 
либо состояние 0  с вероятностью 
2
, либо 1  с вероятностью 
2
. Это в 
свою очередь накладывает на амплитуды нормирующее ограничение 
2
2
1


+
= .                                              (2) 
Таким образом, видно, что измерение квантовой функции есть вероятностный процесс. Но даже это не главное. Основное свойство измерения 
заключается в том, что оно разрушает квантовое состояние, проецируя 
волновую функцию на один из базисных векторов выделенного ортонормированного базиса. Рис. 1.2 поясняет этот факт. 


Доступ онлайн
350 ₽
В корзину