Исследователи Autretech развивают новые математические подходы к машинному обучению на стыке AI, оптимизации и квантовой механики.
В ведущем научном журнале Physical Review E, в разделе “Computational Physics, Machine Learning and Artificial Intelligence”, опубликована работа “Semidefinite programming for quantum channel learning”, посвященная новому подходу к представлению знания в ML/AI.
Представление знание – ключевой элемент ML/AI определяющий качество обобщения данных.
Представление знания является ключевой и отличительной особенностью любой технологии ML/AI. Форма представления знаний определяет степень обобщения, которой способна достичь та или иная методика. В более широком смысле форму представления знаний можно рассматривать как вычислительную модель (computational framework). Так, такие методы машинного обучения, как статистическое обучение, логические подходы, машины опорных векторов (SVM), правила и деревья решений, нечеткая логика, нейронные сети и глубокое обучение, могут рассматриваться как различные формы вычислений. Процесс обучения заключается в построении модели на основе данных.
Квантовый канал как представление знания в ML/AI
Особый интерес представляет связь вычислений с квантовой механикой. Наиболее широко обсуждаемый подход заключается в сопоставлении вычислительной модели реальной квантовой системе, временная эволюция которой непосредственно выполняет вычисления (квантовые вычисления). Другой подход состоит в сопоставлении вычислительной модели квантовой системе, где представление знаний обычно имеет форму отображения квантового канала (quantum channel mapping), после чего вычисления выполняются на классическом компьютере.
В статье рассматривается именно второй подход. Показано, что задачу восстановления квантового канала по IN/OUT данным, в случае выбора определенного класса функций качества, можно свести к semidefinite programming — выпуклой задаче оптимизации. Это принципиально важно с вычислительной точки зрения: выпуклая постановка позволяет использовать надежные численные методы и искать глобальное решение, а не зависеть от случайной инициализации и локальных оптимумов.
Квантовый канал как альтернатива нейронным сетям
Этот подход имеет важное непосредственное практическое применение, поскольку позволяет построить альтернативную вычислительную модель, отличную от нейронных сетей.
Одна из главных сложностей с нейронными сетями — непонятная калибровка — нет ответа на вопрос какие преобразования входных данных не изменяют ответ. С учётом сильной вырожденности задачи проблема калибровки обычно решается очень большим увеличением количества обучающих данных. В случае использования квантового канала как представления знания в ML/AI задаче, калибровка становится понятной. Это позволяет оценить и в перспективе снизить до минимально необходимого количество данных используемых для обучения модели.
Авторы рассматривают квантовый канал как математическую модель преобразования данных, которую можно вычислять на обычном классическом компьютере. Таким образом, аппарат квантовой теории используется как новый способ представления знаний и построения алгоритмов машинного обучения.
Ценность исследования заключается в применении подхода к ряду задач:
- обучения преобразованиям по входным и выходным данным;
- выделения признаков и снижения размерности;
- восстановления проекционных операторов;
- кластеризации и идентификации отображений;
- построения новых архитектур ML/AI-моделей на основе преобразований матриц плотности.
Экспертиза, встроенная в продуктовую разработку, практическая значимость для Атретек.
Для Autretech эта публикация — не просто академический результат. Работа показывает уровень компетенций команды в областях, которые напрямую влияют на качество сложных цифровых продуктов:
математическая оптимизация → алгоритмы машинного обучения → численные методы → программная реализация → вычислительная эффективность.
Исследование было поддержано Autretech Group, а авторы отдельно благодарят специалистов R&D-подразделения компании за экспертизу, использованную в работе.
