КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

 

ОБЩИЕ СВЕДЕНИЯ

---

Номер 19-71-10092

НазваниеМетоды машинного обучения для исследования многочастичных квантовых систем

РуководительФедоров Алексей Константинович, кандидат наук (признаваемый в РФ PhD)

Организация финансирования, регион Общество с ограниченной ответственностью "Международный центр квантовой оптики и квантовых технологий", Московская обл

Период выполнения при поддержке РНФ

07.2022 - 06.2024

Конкурс Конкурс на продление сроков выполнения проектов, поддержанных грантами Российского научного фонда по мероприятию «Проведение исследований научными группами под руководством молодых ученых» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными (41).

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах, 01-212 - Квантовые методы обработки информации

Ключевые словаКвантовые вычисления, квантовая обработка информации, квантовые симуляторы, фазовые переходы, многочастичные системы, алгоритмы оптимизации, алгоритмы отжига

Код ГРНТИ27.35.57

---

 

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

---

Аннотация
Одной из ключевых потребностей современного общества является эффективное решение сложных вычислительных задач. Несмотря на колоссальный успех в развитии вычислительных устройств, определенные классы вычислительных задач, таких как точное моделирование химических систем (например, больших молекул или химических реакций) или комбинаторная оптимизация, оказываются крайне сложными: требуемые ресурсы для их решения растут экспоненциально с увеличением размерности задачи. Наличие подобного класса трудных вычислительных задач мотивирует исследовать альтернативные физические подходы для их решения. Одним из таких подходов являются квантовые вычисления. Идея квантовых вычислений состоит в том, чтобы за счет управления индивидуальными квантовыми системами добиться ускорения в решении ряд задач. Предпосылкой для такой возможности является тот факт, что управление отдельными квантовыми системами позволяет создать конфигурации, для описания которых требуется экспоненциально большое количество параметров. Несмотря на значительный прогресс в области квантовых вычислений, ресурсы современных квантовых компьютеров достаточно ограничены. Класс существующих на сегодняшний день квантовых компьютеров часто называют NISQ (noisy intermediate-scale quantum), т.е. шумными квантовыми устройствами промежуточного масштаба. Ресурсов квантовых процессоров подобного класса недостаточно для решения востребованных практических задач, например, из области моделирования квантовых систем. Одним из наиболее активно развивающихся направлений последнего времени является квантовое машинное обучение. К области квантового машинного обучения относятся несколько направлений. Во-первых, применение методов классического машинного обучения для изучения сложных (многочастичных и взаимодействующих) квантовых систем. Во-вторых, квантовые вычисления могут ускорить отдельные элементы алгоритмов машинного обучения. В-третьих, ряд подходов для использования квантовых вычислений, прежде всего, квантовые вариационные алгоритмы, тесно связаны с классическими методами машинного обучения. Именно вариационные квантовые алгоритмы сегодня являются одним из наиболее продуктивных подходов для практического использования NISQ-устройств. Цель настоящего проекта состоит во всестороннем развитии направления квантового машинного обучения, прежде всего в направлении исследования сложных многочастичных систем и создания новых квантовых алгоритмов. Предлагаемый проект базируется на научной и методологической базе, которая была разработана в ходе реализации проекта в 2019-2022 гг., ключевыми результатами которого стали более эффективные методы квантовой томографии на основе машинного обучения, решения задач квантовой химии с помощью квантовых компьютеров, а также новые применения квантовых алгоритмов, в частности, для решения задач обработки генетических данных. Активное развитие квантовых технологий последние десятилетия в России и в мире указывает на высокую степень актуальности данных исследований. Первым направлением настоящего проекта является разработка методов анализа сложных квантовых систем на основе машинного обучения. Сложные – многочастичные и взаимодействующие – квантовые системы крайне затруднительны для анализа традиционными методами из-за экспоненциально растущего числа ресурсов, требуемых для их описания, при увеличении размерности системы. Вторым направлением проекта является реализация новых квантовых алгоритмов, прежде всего, в области машинного обучения, оптимизации и квантовой химии. Как поставленные задачи, так и ожидаемые результаты являются оригинальными, поэтому в рамках проекта представляют научную значимость как новые методы и подходы, новые объекты для исследования, так и непосредственно новизна полученных результатов. Проект носит теоретический характер, однако будут направлены усилия на выстраивание сотрудничества с экспериментальными группами для возможности апробации полученных результатов в реальных экспериментах.

Ожидаемые результаты
Ожидаемые результаты будут соответствовать мировому уровню исследований, обладать как фундаментальным, так и прикладным значением в области квантовых информационных технологий. Направление 1. Первым направлением настоящего проекта является разработка методов анализа сложных квантовых систем на основе машинного обучения. В рамках данного проекта предлагается комбинировать подходы на основе машинного обучения с успешным образом используемыми анзацами для описания квантовых систем, такими как тензорные сети и MPS-анзацы (matrix product state). На основе разработанных подходов предполагается развить набор инструментов для предсказания квантовой динамики, а также для эффективного решения задач управления квантовыми системами. Развитие вышеуказанных подходов и решение данного класса задач будет способствовать поиску более эффективных методов использования ресурсов существующих классов квантовых вычислительных устройств. Предполагается изучить возможность построения редуцированных (reduced-order model) моделей многочастичных квантовых систем на основе тензорных сетей. Такие модели могут быть построены как на основе эффективного анзаца, так и на основе экспериментальных данных. Разработанные модели предполагается использовать для построения эффективных методов управления многочастичными квантовыми системами. При этом задачи управления могут быть разнообразными, например, построение управления для минимизации свободной энергии системы (протокола «охлаждения»). В качестве основного объекта исследований предполагается рассматривать спиновые цепочки с взаимодействием. Интересной возможностью является изучение эффективности управления в различных режимах, например, при термализации и фазе многочастичной локализации (возможно также рассмотреть критически медленную термализацию). Планируется развивать направление, связанной с построением редуцированных (reduced-order model) моделей многочастичных квантовых систем на основе тензорных сетей с целью построения протоколов управления определёнными наблюдаемыми системы. Также планируется исследовать возможности использования более эффективных классических вычислительных методов, которые могут быть полезны при реализации квантовых алгоритмов управления. Особое внимание планируется уделить вопросу адаптивности данных протоколов управления (возможности за счет изучения динамики предлагать какие-то более эффективные стратегии в зависимости от условий), а также универсальности (применению к широкому классу физических платформ для реализации квантовых технологий, например, твердотельных, атомных, ионных и др). Планируется рассмотреть возможность использования алгоритмов управления для создания сложны многочастичных состояний. Для этого будет исследоваться парадигма систем с накачкой и диссипацией (driven-dissipative systems), в которых за счет баланса между ними можно добиваться возможности реализации интересных многочастичных эффектов. Направление 2. Вторым направлением проекта является реализация новых квантовых алгоритмов, прежде всего, в области машинного обучения. Одно из ключевых препятствий на пути к использованию существующих квантовых компьютеров является необходимость адаптации квантовых алгоритмов под ограниченные ресурсы аппаратной платформы. В этом направлении планируется активно развивать подходы на основе вариационных квантовых алгоритмов, а также исследовать возможность применения квантовых компьютеров для решения практических задач, например, из области оптимизации, моделирования и квантовой химии. В части реализации новых квантовых алгоритмов особенное внимание предполагается обратить на алгоритмы квантового машинного обучения. Более конкретно, планируется исследовать реализацию вариационных квантовых алгоритмов класса VQE в приложениях квантовой химии. Особое внимание планируется уделить вопросу снижения ресурсов при реализации алгоритмов VQE, например, числа операций и числа измерений. Также планируется разработать новые квантовые алгоритмы для решения прикладных оптимизационных задач класса QUBO. Одним из ключевых направлений станет развитие методологии, разработанной при реализации Проекта в 2019-2022 по сравнению различных инструментов для решения оптимизационных задач: классических, квантово-вдохновленных и квантовых. Планируется расширить класс решаемых прикладных задач квантовой оптимизации класса QUBO, например, из области логистики. Планируется исследовать классы биологических задач, связанных с моделями Изинга и моделью Поттса, в которых могут эффективно применяться квантовые алгоритмы. Планируется изучить возможность применения квантового машинного обучения для более широкого класса постановок задач генеративной химии. Планируется исследовать возможности квантовых алгоритмов VQE (и других гибридных методов) в задачах квантовой химии для эффективного моделирования молекул промежуточного масштаба. Полученные теоретические результаты, предложения и методы будут по возможности апробированы экспериментально с целью определения их практической осуществимости и технологического потенциала. Одной из возможностью апробации является использование доступных облачных платформ квантовых вычислений. Полученные теоретические результаты, предложения и методы будут апробированы экспериментально с целью определения их практической осуществимости и технологического потенциала.

---

 

ОТЧЁТНЫЕ МАТЕРИАЛЫ

---