Инструмент для создания квантовых нейросетей
Старший преподаватель Московского автодорожного института (МАДИ) Цезарь Пронин разработал инструмент, который позволит квантовым компьютерам обучать нейросети более чем в 300 раз быстрее классических систем, пишет ТАСС, ссылаясь на сообщение Минобрнауки России.
«Исследователь предложил оригинальный способ создания "квантового оракула" — специального алгоритма-навигатора, который направляет вычисления сразу к правильному ответу, минуя долгий перебор вариантов. Это важный шаг на пути к созданию реальных прикладных квантовых нейросетей», — сказали представители министерства.
Ученый продолжит работу, чтобы найти способы устранить ограничения в применении нового подхода — масштабирование для 2-3-кубитных регистров, адаптация под симуляторы и NISQ-устройства (квантовые компьютеры промежуточного масштаба), а также для решения вопросов разрядности квантовой арифметики.
Ускорение в сотни раз
Для определения нужного ответа квантовому вычислителю, который в отличие от классического перебора, оценивает множество вариантов решения одновременно (алгоритм Гровера), нужен так называемый «оракул». Это математическая функция, которая распознает верное решение и совершает «поворот амплитуды» вероятности в его сторону, усиливая правильный сигнал.
Вспомогательные вычисления при этом необходимо «сворачивать» без потери информации. В этом заключается главная техническая сложность, то есть квантовые операции должны быть строго обратимыми.
Пронин предложил для решения этой задачи использовать в роли «оракула» обратимый квантовый умножитель. Ученый систематизировал матричный аппарат и построил квантовые аналоги базовых логических операций (NOT, AND, OR, XOR), а также полного сумматора. На базе этого подхода сформулирована концепция схем обучения базового элемента нейросети — квантового персептрона, где «оракул» строится на основе функции активации.
Расчеты показывают, что алгоритм Гровера с новым компонентом находит решение примерно в 326 раз быстрее классического перебора на примере 16-кубитного регистра. Это закладывает теоретический фундамент для того, чтобы будущие квантовые процессоры решали не абстрактные, а реальные прикладные задачи в промышленности и социальной сфере, обрабатывая огромные массивы данных за доли секунды, пояснили в Минобрнауки.
Скорость обучения имеет значение
Осенью 2025 года китайский ИИ-стартап DeepSeek выпустил большую языковую модель DeepSeek-V3.2-Exp и заявил, что интегрированный в нее подход позволил снизить стоимость эксплуатации вдвое, как писал Wall Street Journal. В начале 2025 г. выход на рынок DeepSeek-R1 вызвал обвал стоимости Nvidia за одну сессию почти на $600 млрд, так как будучи сопоставимой с разработками OpenAI, эта модель требует гораздо меньше затрат на обучение.
Российские разработчики заметно снизили стоимость использования языковых моделей по сравнению с октябрем 2025 г., рассказали CNews в Nodul в августе 2026 г. Однако если сравнивать их с зарубежными решениями того класса, с которыми российские разработчики сами сопоставляют свои LLM, российские модели по-прежнему могут стоить существенно дороже.
Например, у Alice AI LLM, которую разработчик сопоставляет с DeepSeek V3.1. Так, Alice AI LLM стоит 0,50 руб. за 1 тыс. входных и 1,20 руб. за 1 тыс. генерируемых токенов. DeepSeek V3.1 по официальному тарифу стоила около 0,048 и 0,143 руб. соответственно. Таким образом, российская модель обходится примерно в 10,5 раза дороже по входным и в 8,4 раза — по исходным токенам. YandexGPT 5.1 Pro стоит 0,80 руб. за 1 тыс. входных и генерируемых токенов, тогда как GPT-4.1 — около 0,17 руб. за входные и 0,68 руб. за генерируемые. В результате YandexGPT 5.1 Pro обходится примерно в 4,7 раза дороже GPT-4.1 по входным токенам и примерно на 17% дороже по выходным.
Поделиться
