Если вы аналитик данных, ML- или DL-инженер, вы работаете в основном с традиционными метриками и статистиками, но у них есть квантовые аналоги, и они не «ждут в светлом будущем», а уже вычисляются одной строкой кода. Более того, на стыке квантовых вычислений и статистики сейчас существует открытая ниша целой дисциплины и это редкий случай, когда первопроходцем может стать не физик-теоретик, а практикующий специалист, работающий с данными.
Я провела систематический обзор того, что уже сделано: от документации библиотек до верифицированных индустриальных кейсов 2019–2026 годов. В этой статье выжимка: типология квантовых метрик, карта библиотек и разбор кейсов с цифрами.
Сначала разберемся со словами: «квантовая статистика»
Здесь легко попасть в терминологическую ловушку: словосочетание quantum statistics имеет два устоявшихся научных смысла.
Первый - квантовая статистическая механика: статистики Бозе–Эйнштейна и Ферми–Дирака, столетний фундамент физики.
Второй - квантовая теория статистических решений: различение квантовых состояний (граница Хелстрома), информационные пределы Холево, квантовые границы Крамера–Рао.
Например, в ноябре 2025 года вышла работа, радикально упрощающая задачу двухпараметрического квантового оценивания (arXiv:2511.14950). Простая формула для предельной точности. Авторы вывели новое, значительно более компактное выражение для минимально возможной среднеквадратичной ошибки при оценке двух параметров, закодированных в чистых квантовых состояниях. Эта минимальная ошибка и есть так называемая наиболее информативная граница Крамера-Рао (Cᴹᴵ, от англ. most informative). Раньше для ее вычисления приходилось решать сложную задачу оптимизации по всем возможным измерениям; новая формула сводит все к минимизации по одной переменной. Физики и инженеры получили простую в использовании формулу, чтобы быстро оценить, насколько точно они вообще могут измерить параметры в своей экспериментальной системе.
А в апреле 2025 года в журнале Encyclopedia (издательство MDPI) вышла энциклопедическая статья/обзор "Quantum-Inspired Statistical Frameworks: Enhancing Traditional Methods with Quantum Principles".
Статья предлагает перенести математические идеи из квантовой механики в обычную статистику без использования настоящих квантовых компьютеров или квантовых частиц. Такой подход называют quantum-inspired (квантово-вдохновленный).
Авторы берут пять фундаментальных понятий квантовой физики: суперпозицию, запутанность, измерение, волновые функции и матрицы плотности и показывают, как их математический аппарат может улучшить классическую статистику. В частности, они переформулируют пять ключевых распределений (нормальное, биномиальное, Пуассона, Стьюдента и хи-квадрат), добавляя в них:
комплексные амплитуды (вместо простых вероятностей),
фазовые множители,
интерференционные члены (когда «вероятности» могут усиливать или гасить друг друга),
операторные преобразования (динамическое изменение формы распределений).
Также они формулируют принципы квантово-вдохновленной статистики, которые могут служить руководством для практиков (в оригинале десять принципов; ниже, моя выжимка ключевых для практика идей).
По мнению авторов:
Стандартный инструментарий классической статистики слишком "жесткий". Она работает с вещественными вероятностями, предполагает независимость событий, линейные корреляции и одномодальные распределения. В реальности данные часто многомодальны, перекрываются и содержат нелинейные зависимости.
Квантовые аналоги позволяют моделировать «перекрывающиеся состояния». Например, вместо жесткого разбиения на кластеры (каждый объект только в одной группе) можно использовать «мягкое» разбиение, где объект одновременно принадлежит нескольким группам с разными весами, по аналогии с суперпозицией.
Интерференция помогает учитывать взаимное влияние гипотез. В классической проверке гипотез каждая гипотеза оценивается независимо. Квантово-вдохновленный подход позволяет моделировать, как одна гипотеза «вмешивается» в оценку другой, что полезно, например, в медицинской диагностике, когда симптомы перекрываются.
Запутанность может служить мерой корреляции. Вместо классической ковариации, которая ловит только линейные связи, «запутанностеподобные» меры могут улавливать скрытые нелинейные и фазочувствительные зависимости между переменными.
Предложенные распределения сохраняют классические среднее и дисперсию, но обретают новые свойства. Например, квантовое нормальное распределение может быть многомодальным за счет интерференции; квантовые аналоги биномиального и пуассоновского распределений могут моделировать зависимые испытания и события.
Нужна эмпирическая валидация. Авторы честно признают, что многие предложения пока носят теоретический характер, и призывают тестировать их на реальных больших данных.
По сути, авторы предлагают «расширить словарь» статистики за счет богатого математического аппарата квантовой механики, не требуя при этом квантового железа.
Где это потенциально может пригодиться?
Data Science и машинное обучение. Улучшение кластеризации (soft clustering - мягкая кластеризация), поиск скрытых паттернов в высокоразмерных данных, более гибкие вероятностные модели.
Компьютерное зрение и обработка сигналов. Сегментация изображений через суперпозицию состояний пикселей; разделение перекрывающихся аудиоисточников.
Телекоммуникации. Анализ трафика: квантовый аналог Пуассона как альтернативу существующим моделям пачечного (burst) трафика.
Финансы. Моделирование сложных корреляций между активами, риск-менеджмент, портфельная оптимизация. Квантовое распределение Стьюдента лучше, чем гауссовы модели, описывает «тяжелые хвосты» доходностей.
Медицина и здравоохранение. Диагностика с учетом перекрывающихся симптомов, анализ медицинских изображений (МРТ).
Генетика. Моделирование сцепленного наследования аллелей через квантовое биномиальное распределение с фазовыми множителями.
Климатология и экология. Учет пространственных корреляций и сложных обратных связей в климатических моделях.
Социальные науки и маркетинг. Сегментация клиентов с перекрывающимися интересами, анализ социальных сетей с учетом скрытых сообществ.
Однако до сих пор отсутствуют: единая типология метрик для сравнения квантово-вдохновленных моделей с классическими, вычислительный стандарт на базе реальных библиотек (вроде scikit-learn или PennyLane), систематические бенчмарки на больших датасетах и прикладные кейсы с валидацией. Концепция заявлена — дисциплина (прикладная квантовая статистика данных) как таковая не построена. А дисциплину, как показывает история (Фишер не изобрел вероятность, но создал статистику как математическую теорию), делают процедуры, инструменты и воспроизводимые результаты.
Систематизация, которой мне не хватало в литературе, разделение «квантовых метрик» на функциональные слои: в популярных текстах их смешивают, хотя они решают принципиально разные задачи. Этот пробел я и попробую закрыть. Предлагаю собственную типологию из четырех слоев. Сразу оговорюсь: четвертый слой относится только к физическим квантовым устройствам и приведен для полноты картины, чтобы показать, где заканчивается статистика данных и начинается физическая инженерия.
Типология «квантовых метрик»: три слоя вычисляемых величин + один аппаратный
Слой | Что измеряем | Примеры метрик | Аналог в классике |
|---|---|---|---|
1. Состояния и каналы | Близость квантовых состояний ρ, σ | Фиделити (fidelity), трассовое расстояние (trace distance), расстояние Буреса, квантовая относительная энтропия S(ρ ‖ σ) = Tr[ρ(lnρ - lnσ)] — аналог дивергенции Кульбака—Лейблера | Расстояния между распределениями, энтропия Шеннона |
2. Информационная геометрия | Геометрию параметрического семейства ρ(θ) | Квантовая информация Фишера (QFIM), метрика Фубини–Штуди (Fubini–Study), квантовый геометрический тензор | Матрица Фишера, информационная геометрия Амари |
3. Данные и модели | Сходство классических данных в квантовом представлении | Квантовые ядра k(x,x′)=Tr[ρ(x)ρ(x′)], где ρ(x) — состояние, полученное кодированием вектора x (такое ядро автоматически положительно определено); MMD с квантовым ядром, эффективная размерность | Ядра RBF, двувыборочные тесты, емкость моделей |
4. Оборудование | Качество самого квантового устройства | Фиделити гейтов, квантовый объем, рандомизированный бенчмаркинг, CLOPS (скорость выполнения схем), ошибки SPAM (state preparation and measurement), cross-entropy benchmarking (XEB, использовался Google для демонстрации квантового превосходства) | Метрология измерительного прибора |
Слой 3 — сердце будущей «квантовой статистики данных»: здесь квантовый аппарат работает с классическими данными, но без слоя 4 вы не можете доверять ни одному числу, полученному на реальном железе, так как шум устройства вносит и смещение, и дополнительный разброс, а попытка их охарактеризовать это сама по себе статистическая задача.
💡 Почему слой 4 важен для аналитики данных Если вы считаете фиделити состояний на идеальном симуляторе, то это алгебра. На реальном железе каждый запуск дает другой результат из-за шума и конечного числа измерений, и ваша метрика превращается в статистическую оценку с разбросом. Именно поэтому в Qiskit есть фейковые бэкенды (FakeBackend в qiskit-ibm-runtime — замороженная калибровка на определенную дату), они имитируют шумовую модель конкретного процессора, позволяя оценить разброс метрик еще до подачи задачи на квантовый компьютер. Для «квантовой статистики» это базовый набор: сначала симулятор с шумом, потом железо, затем error mitigation (ZNE, readout mitigation, PEC все есть в Qiskit Runtime через
resilience_levelи в библиотеке Mitiq).
Где это считать: карта библиотек
Инфраструктура зрелая. Все нижеперечисленное - open source, ставится через pip.
Qiskit (IBM) — фактический стандарт. Модуль quantum_info покрывает слой 1 из коробки:
state_fidelity,entropy,purity,concurrence,mutual_information, а такжеdiamond_norm(через SDP/CVXPY); трейс-дистанция считается вручную черезDensityMatrix. За «пятерку» по симуляторам отвечает qiskit-aer.Из прикладного — главное сегодня Qiskit Machine Learning: квантовые ядра (
FidelityQuantumKernel),QSVC/QSVR, qGAN как гибридный паттерн на связке с PyTorch черезTorchConnector(см. туториал по PyTorch qGAN). Важный сигнал: все прикладные модули (ML, Nature, Finance, Optimization) IBM перевела в организацию quiskit-community и активно развивается из них фактически только Machine Learning (релиз 0.9, декабрь 2025). IBM делает ставку на ядра и ML, косвенное подтверждение, что «квантовая статистика данных» лежит в фокусе индустрии.PennyLane (Xanadu) — лидер по геометрии и дифференцированию. qml.gradients.quantum_fisher и qml.gradients.classical_fisher считают матрицы Фишера квантовой модели (прежний модуль
qml.qinfoудален; функции переехали вqml.gradients), плюсqml.metric_tensorдля метрического тензора и все это поддерживает автоматическое дифференцирование через интерфейсы PyTorch, JAX и TensorFlow. Для DL-инженера это самый короткий путь, квантовый слой встраивается в привычный пайплайн какnn.Module.Cirq (Google) — живой и активно поддерживаемый Google Quantum AI фреймворк для NISQ-схем (v1.4+). А вот надстройка TensorFlow Quantum это гибридные квантово-классические модели прямо в Keras. Она функционально рабочая, но развивается медленно, с жесткой привязкой к legacy Keras 2, но белая книга TFQ остается хорошим введением в концепцию.
QuTiP — классика открытых квантовых систем; модуль metrics включает самый полный набор метрик состояний:
tracedist,bures_dist,bures_angle,fidelity, алмазная норма через SDP.CUDA-Q (NVIDIA) — гибрид QPU+GPU для промышленных конвейеров; именно на нем построен фарм-кейс IonQ/AstraZeneca, о котором ниже.
Mitiq — фреймворк-агностик поверх Qiskit/Cirq/PennyLane/Braket: ZNE, PEC, DDD из коробки. GitHub
И например, для аналитика данных здесь важно другое наблюдение: ни одна библиотека не покрывает весь стек, и не существует пакета «статистических процедур на квантовых метриках»: тестов, доверительных процедур, бенчмарков. Компоненты есть, методологии нет.
Квантовое ускорение статистики:
Самое зрелое и хорошо изученное доказанное ускорение — в задачах Монте-Карло-оценивания.
Классический Монте-Карло: чтобы оценить математическое ожидание с ошибкой ε, нужно N ~ 1/ε² выборок. Точность 10⁻⁴ — это порядка 10⁸ выборок.
Квантовая амплитудная оценка (QAE, Brassard et al., 2002) достигает той же ошибки за O(1/ε) вызовов оракула — квадратичное ускорение: 10⁻⁴ за ~10⁴ запросов вместо 10⁸ выборок. Это не эвристика, а теорема.
Константа в O(1/ε) велика, а глубина схемы растёт как O(1/ε), для ε=10⁻² это сотни когерентных итераций оракула, непосильных для сегодняшних NISQ-процессоров из-за декогеренции. Кроме того, загрузка произвольного распределения (amplitude encoding) требует O(2ⁿ) гейтов на n кубитах, фактически линейной по объему данных стоимости, что на практике уничтожает квадратичное ускорение, если распределение не задано компактной схемой. Но как статистическая асимптотика теорема незыблема, и именно асимптотика определяет, куда движется область.
Где это применяется: оценка финансовых рисков — VaR и CVaR сводятся к математическим ожиданиям по хвостам распределений (Woerner & Egger, npj Quantum Information, 2019). Честная оговорка: полное ускорение требует эффективной загрузки распределения в квантовое состояние (задача, для которой, кстати, и обучают qGAN) и отказоустойчивого железа. Но как статистическая конструкция QAE - это первый квантовый оценщик с доказуемым квадратичным преимуществом, и любая будущая «квантовая статистика» будет строиться вокруг него.
Кейсы: что уже работает и насколько честно
Верифицированные кейсы 2019–2026. Смотрите на последнюю колонку, статус важнее громкости заголовка.
Год | Домен | Метод | Результат | Статус |
|---|---|---|---|---|
2019 | ML | Квантовое ядро, вариационный классификатор | Первый эксперимент с квантовым feature space на железе IBM (Havlíček et al., Nature) | 🟡 Эксперимент |
2022 | Логистика | Квантовый отжиг (D-Wave), порт Лос-Анджелеса, Pier 300 | Краны: 60 → 97 контейнеров/сутки (+60%), ожидание грузовиков −12% (whitepaper SavantX, обзор) | 🟠 Пилот (требует независимой проверки, а так же вклад именно квантового отжига не изолирован) |
2024 | Физика | Квантовое ядро для поиска аномалий на БАК | Unsupervised kernel machine на 8 кубитах ibm_toronto; преимущество квантового ядра растет с запутанностью (arXiv:2301.10780) | 🟡 Эксперимент |
2024 | Медицина | Гибридная квантово-классическая генеративная модель | Лиганды к KRAS (исторически считавшейся недостижимой мишени, квантовая компонента показала результаты сопоставимые с классическим бейзлайном); синтезированы 15 кандидатов, найден pan-KRAS ингибитор с новым химотипом (arXiv:2402.08210) | 🟡 Экспериментальная валидация |
2025 | Химия/фарма | Гибрид QC-AFQMC + CUDA-Q | Реакция Сузуки–Мияуры на 24-кубитном IonQ Forte: time-to-solution >20×, с месяцев до дней, по сравнению с прежней реализацией квантово-классического воркфлоу (IonQ + AstraZeneca + AWS + NVIDIA) | 🟢 Демонстрация |
Две методологические детали, которые я считаю самыми ценными
Первая — из кейса БАК. Грам-матрица квантового ядра с шумного устройства не обязана быть положительно полуопределенной, и авторы проецируют ее на PSD-конус. Это ровно та «санация» выборочных ковариационных матриц, которую финансовые аналитики делают десятилетиями, просто перенесенная в квантовый контекст. В будущей дисциплине такие процедуры должны быть формализованы как стандартный этап пайплайна.
Вторая — из порта Лос-Анджелеса. Журналисты Quantum Computing Report задали правильный вопрос: а точно ли эффект от квантового компьютера? Ответ честный: вероятно, ключевой фактор это цифровой двойник терминала и выбор правильных KPI, а квантовый отжиг вызывался каждые ~10 секунд как решатель внутри зрелого пайплайна. Скептики идут дальше: whitepaper SavantX, не рецензируемая публикация, а по сути пресс-релиз, и львиная доля прироста могла быть достигнута классическими методами (MIP-солвером). Независимой проверки кейса нет, поэтому в таблице я ставлю статус «пилот», а не «производство», но сам факт встраивания квантового солвера в действующий промышленный пайплайн знаменателен: квантовый компонент выигрывает не «сам по себе», а внутри хорошо построенной аналитической системы.
А что с «железом»?
В ноябре 2025 IBM представила процессор Nighthawk — 120 кубитов, 218 настраиваемых каплеров (tunable couplers), схемы на ~30% сложнее предыдущего поколения, до 5000 двухкубитных гейтов; заявили о цели получить первые верифицированные случаи квантового преимущества к концу 2026 года и отказоустойчивость к 2029 (пресс-релиз IBM).
Квантовое преимущество, которое можно проверить
28 июля 2026 исследователи IBM и Чикагского университета выложили на arXiv препринт о новом способе проверки квантовых вычислений. 30 июля IBM выпустила пресс-релиз, представив это как демонстрацию «доверенного квантового преимущества».
Раньше, когда квантовый компьютер решал задачу, слишком сложную для классических суперкомпьютеров, проверить результат было невозможно и приходилось просто верить, что устройство не ошиблось. Авторы предложили структурировать схему так, чтобы она сама себя «проверяла»: дополнительные кубиты измеряли ошибки во время вычисления, а «плохие» запуски отбрасывались. Это позволило одновременно и подавить шум, и получить математическую гарантию точности.
Конкретика: на квантовом процессоре IBM запустили схему из 70 кубитов данных с 468 T-гейтами, используя 97 физических кубитов (включая 27 вспомогательных для контроля ошибок). Вычисление заняло около 15 минут. Получена нижняя граница точности 0,284 с 95% уверенностью, для классически сложной задачи это рекордно высокий показатель. (Примечание: в пресс-релизе IBM характеристики представлены в логических терминах, но физические параметры эксперимента, опубликованные в статье, именно 64+12 кубитов и 314 T-гейтов.)
Главное отличие от прежних экспериментов. Раньше точность оценивали косвенно, например, через cross-entropy benchmarking, который требует слепой веры в модель шума. Здесь же авторы сначала напрямую измерили точность «простой» версии схемы, а затем математически доказали, что добавление сложности (T-гейты) не может ухудшить результат сильнее определенного предела. Так результат перестает требовать «слепой веры» в процессор.
Параллельно существует квантово-вдохновленная линия, работающая на обычном железе уже сегодня: тензорные сети (MPS/TTN) для сжатия и анализа больших данных, операторные методы, та самая MDPI-рамка с «квантовыми» распределениями на ℝ. Для практика это означает: входить в тему можно без доступа к QPU вообще, симуляторы на 20–25 кубитов работают на ноутбуке.
Отдельно хотелось бы сказать про экономику доступа к железу, потому что она обычно остается за кадром. У меня был опыт получения исследовательского гранта на вычисления от IBM, и это стоит того, чтобы озвучить порядок цифр: тот крайне скромный по факту объем вычислений, который был выделен, в пересчете на рыночную стоимость облачного доступа к железу IBM обошелся бы примерно в 480 тыс. руб. Для корпоративного R&D-бюджета это приемлемо, но для энтузиаста-одиночки заметный порог входа. Отсюда практический вывод, который подтверждает главный тезис статьи: если вы хотите заниматься «квантовой статистикой данных» предметно, а не разово, разумный путь, начинать на симуляторах (они бесплатны и по многим задачам неотличимы от железа по результату) и переходить на реальный QPU только тогда, когда вопрос уже сформулирован достаточно точно, чтобы не тратить это время впустую.
Квантовая статистика данных — открытая ниша
Зрелая теория: квантовая статистическая механика; оценивание Хелстрома–Холево и QCRB; квантовая информационная геометрия; квантовая амплитудная оценка (QAE).
Активно развивается (методы и инструменты): квантовые ядра; генеративные модели (QCBM, qGAN); квантовый статистический вывод; квантовая теория обучения (PAC, VC); программные реализации метрик состояний и статмеханики.
Начальная стадия (доменные применения): QAE в финансах; квантово-вдохновленные статистические фреймворки; квантово-подобные вероятностные модели; практические применения генеративных моделей и информационной геометрии.
Открыто:
единая вычислительная дисциплина «квантовая статистика данных»;
пакета «статистических тестов и процедур на квантовых метриках» не существует;
манифеста с типологией не существует;
бенчмарк-набора «квантовые методы против классической статистики на честных протоколах» не существует.
Кто задает бенчмарки, тот владеет дисциплиной. ImageNet сделал компьютерное зрение, GLUE - NLP. У «квантовой статистики данных» своего GLUE пока нет. Представьте такой бенчмарк, классическая статистика (t-test, KS-тест, MMD с RBF) соревнуется с квантовыми ядрами и QAE на датасетах разной размерности и природы, при равном бюджете измерений (shots). Где квант побеждает? А где честно проигрывает? Ответы на эти два вопроса и есть карта будущей дисциплины.
Что можно сделать уже сегодня (без квантового компьютера)
Минимальный практический старт — диагностика модели через квантовую информацию Фишера в PennyLane. Оговорюсь сразу: ранг QFIM как индикатор емкости модели это установленный инструмент, а вот все, что ниже: три конкретных сценария применения и код, это мое предложение, а не сложившаяся практика.
Демонстрация ниже: датасет из 24 точек (make_moons), один сид, без повторов по разным инициализациям весов. Этого достаточно, чтобы показать идею и получить содержательные, статистически проверяемые числа по корреляции, но недостаточно, чтобы считать выводы окончательными, для рабочего пайплайна нужно усреднение по нескольким сидам.
Суть за 30 секунд
def make_circuit(n_qubits: int, n_layers: int): """Стандартный HEA с повторным кодированием данных. Кодирование необучаемое (requires_grad=False), поэтому в QFI попадают только вариационные параметры theta.""" dev = qml.device("default.qubit", wires=n_qubits) @qml.qnode(dev) def circuit(theta, x): th = theta.reshape(n_layers, n_qubits, 2) for l in range(n_layers): for q in range(n_qubits): qml.RY(x[q % len(x)], wires=q) # re-uploading for q in range(n_qubits): qml.RY(th[l, q, 0], wires=q) # вариационный блок qml.RZ(th[l, q, 1], wires=q) for q in range(n_qubits - 1): qml.CNOT(wires=[q, q + 1]) return qml.expval(qml.PauliZ(0)) return circuit def make_dataset(n_samples=24, noise=0.15, seed=42): """make_moons, масштабированный в [0, π] под angle encoding.""" X, y = make_moons(n_samples=n_samples, noise=noise, random_state=seed) X_scaled = (X - X.min(0)) / (X.max(0) - X.min(0)) * np.pi return pnp.array(X_scaled, requires_grad=False), y, X
Квантовая информация Фишера (QFI) позволяет оценить потенциал модели до первой эпохи обучения. Это не магия и не замена классическому EDA, а геометрическая диагностика. QFI измеряет, насколько сильно квантовое состояние реагирует на малейшее изменение весов. Высокий след QFI для точки данных, значит схема «напрягается», чтобы ее обработать: сложная зона для данной архитектуры. Низкий — схема равнодушна, точка проходит «мимо».
Три практических применения в привычном пайплайне
1. «Квантовая разведка» датасета на этапе EDA.
Прогоняем выборку через вариационную схему на случайных весах и считаем QFI для каждой точки. В моем эксперименте на make_moons (24 точки) корреляция Пирсона между QFI-чувствительностью точки и расстоянием до границы SVM составила 0.55 (p≈0.005). Ранговая корреляция Спирмена, более консервативная и устойчивая к нелинейности, дала 0.36 (p≈0.08 — порог 0.05 формально не пройден).
Расхождение это честный сигнал о нелинейности: связь есть, но она не монотонна. При n=24 выводы неустойчивы, поэтому высокий QFI - это приоритетный кандидат для проверки, а не гарантированно значимый сигнал.
2. Честный, training-free скрининг глубины.
def run_depth_scan(n_qubits, layer_list, X_scaled, seed=42): """Кубиты зафиксированы — меняется только число слоев. Изолирует эффект глубины от эффекта ширины схемы.""" results = [] for n_layers in layer_list: m = run_experiment(f"{n_layers}L", n_qubits, n_layers, X_scaled, seed=seed) results.append(m) return results # Пример: 4 кубита, от 1 до 6 слоёв depth_results = run_depth_scan(4, [1, 2, 3, 4, 6], X_scaled) # → прирост к предыдущему шагу: +11.2%, +3.5%, +3.2%, +2.6%
Сравнивать архитектуры по суммарному следу QFI это ошибка: след растет с числом параметров. Нужно сравнивать среднее по диагонали (след, деленный на N). При фиксированных 4 кубитах я прогнала схему от 1 до 6 слоев: прирост чувствительности на каждый дополнительный слой составил +11.2%, +3.5%, +3.2%, +2.6% это классическая кривая убывающей отдачи. Вывод не в духе «слои бесполезны», а практичнее: с некоторого момента (в этом эксперименте, уже начиная со второго слоя) каждый следующий слой дает все меньше выразительности на параметр. Порог, где остановиться, зависит от вашего бюджета, но сам скрининг занимает минуты на CPU вместо часов GPU на полное обучение каждого варианта.
3. Диагностика структуры чувствительности.
sens = np.diag(qfim) # вклад каждого параметра order = np.argsort(sens)[::-1] # сортировка по убыванию #Топ-5 самых чувствительных параметров в Standard NISQ: # L1-Q0-RY, L1-Q2-RY, L1-Q1-RY, L2-Q2-RY, L1-Q3-RY — все RY # Хвост: L1-Q2-RZ=0.44, L1-Q1-RZ=0.41, L1-Q0-RZ, L1-Q3-RZ=0.40 — все RZ
Диагональ QFI показывает вклад каждого обучаемого параметра. В моем эксперименте RY-повороты стабильно доминируют над RZ и это не признак вырождения архитектуры, а прямое следствие квантовой геометрии состояния перед гейтом: чувствительность к унитарному повороту RZ пропорциональна дисперсии генератора и падает, когда состояние кубита ориентировано ближе к полюсам сферы Блоха. Это полезный диагностический сигнал сам по себе: если бы иерархия была обратной или хаотичной, стоило бы проверить, не игнорирует ли схема часть своих параметров.
Проверка на баррен-плато
Средняя чувствительность во всех протестированных конфигурациях составляет от 8 до 48 параметров; от 1 до 6 слоев лежит в диапазоне 0.727–0.886, значительно выше эмпирического порога 0.05. Баррен-плато не обнаружено ни в одной из семи схем (три масштаба архитектуры плюс пять точек скрининга глубины), все они обучаемы.
Как это работает на практике
Все выполняется на ноутбуке через default.qubit - классический симулятор PennyLane, без доступа к IBM Quantum. Кодируем признаки в углы поворота кубитов (angle encoding) и пропускаем через вариационные слои с запутыванием это задает параметризованное квантовое состояние |ψ(θ,x)⟩. Именно к этому состоянию, а не к результату измерения, применяется qml.gradients.quantum_fisher. Измерение ожидаемого значения Паули-Z нужно лишь для того, чтобы QNode возвращал скаляр (так того требует синтаксис PennyLane), но сама матрица чувствительности от выбора наблюдаемой не зависит. След этой матрицы, деленный на число параметров и есть наш «индекс напряженности» схемы.
Полный воспроизводимый скрипт в репозитории по ссылке - https://github.com/onesmilla/quantum-statistics-of-data.
Еще один практический путь
Эксперименты с квантовыми генеративными моделями. Qiskit Machine Learning позволяет собрать qGAN для загрузки распределений в квантовое состояние (как гибридный паттерн поверх PyTorch, т.к. отдельный класс QGAN из старого API удален). Для аналитика данных это означает: можно уже сегодня сравнить, насколько эффективно квантовый генератор воспроизводит эмпирическое распределение ваших данных, и это станет первым кирпичиком в бенчмарке, которого пока нет.
Ранг QFIM и эффективная размерность модели (Abbas et al., 2021) — это уже работающий инструмент диагностики емкости квантовых и гибридных моделей, который не стандартизирован нигде. Тот, кто первым выпустит удобный инструментарий такой диагностики с методологией «как читать эти числа», сделает вклад, который будут цитировать.
Выводы
Инфраструктура готова: метрики состояний, информационная геометрия, квантовые ядра — все вычисляется в зрелых open-source библиотеках, на симуляторах — бесплатно.
Доказанное ускорение существует ровно в одном месте — QAE против Монте-Карло. Все остальное это эксперименты разной степени зрелости, и честность в этом вопросе это конкурентное преимущество, а не слабость.
Термин «квантовая статистика» занят дважды, а ниша «квантовая статистика данных» как вычислительная дисциплина, свободна: нет ни типологии, ни пакета процедур, ни бенчмарков.
Дисциплине нужны не столько новые теоремы, сколько инструменты, бенчмарки, визуализация и прикладные кейсы в реальных доменах.
Статья основана на систематическом обзоре документации (Qiskit, PennyLane, QuTiP, TFQ), рецензируемых публикаций (Nature, npj Quantum Information, arXiv) и верифицированных индустриальных кейсов; количественные данные приведены по первоисточникам на даты их публикации.
Сразу скажу, что результаты экспериментов на реальных и нетипичных данных будут отличаться от результатов на сгенерированных примерах, но в этом и суть экспериментов и обилие тем для будущих статей, в том числе и с описанием неудач. По всем вопросам можно обращаться по почте - info@qgtr.org.
