Привет! Меня зовут Михина Полина, сейчас я аналитик в Cloud.ru, а в прошлом занималась разработкой противоопухолевых препаратов в ФИЦ ПХФ и МХ РАН. Этот опыт позволяет мне смотреть на развитие квантовых технологий, в частности на квантовое машинное обучение (QML), через призму конкретной проблемы, которую она может решить.
Ранее я убедилась, что процесс драг-дизайна устроен крайне сложно. Каждая потенциальная молекула — это месяцы расчетов, синтеза и экспериментов, где малейшая ошибка возвращает исследователя в начало. Квантовые методы, как QPE (Quantum Phase Estimation, алгоритм квантовой оценки фазы), могли бы радикально сократить этот цикл, позволяя моделировать взаимодействия молекул и их энергетические состояния с точностью, недостижимой для классических вычислений. Это особенно важно, когда сложность исследуемых систем растет, и приходится прибегать к приближениям, что снижает точность и увеличивает время вычислений.
В этой статье мы трезво посмотрим на QML: где оно уже работает (и работает ли?), с какими ограничениями сталкивается и что из этого может быть полезно IT-специалистам без громких заявлений о «квантовом будущем через наносекунду».
Кратко про квантовые вычисления
Чтобы эта оценка была понятна, стоит сделать шаг назад и ответить на главный вопрос: а в чем заключается принципиальное отличие квантовых вычислений? Что дает им эту потенциальную мощь для таких сложных задач, как драг-дизайн? Все начинается с основной единицы информации — кубита.
В отличие от классических битов (0 или 1), кубит может находиться не только в состояниях |0⟩ или |1⟩, но и в их линейной комбинации (суперпозиции), то есть как бы в обоих состояниях одновременно. 2 кубита в суперпозиции могут представлять 4 возможных состояния одновременно (00, 01, 10, 11), 3 кубита — 8 состояний и так далее, а в общем случае это можно представить в виде 2N, где N — число кубитов.
Перейдем ко второму ключевому принципу — квантовой запутанности. Это явление, при котором состояния двух или более кубитов становятся неразрывно взаимосвязанными. Результаты измерений над такими кубитами оказываются строго коррелированными, даже если их разнести на большое расстояние.
Именно эти два явления (суперпозиция и запутанность) порождают квантовый параллелизм. Они позволяют единственной квантовой схеме за один проход выполнить вычисление для множества возможных входных данных.
В конечном счете ценность для нас, исследователей, представляет не сам по себе набор всех возможных вариантов, а конкретный ответ на поставленный вопрос. И здесь в игру вступают специальные алгоритмы. Их задача — так организовать вычисления, чтобы в момент измерения мы получали не случайный шум, а наиболее вероятный и, что главное, верный результат.
Что такое QML
На практике квантовое машинное обучение (QML) обычно реализуется в виде гибридных схем: квантовый компьютер отвечает за специфические операции с кубитами, например, за работу с данными в многомерных пространствах, а классический — за управление, оптимизацию и обработку полученных данных. Глобально в области можно выделить три основных направления, о них я кратко расскажу ниже.
1. Универсальные квантовые вычисления
В этом подходе используются квантовые процессоры от таких компаний, как IBM, Google и IonQ, которые работают в тесной связке с классическими компьютерами. Квантовая часть системы берет на себя наиболее ресурсоемкие операции, например, работу с огромными пространствами признаков, а классический компьютер управляет процессом обучения, рассчитывает градиенты и обновляет параметры моделей.
Говоря о ML, cреди наиболее перспективных применений этого подхода можно выделить:
Квантовые ядра (quantum kernels) — метод, направленный на выявление сложных нелинейных зависимостей в данных, путем их преобразования в квантовые состояния в гильбертовом пространстве. Затем кубиты рассчитывают попарную схожесть этих состояний — значение квантового ядра, а уже на выходе получаются не сами данные, а мера их сходства, которую затем используют в классическом алгоритме машинного обучения.
Вариационные квантовые алгоритмы (VQE, QAOA) решают задачи оптимизации, например, поиск оптимального решения.
2. Квантовые симуляторы (quantum annealing)
Квантовые симуляторы решают задачи принципиально иным способом. Они используют механизм квантового отжига, при котором система эволюционирует к состоянию с минимальной энергией. Это возможно благодаря квантовому туннелированию. В отличие от классической частицы, квантовая система существует не в одной определенной точке, а в суперпозиции всех возможных состояний — она как бы «размазана» в пространстве решений. Эта «размазанность» означает, что система имеет ненулевую вероятность одновременно находиться по обе стороны энергетического барьера. При измерении она коллапсирует в оптимальное состояние, эффективно «просачиваясь» через барьеры, непреодолимые для классических алгоритмов.
Хотя в контексте QML квантовые симуляторы теоретически перспективны для оптимизации гиперпараметров, их практическая ценность все же ограничена, так как метод подходит лишь для узкого класса задач, кроме того, квантовое туннелирование повышает вероятность нахождения глобального минимума, но не дает абсолютной гарантии его достижения.
3. Квантовые нейронные сети (QNN)
QNN строятся на основе параметризованных квантовых схем (Parametrized Quantum Circuits, PQC), в таких сетях кубиты играют роль аналогов нейронов, а квантовые вентили с параметрами — аналогов весов. Каждый такой вентиль — это простая квантовая операция (например, поворот кубита), сила которой определяется числовым параметром — углом поворота. В процессе обучения алгоритм подбирает оптимальные значения этих параметров-углов — точно так же, как в классических нейросетях он подбирает весовые коэффициенты.
В таком процессе обычные данные сначала переводятся в квантовую форму, а затем кубиты проходят через цепочку квантовых операций, изменяющих их состояние. После измерения система возвращается в классическую форму, и полученный результат интерпретируется как предсказание модели.
Квантовые нейронные сети исследуются как потенциальный способ повысить эффективность алгоритмов машинного обучения. Но при обучении QNN возникает проблема «бесплодных плато» (barren plateaus), когда при достижения которого градиенты стремятся к нулю, что затрудняет поиск глобального минимума и эффективную оптимизацию параметров модели.
Основываясь на всем этом, может показаться, что реальное применение квантовых технологий — вопрос самого ближайшего будущего, и они уже стоят на пороге внедрения. Однако, наблюдая за развитием индустрии, я замечаю, что этот порог постоянно отодвигается. Исследователи сталкиваются с большим количеством технических ограничений: от шума и ошибок до сложности интерпретации квантовых моделей. Но, пожалуй, именно это и делает область такой увлекательной: возможно, мы становимся свидетелями рождения новой вычислительной технологии.
А теперь перейдем к практической стороне и посмотрим, каких результатов уже удалось достичь.
Где QML может найти применение
Химия и фармацевтика: ускоряем drug discovery
Квантовая химия — один из тех редких случаев, когда слово «квантовый» появилось задолго до хайпа. Она уже десятилетиями помогает моделировать электронные взаимодействия в молекулах: от простейших органических соединений до белков.
Например, метод Хартри–Фока давно стал классикой: он работает с приемлемой скоростью, но принципиально ограничен в точности, поскольку описывает электронные взаимодействия лишь в усредненном приближении и не учитывает корреляцию движения электронов.
Для повышения точности используют различные подходы:
Первый — теория функционала плотности (DFT). Она учитывает электронную корреляцию через выбранный функционал, что позволяет достичь существенно лучшей точности по сравнению с методом Хартри-Фока (HF). Вычислительная стоимость при этом возрастает умеренно, обычно в несколько раз.
Второй путь — пост-HF методы, такие как MP2 или CCSD(T). Они явно включают корреляционные поправки в волновую функцию, обеспечивая очень высокую точность. Однако это достигается ценой резкого роста вычислительной сложности (O(N⁵) и выше), что делает их не практичными для моделирования конформаций биомолекул.
На этом фоне квантовые вычисления выглядят как шанс не просто ускорить расчеты, а изменить саму логику моделирования. В 2024 году группа Li, Yin и соавторов представила гибридный пайплайн для drug discovery — A Hybrid Quantum Computing Pipeline for Real World Drug Discovery. В нем вариационные квантовые алгоритмы (VQE) используются для вычисления энергетических характеристик молекул, в частности энергии связей и электронных состояний, то есть фактически для оценки прочности связывания лекарства с мишенью в организме, а машинное обучение помогает обобщать результаты на больших наборах молекул.
Бизнес также инвестирует средства в эту технологию. Наиболее известным примером практической реализации служит работа компании IonQ в партнерстве с фармацевтическим гигантом AstraZeneca.
Их совместный проект был сфокусирован на реакции кросс-сочетания Сузуки–Мияуры, используемой для наращивания углерод–углеродных связей. В рамках этого сотрудничества был внедрен гибридный квантово-классический пайплайн, где квантовые алгоритмы, в частности VQE (Variational Quantum Eigensolver), используются для моделирования хода химической реакции. По сообщению IonQ, оптимизированный алгоритм позволил добиться 20-кратного ускорения в цикле исследований (IonQ Blog).
Полученные данные становятся основой для обучения классических ML-моделей, которые используют их для предсказания свойств и реакционной способности целых классов молекул.
Однако важно понимать: сегодня квантовые методы ускоряют лишь отдельные вычислительные этапы. Они пока неспособны заменить собой весь производственный цикл - от поиска мишени до испытаний готового препарата. Именно поэтому разговоры о революции в drug discovery пока преждевременны.
Говоря про эту сферу, я верю, что здесь технология может обеспечить действительно вдохновляющие результаты. Я убеждена, что в ближайший десяток лет мы станем свидетелями первых практических применений квантовых вычислений в докинге и фармацевтике в целом. Вряд ли это будут универсальные алгоритмы, скорее специализированные решения для отдельных классов задач, например, моделирования связей молекул с конкретными биологическими мишенями могут получить значительное ускорение.
Материаловедение: распознаем сложные фазы
Плавно перейдем в другую сферу — материаловедение. Здесь задача часто формулируется так: найти материал с заранее заданными свойствами, таких как сверхпроводники, способные функционировать при комнатной температуре. Современные аналоги требуют экстремального охлаждения, что ограничивает их практическое применение. Проблема в том, что свойства таких материалов определяются коллективным квантовым поведением бесчисленного количества электронов. Традиционные вычислительные подходы, основанные на классических суперкомпьютерах, оказываются неэффективными для точного моделирования этих взаимодействий: система перебирает экспоненциальное число конфигураций, что делает расчет практически невыполнимым.
Одним из первых по-настоящему рабочих экспериментов стал проект Herrmann et al (Nature Communications, 2022). Команда из Технического университета Мюнхена провела экспеример по реализации квантовой сверточной нейронной сети (QCNN, Quantum Convolutional Neural Network) на реальном железе — сверхпроводящем процессоре от IBM.
Несмотря на скромные вычислительные ресурсы в 7 кубитов (для сравнения, современные исследовательские процессоры имеют в районе сотни кубитов), система продемонстрировала способность к классификации симметрийно-защищенных топологических фаз — особых состояний материи, сохраняющих структурную память и устойчивых к локальным возмущениям. В условиях, где классические алгоритмы фиксировали преимущественно шумовые компоненты, QCNN выявила структурный порядок и корректно идентифицировала фазовые состояния.
Ключевой воодушевляющий результат — это устойчивость к шуму. Даже несмотря на ограниченное время, в течение которого кубиты могут сохранять свои квантовые состояния (длительность когерентности), сеть стабильно распознавала фазы, то есть особые «положения» кубитов, которые определяют, как они взаимодействуют друг с другом, влияя на итоговый результат. Иными словами, алгоритм показал возможность его применения в реальных, а не идеализированных условиях.
Эволюция подхода продолжилась в 2024 году, когда группа Song et al (Frontiers in Physics) представила Resource-Efficient QCNN (RE-QCNN) — своего рода лайт-версию сети. Оптимизация вклю��ала редизайн квантовой схемы, сокращение параметрического пространства и минимизацию использования двухкубитных гейтов — элементарных квантовых операций, которые обеспечивают взаимодействие между кубитами, но при этом вносят наибольшие ошибки. Результатом стала модель, адаптированная для развертывания на облачных платформах, что открывает перспективы для ее тестирования в задачах материаловедения.
Что касается моей позиции, я разделяю осторожный оптимизм в отношении перспектив этой области, как и в случае с квантовой химией, и очень надеюсь увидеть результаты.
Производство и логистика: оптимизация маршрутов и энергопотребления
Квантовое машинное обучение и алгоритмы вроде QAOA уже пробиваются в R&D-отделы реального бизнеса: там, где требуется оптимизация маршрутов (задача коммивояжера, только в масштабах целого города или орбитальной группировки спутников) и балансировка нагрузок в сложных сетях (например, в электросетях с кучей зарядок для электромобилей). Такие задачи формально сводятся к задачам комбинаторной оптимизации и для классических компьютеров эти проблемы относятся к классу NP-трудных: с ростом размера системы (числа узлов в сети или транспортных точек) время поиска точного решения растет экспоненциально. На практике это выливается в использование упрощенных моделей, которые не гарантируют нахождения глобального оптимума.
Тут как нельзя кстати пригождаются вариационные квантовые алгоритмы: Quantum Approximate Optimization Algorithm (QAOA) и Variational Quantum Eigensolver (VQE). Их архитектура предполагает разделение труда: квантовая схема на процессоре из нескольких десятков кубитов генерирует потенциальные решения, а классический оптимизатор на основе этих данных итеративно уточняет параметры схемы, стремясь минимизировать целевую функцию (например, общее расстояние маршрута или пиковое энергопотребление).
Наиболее заметный кейс — коллаборация Volkswagen Group и D‑Wave Systems. В 2017 году Volkswagen объявил о сотрудничестве с D‑Wave по оптимизации потоков такси в Пекине: согласно пресс‑релизу в первом исследовании использовались данные 10 000 такси, и они сообщили, что с помощью квантово‑аннелирующего алгоритма удалось «значительно сократить время поездок».
В 2019-м году Volkswagen запустил пилот в Лиссабоне: во время конференции Web Summit девять автобусов под управлением системы, включающей квантовый компонент, совершили 162 рейса по маршрутам, оптимизированным почти в реальном времени.
Здесь мне хочется сохранить здоровый скептицизм — все-таки это больше PR-история, а сами проекты пилотные, с ограниченным масштабом и контролем. При проведении эксперимента не учитывалось множество факторов, которые никуда не исчезают в реальной жизни, начиная от внезапных пробок, заканчивая гололедом.
А что в итоге с квантовым будущим
Если отбросить шумиху вокруг квантовых технологий, нынешнее состояние напоминает вторую половину прошлого века, когда создавались первые компьютеры: сначала были перфокарты и ламповые машины, потом транзисторы открыли путь к современным ПК. Сегодня происходит похожая гонка за «движок» квантовых компьютеров. На старте несколько конкурирующих подходов: сверхпроводники — как быстрые, но капризные моторы, ионы в ловушках — надежные, но медленные, и фотоны — легкие и гибкие, но их состояние трудно удерживать и заставить взаимодействовать. Пока неясно, какой из них станет основой массовых квантовых машин.
С одной стороны, мы видим реальные научные достижения и пилотные проекты, которые показывают, что гибридные квантово-классические алгоритмы уже могут давать измеримый результат. С другой стороны, массовое внедрение пока блокируют фундаментальные барьеры. Кубиты остаются крайне нестабильными: их состояние держится очень короткое время, операции чувствительны к шуму, возможна потеря информации и ошибки при измерении. К тому же инфраструктура дорога и сложна, лаборатории и производства не умеют интегрировать QML в существующие пайплайны, а большинство инвесторов не готовы вкладываться без гарантий быстрой монетизации.
Так что же делать IT-специалисту и компаниям сегодня
Не ждать чуда, но и игнорировать квантовые вычисления тоже нельзя: направление развивается, и полезно быть готовым.
Начать можно с малого:
Учить основы. Например, пройти интерактивные курсы IBM Quantum Learning и прочитать прекрасную статью моего коллеги вот здесь на Хабре, он на пальцах объяснил, как работают квантовые вычисления.
Экспериментировать в облаке. Попробовать квантовые симуляторы, например, в облаке Cloud.ru, Azure Quantum или с PennyLane — почувствовать, как работают кубиты и гейты, не покупая дорогой суперкомпьютер.
Включать квантовые вычисления в R&D-стратегию. Даже если пока речь идет о небольших экспериментах, это показывает готовность компании к новым технологиям.
И главное — не терять оптимизм, ну и, конечно, ждать свой квантовый скачок :)
Поделитесь в комментариях, что вы думаете по этому поводу, верите ли вы в квантовое будущее?