Горизонты Событий

Полный выпуск подкаста «Горизонты событий» с Мариной Петраковой о кубитах, сверхпроводниках, криостатах, шуме, квантовой химии и реальных ограничениях квантовых компьютеров. Квантовое машинное обучение часто описывают красиво: квантовый компьютер работает в огромном пространстве состояний, а значит сможет находить закономерности, которые классическая нейросеть не видит. Но между красивой идеей и практикой стоит очень приземлённый вопрос: как вообще загрузить данные в квантовый компьютер? Это и есть одно из главных узких мест квантового ИИ. Обычная нейросеть получает изображение как массив чисел: пиксели, каналы, яркость, признаки. Текст превращается в токены и векторы. Таблица — в набор признаков. Классические компьютеры отлично умеют работать с такими данными. Квантовая схема напрямую так не работает. Чтобы обработать классические данные квантовым блоком, их надо закодировать в квантовое состояние. Например, через углы вращения кубитов, фазы, амплитуды или специальные feature maps. На

Полный выпуск подкаста «Горизонты событий» с Мариной Петраковой о кубитах, сверхпроводниках, криостатах, шуме, квантовой химии и реальных ограничениях квантовых компьютеров. Обычно вопрос ставят так: помогут ли квантовые компьютеры искусственному интеллекту? Но есть и обратная сторона: искусственный интеллект уже помогает самим квантовым компьютерам. Особенно там, где нужно бороться с ошибками. Это один из самых интересных поворотов темы. Классическая нейросеть может не заменять квантовый компьютер, а помогать ему стать надёжнее. Кубиты хрупкие. На них влияют шумы, дефекты материалов, неточные операции, ошибки измерения и взаимодействие с окружающей средой. Если квантовый компьютер должен выполнять длинные алгоритмы, ошибки нужно обнаруживать и исправлять. Для этого развивают квантовую коррекцию ошибок. Идея в том, чтобы закодировать один логический кубит во множество физических кубитов. Тогда система может заметить признаки ошибки и восстановить корректную логическую информацию. Но ес

Полный выпуск подкаста «Горизонты событий» с Мариной Петраковой о кубитах, сверхпроводниках, криостатах, шуме, квантовой химии и реальных ограничениях квантовых компьютеров. Когда люди слышат «квантовый ИИ», легко представить будущую нейросеть, которая работает не на GPU, а на квантовом компьютере и мгновенно отвечает лучше любого ChatGPT. Но это неправильное ожидание. Квантовое машинное обучение сегодня не про замену больших языковых моделей. Скорее это набор исследовательских подходов для узких задач, где квантовый блок может дополнить классическую модель. Большие языковые модели обучаются на огромных объёмах текста, кода и мультимодальных данных. Их сила — в масштабировании: гигантские датасеты, миллиарды параметров, GPU/TPU-кластеры, распределённое обучение, оптимизированная инфраструктура. Квантовые компьютеры сегодня совсем не похожи на такую инфраструктуру. У них мало качественных кубитов, есть шумы, ограничения по числу операций и дорогой доступ к железу. Даже если использоват

Полный выпуск подкаста «Горизонты событий» с Мариной Петраковой о кубитах, сверхпроводниках, криостатах, шуме, квантовой химии и реальных ограничениях квантовых компьютеров. Квантовые нейросети пока не стали массовой промышленной технологией. Но это не значит, что они существуют только в презентациях. Их уже тестируют в задачах, где классические модели работают хорошо, но исследователям и компаниям хочется проверить: можно ли выжать ещё немного качества? В выпуске Марина Быстрова приводит несколько понятных направлений: медицинские изображения, пожары, дефектоскопия материалов и промышленный контроль качества. Медицина — естественная область для экспериментов с гибридными моделями. Снимки МРТ, КТ, гистология, дерматоскопия — всё это сложные изображения, где ошибки дороги, а данные не всегда доступны в гигантских объёмах. Классические CNN уже давно применяются в медицинском анализе. Квантово-классические модели пробуют не заменить их полностью, а добавить квантовый блок: например, квант

Полный выпуск подкаста «Горизонты событий» с Мариной Петраковой о кубитах, сверхпроводниках, криостатах, шуме, квантовой химии и реальных ограничениях квантовых компьютеров. Современные нейросети любят большие данные. Чем больше качественных примеров, тем проще обучить модель. Но в медицине, промышленности и научных задачах часто всё наоборот: данные дорогие, редкие, шумные, плохо размеченные или просто недоступны в нужном объёме. Именно здесь исследователи смотрят в сторону гибридных квантово-классических моделей. Не потому, что они уже всё умеют, а потому что они могут предложить другой способ извлекать закономерности из малого набора признаков. В задачах компьютерного зрения классическая нейросеть может показать впечатляющий результат, если у неё есть много примеров. Но что делать, если снимков мало? Например, редкая медицинская патология, специфический дефект материала или аварийная ситуация, которую трудно собрать в датасет. Можно использовать аугментацию: поворачивать изображения

Полный выпуск подкаста «Горизонты событий» с Мариной Петраковой о кубитах, сверхпроводниках, криостатах, шуме, квантовой химии и реальных ограничениях квантовых компьютеров. Квантовая нейросеть — это не обязательно огромный квантовый компьютер, который целиком заменяет привычную модель. В реальных исследованиях чаще всё скромнее и интереснее: берут обычную нейросеть и добавляют в неё квантовый слой. Так появляется гибридная квантово-классическая модель. Одна часть работает как обычная нейросеть, другая — как параметризованная квантовая схема. У классической нейросети есть слои, через которые проходят данные. Например, изображение сначала превращается в набор чисел: пиксели, каналы, признаки. Дальше сеть последовательно обрабатывает эти признаки, меняя веса во время обучения. В гибридной модели часть этой цепочки можно заменить квантовым блоком. Классическая часть подготавливает признаки, затем они кодируются в квантовую схему: например, в углы поворота квантовых вентилей. После этого с

Полный выпуск подкаста «Горизонты событий» с Мариной Петраковой о кубитах, сверхпроводниках, криостатах, шуме, квантовой химии и реальных ограничениях квантовых компьютеров. Фраза «квантовый ИИ» звучит так, будто кто-то взял две самые громкие технологии последних лет и склеил их в один супертермин. Но за хайпом есть реальное научное направление: квантовое машинное обучение. Только оно не обещает завтра заменить ChatGPT, GPU и все дата-центры. Смысл гораздо тоньше: исследователи пробуют соединять классические нейросети и квантовые схемы, чтобы получить новые способы обработки данных в специальных задачах. В выпуске Марина Быстрова сразу уточняет терминологию. «Квантовый ИИ» звучит красиво, но точнее говорить о квантовом машинном обучении или гибридных квантово-классических нейросетях. Это важно. Искусственный интеллект — широкий зонтик: языковые модели, компьютерное зрение, рекомендательные системы, генеративные модели, классические алгоритмы машинного обучения. Квантовое машинное обуч

Болезнь Паркинсона обычно представляют как болезнь мозга. Дрожание рук, скованность движений, нарушение походки, проблемы с моторикой — всё это действительно связано с гибелью определённых нервных клеток. Но всё больше исследований показывает: история может начинаться не только в мозге. У части людей первые процессы, связанные с болезнью Паркинсона, могут затрагивать кишечник, автономную нервную систему и микробиом задолго до явных двигательных симптомов. Свежая работа в Nature Medicine добавляет к этой картине важную деталь. Исследователи показали, что изменения в кишечном микробиоме могут быть связаны не только с уже диагностированной болезнью Паркинсона, но и с повышенным риском её развития у людей без симптомов. Это не готовый тест из аптеки. Но это один из самых интересных путей к раннему обнаружению нейродегенеративных заболеваний. Одна из главных проблем болезни Паркинсона в том, что клинический диагноз часто появляется поздно. К моменту, когда у человека возникают очевидные дви

Марс называют Красной планетой не случайно. Его цвет во многом связан с оксидами железа — проще говоря, с марсианской «ржавчиной». Обычно это звучит как красивая деталь для школьного учебника: железо, пыль, красный оттенок. Но свежая работа показывает, что эта ржавчина может быть не просто цветом поверхности, а архивом древнего климата. Учёные изучили минерал гематит в образцах, которые марсоход Curiosity собрал в кратере Гейла. И оказалось, что важен не только сам факт наличия гематита, а размер крошечных кристаллитов внутри него. Эти размеры могут рассказать, при каких условиях минерал формировался: была ли вода, насколько долго она сохранялась, могла ли подземная среда оставаться тёплой и потенциально пригодной для химических процессов, связанных с обитаемостью. Звучит почти детективно: Марс давно высох, но его камни всё ещё хранят микроскопические следы того, каким он был. Гематит — это оксид железа. На Земле он хорошо известен геологам и встречается в разных условиях, часто связан

Полный выпуск подкаста «Горизонты событий» с Мариной Петраковой о кубитах, сверхпроводниках, криостатах, шуме, квантовой химии и реальных ограничениях квантовых компьютеров. В новостях о квантовых компьютерах легко запутаться. Одна компания говорит о десятках кубитов, другая — о сотнях, третья — о тысячах. Возникает простой вопрос: если кубитов у кого-то уже тысячи, почему мы всё ещё не живём в эпоху универсальных квантовых компьютеров? Ответ в том, что «кубит» и «квантовый компьютер» бывают разными. Особенно хорошо это видно на примере D-Wave и квантового отжига. Квантовый отжиг — это специализированный подход к оптимизационным задачам. Представьте сложный рельеф с холмами и долинами. Нужно найти самую глубокую долину — состояние с минимальной энергией, которое соответствует хорошему решению задачи. В классической оптимизации похожая идея называется имитацией отжига: система постепенно «остывает», стараясь уйти из плохих локальных минимумов и найти более хороший минимум. В квантовом о