Джозефсоновская микросхема научила квантовую память предсказывать будущее

Исследователи из МФТИ и Сколтеха разработали квантовый «рекуррентный» алгоритм для предсказания числовых последовательностей.
Квантовая рекуррентная нейросеть (QRNN) обучена на реальных сверхпроводниковых процессорах с искусственными атомами-трансмонами.
QRNN сравнивается с компактными классическими архитектурами на задаче машинного обучения.
Квантовый процессор может предложить практически работающее решение для задач обработки данных в эпоху NISQ-устройств.
Исследователи использовали архитектуру QRNN для предсказания атмосферного давления на реальных данных.
QRNN показывает хорошие результаты, сравнимые с компактными классическими моделями, на некоторых задачах.
Исследование демонстрирует возможность обучения параметризованных квантовых схем на реальных квантовых процессорах.
Перспективы дальнейших исследований включают ускорение обучения и расширение выходного пространства модели.