Гибридная архитектура с квантовой частью улучшила классификацию изображений на 50%

В июле 2026 года исследователи представили на arXiv гибридную систему для классификации изображений, сочетающую квантовый и классический компоненты через архитектуру mixture of experts. По результатам тестирования на наборах MNIST и Fashion-MNIST система снизила процент ошибок примерно вдвое и продемонстрировала, что квантово-вдохновленные подходы выходят за пределы теоретических исследований.

Как устроена гибридная система

Система разделена на две части. Квантовая часть кодирует изображение через amplitude encoding, применяет операции свёртки через локальные унитарные преобразования и обрабатывает данные несколькими экспертами с разными параметрами. Извлечение признаков выполняется с помощью квантовых stabiliser codes. Затем классическая часть объединяет результаты всех экспертов через полносвязную нейросеть для финальной классификации.

• Квантовая часть использует amplitude encoding для преобразования пиксельных данных
• Архитектура включает несколько экспертов, каждый обрабатывает изображение с разными параметрами
• Классическая часть комбинирует выводы всех экспертов в финальное предсказание
• На MNIST и Fashion-MNIST достигнуто снижение ошибок на ~50%
• GPU overhead остаётся приемлемым для практического применения на современных рабочих станциях

Результаты и практичность

Совместный анализ экспертов показал лучшие результаты, чем работа отдельных экспертов. Авторы подчеркивают, что накладные расходы их квантово-вдохновленной стратегии умеренны на GPU-рабочих станциях, что делает подход практичной альтернативой существующим классическим схемам. Кроме того, исследователи указывают, что квантовая часть фреймворка может быть выполнена на реальном квантовом процессоре — когда такое оборудование будет доступно.

Что это значит

Исследование демонстрирует, что гибридные квантово-классические архитектуры с mixture of experts начинают переходить из лабораторий в практические приложения. Благодаря умеренным накладным расходам подход уже сегодня работает на классических компьютерах, а при развитии квантовых процессоров может показать значительные преимущества.

Частые вопросы

Что такое mixture of experts в этом исследовании?

Несколько экспертов — в данном случае квантовых компонентов — обучаются на одних данных с разными параметрами. Каждый эксперт обрабатывает изображение независимо, а затем классическая нейросеть комбинирует их предсказания в финальный результат.

На каких наборах данных тестировали систему?

Исследователи использовали MNIST (рукописные цифры 28×28 пиксели) и Fashion-MNIST (изображения одежды того же размера) — стандартные эталонные наборы для задач классификации изображений.

Когда это можно будет использовать на реальных квантовых компьютерах?

Архитектура уже адаптирована для запуска на квантовых процессорах, но это требует развития соответствующего оборудования. На данный момент система практична для использования на классических GPU рабочих станциях.