Учёные из Имперского колледжа Лондона поставили под сомнение одно из самых привлекательных обещаний квантового машинного обучения — экспоненциальное ускорение некоторых задач ИИ. В статье, опубликованной 14 августа 2026 года в npj квантовой информации, Доминик Лоу, М.С. Ким и Роберто Бондесан показали, что для широкого класса сценариев квантовые алгоритмы Регрессии гауссовского процесса (GPR) теряют предполагаемое преимущество по мере роста объёма данных.
Регрессия гауссовского процесса — метод машинного обучения, который используется для прогнозирования и особенно ценится за способность оценивать неопределённость результата. Его слабое место — высокая вычислительная стоимость: стандартный классический подход с разложением Холецкого требует порядка O(m³) операций, где m — число обучающих точек. Именно поэтому GPR давно рассматривается как удобная цель для квантовых алгоритмов. Ранее были предложены методы, которые при определённых предположениях обещали резко сократить время вычислений. Например, работа Чжао, Фитцсимонса и Фитцсимонса предполагала возможность экспоненциального ускорения в отдельных случаях. Однако новая статья показывает, что критически важный параметр — число обусловленности матрицы ядра обычно растёт как минимум линейно вместе с размером набора данных.
Читайте также
BTC пытается закрепиться выше $64000: где находится зона ликвидности
Проще говоря, число обусловленности показывает, насколько «неудобна» матрица для вычислений: чем оно выше, тем сложнее устойчиво решить связанную с ней систему линейных уравнений. Многие квантовые алгоритмы выглядят чрезвычайно быстрыми только при условии, что этот показатель остаётся небольшим даже при увеличении объёма данных. Авторы доказывают, что для широкого класса распространённых матрицей ядра-функций такое предположение не выполняется. Это принципиально меняет картину. Время работы всех трёх рассмотренных квантовых алгоритмов GPR зависит от числа обусловленности. Если оно растёт вместе с m, логарифмическое преимущество исчезает. По расчётам авторов, лучшие из рассмотренных вариантов дают максимум переход примерно от O(m³) к O(m² log m) — то есть остаётся полиномиальное, а не экспоненциальное ускорение.
Особенно важно, что ограничение сохраняется даже если предоставить квантовому алгоритму доступ к QRAM — квантовой памяти, позволяющей быстро обращаться к данным. А ведь стоимость подготовки классической информации в квантовом виде давно считается одним из слабых мест квантового машинного обучения. Здесь проблема появляется независимо от этого вопроса. Причём эффект возникает ещё до учёта коррекции ошибок и других накладных расходов будущих отказоустойчивых квантовых компьютеров. Авторы отмечают, что в рассматриваемых условиях квантовые методы могут быть лишь ненамного быстрее стандартного классического подхода.
Выводы затрагивают не только Регрессией гауссовского процесса. Аналогичные ограничения авторы получили для регрессии ядра и квантовых вычислений опорных векторов. Теоретические результаты дополнительно проверили численно. Условия доказательств охватывают, в частности, популярные RBF, Matern — рациональные квадратичные ядра. При этом исследование не означает, что квантовое машинное обучение оказалось тупиком. Авторы оставляют пространство для преимуществ при неограниченных ядрах, нестандартно распределённых данных, специальных разреженных структурах и новых алгоритмах. Возможны и гибридные подходы с классическими методами предварительной обработки.
Главный результат работы скорее охлаждает ожидания: квантовый компьютер сам по себе не превращает тяжёлую задачу машинного обучения в мгновенную. Если структура данных заставляет ключевые параметры алгоритма ухудшаться с масштабом задачи, заявленное экспоненциальное ускорение может исчезнуть ещё на уровне математики — задолго до запуска реального квантового железа.
Меню 
Знания 
События 
Новости 
Курсы валют