Квантово-гибридный фреймворк Q-MET сокращает затраты на обучение ИИ для Wi-Fi-распознавания действий на 95%
Исследователи разработали новый подход Q-MET (Quantum-Assisted Memory-Efficient Training) для обучения нейросетей, распознающих действия человека по Wi-Fi-сигналам. Метод призван решить проблему высокой вычислительной нагрузки при обучении и эксплуатации таких систем.
В классическом глубоком обучении требуется одновременное обновление миллионов параметров, что приводит к огромному расходу памяти. Вместо прямой оптимизации авторы предлагают использовать гибридную квантово-классическую сеть, которая генерирует параметры для основной модели. Это позволяет сократить количество обучаемых параметров на 90–95% по сравнению с традиционным обратным распространением ошибки, при этом точность классификации сохраняется или даже увеличивается.
Дополнительно для облегчения развертывания на устройствах с ограниченными ресурсами в процесс обучения встроено структурное прореживание. Оно обеспечивает разреженность модели на 75–85% с потерей точности менее 2%. Такая оптимизация уменьшает потребление памяти и ускоряет работу ИИ, что критично для реальных применений.
По заявлению авторов, это первая квантово-ассистированная техника, которая одновременно решает проблему неэффективного использования памяти и на этапе обучения, и на этапе вывода. Результаты опубликованы на портале препринтов arXiv и потенциально открывают путь для создания компактных систем интеллектуального мониторинга активности в умных домах и периферийных устройствах.
