Каждое письмо, сообщение в мессенджере или пакет данных, который мы отправляем, проделывает рискованный путь по открытому интернету. Его могут перехватить, задержать или вовсе заблокировать — особенно во время стихийных бедствий, войн или масштабных аварий. Десятилетиями инженеры пытались сделать связь надежнее и безопаснее, но все классические системы по-прежнему зависят от передачи сигналов: по кабелям, радиоканалам или через спутники.
А что, если обмен сообщениями вообще не нужен? Звучит как фантастика, но новое исследование показывает: координация возможна и без передачи данных — если на помощь приходит квантовая физика.
Исследователи из Virginia Tech предложили неожиданное решение, опирающееся на квантовую запутанность — одно из самых странных и контринтуитивных явлений современной физики. Их работа показывает, что группы ИИ-управляемых машин могут обучаться и действовать согласованно даже тогда, когда обычные каналы связи полностью недоступны.
Речь идет о многоагентных ИИ-системах — например, роях дронов или командах роботов. В классическом варианте такие системы постоянно обмениваются данными: кто что видит, куда летит, какое решение принял. Но в условиях лесных пожаров, разрушенной инфраструктуры или активного радиоэлектронного подавления связь легко теряется. До сих пор это означало почти гарантированный провал координации.
Как работает квантовая запутанность
Квантовая запутанность связывает частицы — например, кубиты (квантовые биты) — таким образом, что изменение состояния одной мгновенно отражается на другой, даже если они находятся далеко друг от друга. При этом между ними не передается сигнал в привычном смысле: никакой радиоволны или импульса в пространстве.
Именно на этом принципе построен новый подход, получивший название eQMARL (entangled quantum multi-agent reinforcement learning — «запутанное квантовое многоагентное обучение с подкреплением»).
«По сути, мы используем тот факт, что любое воздействие на одну половину пары кубитов вызывает изменение в другой. Нам не так важно, какое именно изменение произошло. Главное, что оно есть», — объясняет один из авторов работы, аспирант Virginia Tech Александр Дерийо.
Обучение без обмена данными
Обучение с подкреплением — это метод, при котором ИИ учится методом проб и ошибок, получая обратную связь от среды. В классических системах агенты должны передавать друг другу наблюдения или решения, чтобы действовать согласованно.
В eQMARL каждый агент получает набор запутанных кубитов. Когда агент взаимодействует с окружающей средой — что-то «видит», «слышит» или принимает решение, — он изменяет состояние своего кубита. Поскольку кубиты запутаны, аналогичные изменения появляются и у других агентов.
Ключевой момент: системе не нужно знать содержание изменений или передавать конкретные данные. Достаточно зафиксировать сам факт изменения квантового состояния. Измеряя его локально, каждый агент получает полезную информацию о коллективе — без единого отправленного сообщения.
При тестировании eQMARL сравнивали с традиционными методами ИИ и с квантовыми моделями без запутанности. Новый подход стабильно показывал лучшие результаты, особенно в сценариях с ограниченной или ненадежной связью. Проще говоря, когда «эфир молчит», квантовая запутанность продолжает работать.
Зачем это нужно
Потенциальные применения выглядят впечатляюще. В перспективе технология может помочь:
- координировать рои дронов при тушении лесных пожаров;
- управлять роботами в завалах после землетрясений;
- обеспечивать работу автономных систем в зонах, где связь потеряна или намеренно подавлена.
В более отдаленном будущем идея указывает на сверхзащищенные способы координации и взаимодействия, которые вообще не используют интернет и тем самым почти неуязвимы для взлома или слежки.
Но есть и серьезные ограничения. Поддерживать стабильную квантовую запутанность в реальных условиях по-прежнему сложно, а существующее квантовое оборудование остается громоздким и хрупким. По оценке Дерийо, до практических приложений — например, дронов для спасательных операций — еще около 10–15 лет.
Пока команда планирует углубить математическую основу метода и протестировать его в более реалистичных сценариях по мере развития квантовых технологий. Исследование опубликовано на платформе arXiv.
