Диссертация посвящена созданию квантовых алгоритмов для обучения нейронных сетей. Особенностью проведённых автором исследований является ориентир на полный перенос процесса обучения нейронной сети в квантовую схему.
Большинство работ в сфере квантового машинного обучению основаны на гибридном подходе, где квантовый компьютер
выполняет отдельную подзадачу процесса обучения. Подобные подходы обычно основаны на вариационных квантовых алгоритмах (VQA, VQC, VQE). Этот подход позволяет сделать схему компактной, но само по себе не делает её устойчивой к шуму, что наряду с использованием произвольных параметров для изменения угла поворота усложняет их внедрение в эру шумных квантовых вычислений.
В отличие от вариационных подходов, в данной работе основой предложенного метода обучения является алгоритм поиска Гровера, который в своём определении содержит метод для повышения достоверности получаемых решений в виде итераций Гровера.
Отличием предложенного алгоритма является функция оракул, которая выполняет процесс обучения end-to-end. Масштабируемость предложенного подхода демонстрируется на основе параметрически-синтезированных схем в независимой от пользователя среде IBM Quantum. Предлагаемые в работе подходы рассчитаны на перспективу появления квантовых вычислительных средств и совместимых архитектур высокой разрядности.