Квантовая запутанность помогает играть в пинг-понг экспресс
В пинг-понге две ракетки, связанные невидимой нитью, чувствуют движения друг друга, угадывая траекторию мяча. Исследователи наделили компьютер подобием такой нити — квантовой запутанностью. В обычную программу, которая учится на ошибках, встроили квантовую схему из восьми кубитов — частиц, способных крутиться подобно монетке на ребре. Когда их запутывают (Джон Белл показал странность этого эффекта), они становятся одним целым: толкните один — отзовутся все. Эта схема служила «глазами» алгоритма, превращая пиксели экрана в понятные сигналы.
Натяжение нити подстраивали прямо в игре, усиливая связь. И запутанный игрок обошёл обычные нейросети, особенно в нехватке ресурсов. Он различал скрытые узоры в движениях соперника, недоступные простым программам. Нить вибрировала, передавая информацию быстрее любых гравитационных волн, а её притяжение собирало кубиты воедино, словно миниатюрная чёрная дыра. Удивительно, что для такой связи потребовалось охладить чип почти до абсолютного нуля — температуры более низкой, чем в межзвёздном пространстве.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2603.10289
Whether uniquely quantum resources confer advantages in fully classical, competitive environments remains an open question. Competitive zero-sum reinforcement learning is particularly challenging, as success requires modelling dynamic interactions between opposing agents rather than static state-action mappings. Here, we conduct a controlled study isolating the role of quantum entanglement in a quantum-classical hybrid agent trained on Pong, a competitive Markov game. An 8-qubit parameterised quantum circuit serves as a feature extractor within a proximal policy optimisation framework, allowing direct comparison between separable circuits and architectures incorporating fixed (CZ) or trainable (IsingZZ) entangling gates. Entangled circuits consistently outperform separable counterparts with comparable parameter counts and, in low-capacity regimes, match or exceed classical multilayer perceptron baselines. Representation similarity analysis further shows that entangled circuits learn structurally distinct features, consistent with improved modelling of interacting state variables. These findings establish entanglement as a function resource for representation learning in competitive reinforcement learning.
Чтобы запутать кубиты в лаборатории, часто охлаждают чипы почти до абсолютного нуля — холоднее, чем в открытом космосе.
Эта работа напоминает идею из романа «Игра Эндера», где искусственный интеллект учится, анализируя поведение людей в стратегических играх.