Исследователи предложили метод стабилизации процесса обучения гибридных квантовых нейронных сетей (QNN), используемых для классификации белков. Основная сложность таких моделей заключается в том, что выходные данные квантовых измерений (логиты) ограничены диапазоном от -1 до 1. При использовании стандартной функции потерь кросс-энтропии в сочетании с нормализацией softmax это ограничение приводит к математической нестабильности и замедлению сходимости алгоритма.

Авторы работы проанализировали поведение функции потерь в режиме, где значения логитов искусственно ограничены физической природой квантовых операторов Паули. Выяснилось, что текущие методы нормализации не учитывают специфику квантовых измерений, что провоцирует резкие скачки градиентов и препятствует эффективному обучению глубоких архитектур. Предложенный подход позволяет адаптировать функцию потерь под специфические ограничения квантовых систем, сохраняя при этом точность классификации сложных биологических структур.

Результаты исследования показывают, что предложенная корректировка позволяет значительно повысить стабильность обучения без потери предсказательной способности модели. Это открывает возможности для более эффективного применения квантовых вычислений в задачах биоинформатики, где требуется обработка больших массивов данных с высокой точностью. Работа вносит вклад в развитие методов гибридного машинного обучения, объединяющего классические нейросетевые архитектуры с квантовыми вычислительными мощностями.