Conceitos de aprendizado de máquina quântica

Do Google quântica além-clássico experimento usado 53 qubits ruidosos para demonstrar que poderia executar um cálculo em 200 segundos em um computador quântico que levaria 10.000 anos na maior computador clássico usando algoritmos existentes. Isto marca o início do Noisy Intermediate-Scale Quantum (NISQ) era de computação. Nos próximos anos, espera-se que dispositivos quânticos com dezenas a centenas de qubits ruidosos se tornem realidade.

Computação quântica

A computação quântica depende das propriedades da mecânica quântica para calcular problemas que estariam fora do alcance dos computadores clássicos. Um computador quântico usa qubits. Qubits são como pedaços regulares em um computador, mas com a capacidade adicional para ser colocado em uma superposição e share emaranhamento com o outro.

Os computadores clássicos realizam operações clássicas determinísticas ou podem emular processos probabilísticos usando métodos de amostragem. Ao aproveitar a superposição e o emaranhamento, os computadores quânticos podem realizar operações quânticas que são difíceis de emular em escala com os computadores clássicos. As ideias para aproveitar a computação quântica NISQ incluem otimização, simulação quântica, criptografia e aprendizado de máquina.

Aprendizado de máquina quântico

Aprendizado de máquina quântica (QML) é construído em dois conceitos: dados quânticos e modelos quânticos-clássico híbridos.

Dados quânticos

Dados Quantum é qualquer fonte de dados que ocorre em um sistema quântico natural ou artificial. Isso pode ser dados gerados por um computador quântico, como as amostras recolhidas a partir do processador de Sycamore para a demonstração da supremacia quantum do Google. Os dados quânticos exibem superposição e emaranhamento, levando a distribuições de probabilidade conjuntas que podem exigir uma quantidade exponencial de recursos computacionais clássicos para representar ou armazenar. O experimento da supremacia quântica mostrou que é possível obter amostras de uma distribuição de probabilidade conjunta extremamente complexa de 2 ^ 53 no espaço de Hilbert.

Os dados quânticos gerados pelos processadores NISQ são ruidosos e normalmente emaranhados pouco antes de ocorrer a medição. As técnicas de aprendizado de máquina heurísticas podem criar modelos que maximizam a extração de informações clássicas úteis de dados emaranhados com ruído. A biblioteca TensorFlow Quantum (TFQ) fornece primitivos para desenvolver modelos que separam e generalizam correlações em dados quânticos - abrindo oportunidades para melhorar os algoritmos quânticos existentes ou descobrir novos algoritmos quânticos.

A seguir estão exemplos de dados quânticos que podem ser gerados ou simulados em um dispositivo quântico:

  • Simulação informações -Extrato química sobre estruturas químicas e dinâmicas com potenciais aplicações em ciência dos materiais, química computacional, biologia computacional, e descoberta de drogas.
  • Quantum importa simulação -Model e projetar a supercondutividade de alta temperatura ou outros estados exóticos da matéria que exibe efeitos quânticos de muitos corpos.
  • Modelos quânticos-clássica -Hybrid controlo Quantum pode ser variationally treinados para realizar um óptimo controlo de circuito fechado aberto ou, de calibração, e de mitigação de erro. Isso inclui estratégias de detecção e correção de erros para dispositivos quânticos e processadores quânticos.
  • Redes de comunicação quântica -Use máquina aprender a discriminar entre os estados quânticos não ortogonais, com aplicação à concepção e construção de repetidores quânticos estruturados, receptores quântica, e unidades de purificação.
  • Quantum metrologia -Quantum-enhanced medições de alta precisão tais como detecção quântica e imagiologia quântica são inerentemente Realizados em sondas que são dispositivos de pequena escala quântica e podem ser concebidos ou melhoradas por modelos quânticos variacional.

Modelos híbridos quânticos-clássicos

Um modelo quântico pode representar e generalizar dados com origem na mecânica quântica. Como os processadores quânticos de curto prazo ainda são bastante pequenos e barulhentos, os modelos quânticos não podem generalizar os dados quânticos usando apenas os processadores quânticos. Os processadores NISQ devem trabalhar em conjunto com os coprocessadores clássicos para se tornarem eficazes. Como o TensorFlow já oferece suporte à computação heterogênea em CPUs, GPUs e TPUs, ele é usado como a plataforma de base para fazer experimentos com algoritmos clássicos quânticos híbridos.

Uma rede neural quantum (QNN) é usado para descrever um modelo computacional quântico parametrizado que é melhor executado em um computador quântico. Este termo é muitas vezes intercambiável com circuito quântico parametrizado (PQC).

Pesquisar

Durante o NISQ-era, algoritmos quânticos com speedups conhecidos mais de algoritmos de como clássicos algoritmo de fatoração de Shor ou algoritmo de busca de Grover ainda não -são possível em uma escala significativa.

Um objetivo do TensorFlow Quantum é ajudar a descobrir algoritmos para a era NISQ, com interesse particular em:

  1. Use o aprendizado de máquina clássico para aprimorar os algoritmos NISQ. A esperança é que as técnicas clássicas de aprendizado de máquina possam aprimorar nossa compreensão da computação quântica. Em meta-aprendizagem para redes neurais quântica através de redes neurais recorrentes clássicos , uma rede neural recorrente (RNN) é usado para descobrir que a otimização dos parâmetros de controle para algoritmos como o QAOA e VQE são mais eficientes do que simples fora dos otimizadores de prateleira. E aprendizagem de máquina para controle quântico usa o reforço aprender a erros mitigar ajuda e produzir portas quânticas de maior qualidade.
  2. Modelar dados quânticos com circuitos quânticos. Classicamente, modelar dados quânticos é possível se você tiver uma descrição exata da fonte de dados - mas às vezes isso não é possível. Para resolver este problema, você pode tentar modelar no próprio computador quântico e medir / observar as estatísticas importantes. Quantum convolucionais redes neurais mostra um circuito quântico concebido com uma estrutura análoga a uma rede neural convolucional (CNN) para detectar diferentes fases topológicas da matéria. O computador quântico contém os dados e o modelo. O processador clássico vê apenas amostras de medição da saída do modelo e nunca os dados em si. Em renormalization emaranhamento robusta em um computador quântico barulhento , os autores aprender a informação compressa sobre sistemas de muitos corpos quânticos utilizando um modelo DMERA.

Outras áreas de interesse em aprendizado de máquina quântica incluem: