Помогают защитить Большой Барьерный Риф с TensorFlow на Kaggle Присоединяйтесь вызов

Концепции квантового машинного обучения

Google, квант за-классический эксперимент использовал 53 шумные кубитов , чтобы продемонстрировать , что может выполнить расчет в 200 секунд на квантовом компьютере , который займет 10.000 лет на крупнейших классическом компьютере с использованием существующих алгоритмов. Это знаменует начало от шумного Intermediate-Scale Quantum (NISQ) вычислительной эры. Ожидается, что в ближайшие годы квантовые устройства с десятками и сотнями зашумленных кубитов станут реальностью.

Квантовые вычисления

Квантовые вычисления полагаются на свойства квантовой механики для решения задач, которые были бы недоступны для классических компьютеров. Квантовый компьютер использует кубитов. Кубиты как обычные биты в компьютере, но с добавлением возможности ввести в суперпозиции и доля запутывания друг с другом.

Классические компьютеры выполняют детерминированные классические операции или могут имитировать вероятностные процессы с использованием методов выборки. Используя суперпозицию и запутанность, квантовые компьютеры могут выполнять квантовые операции, которые трудно эмулировать в масштабе классических компьютеров. Идеи использования квантовых вычислений NISQ включают оптимизацию, квантовое моделирование, криптографию и машинное обучение.

Квантовое машинное обучение

Quantum машинного обучения (QML) строится на двух понятиях: квантовых данных и гибридных квантовоклассических моделей.

Квантовые данные

Квантовый данные любого источника данных , которое происходит в естественной или искусственной квантовой системы. Это может быть данные , полученные с помощью квантового компьютера, как образцы , собранных от процессора Платана для демонстрации Google в квантовом превосходстве. Квантовые данные демонстрируют суперпозицию и запутанность, что приводит к совместным распределениям вероятностей, для представления или хранения которых может потребоваться экспоненциальное количество классических вычислительных ресурсов. Эксперимент квантового превосходства показал, что можно брать выборку из чрезвычайно сложного совместного распределения вероятностей 2-53 гильбертова пространства.

Квантовые данные, генерируемые процессорами NISQ, зашумлены и обычно запутываются непосредственно перед измерением. Методы эвристического машинного обучения позволяют создавать модели, максимально увеличивающие извлечение полезной классической информации из зашумленных запутанных данных. Библиотека TensorFlow Quantum (TFQ) предоставляет примитивы для разработки моделей, которые распутывают и обобщают корреляции в квантовых данных, открывая возможности для улучшения существующих квантовых алгоритмов или открытия новых квантовых алгоритмов.

Ниже приведены примеры квантовых данных, которые можно сгенерировать или смоделировать на квантовом устройстве:

  • Химическое моделирование -экстракта информация о химических структур и динамики с потенциальными приложениями к материаловедению, вычислительной химии, вычислительной биологии и обнаружения наркотиков.
  • Квантовое значение моделирования -модели и дизайн высокой сверхпроводимости температуры или другие экзотические состояния материи , которая обладает многочастичными квантовыми эффектами.
  • Квантовый контроль -Hybrid квантовоклассических модель может быть вариационно обучена для выполнения оптимального управления с открытым или замкнутым контуром, калибровки и смягчения последствий ошибок. Сюда входят стратегии обнаружения и исправления ошибок для квантовых устройств и квантовых процессоров.
  • Сети Quantum связи -use машинного обучения различать среди неортогональных квантовых состояний, с применением для разработки и построения структурированных квантовых повторителей, квантовых приемников, а также установок очистки.
  • Квантовая метрология -квантовые повышенный высокоточные измерений , такие как квантовое зондирование и квантовая визуализация неотъемлемо сделаны на зондах , которые являются мелкими квантовыми устройствами и может быть сконструированы или улучшенными вариационными квантовыми моделями.

Гибридные квантово-классические модели

Квантовая модель может представлять и обобщать данные квантово-механического происхождения. Поскольку краткосрочные квантовые процессоры все еще довольно малы и шумны, квантовые модели не могут обобщать квантовые данные с использованием одних только квантовых процессоров. Процессоры NISQ должны работать вместе с классическими сопроцессорами, чтобы стать эффективными. Поскольку TensorFlow уже поддерживает гетерогенные вычисления на процессорах, графических процессорах и TPU, он используется в качестве базовой платформы для экспериментов с гибридными квантово-классическими алгоритмами.

Квантовый нейронная сеть (QNn) используется для описания параметризованных квантовую вычислительную модель , которая лучше всего выполняется на квантовом компьютере. Этот термин часто взаимозаменяем с параметризованной квантовой цепью (PQC).

Исследовать

Во время NISQ эпохи, квантовые алгоритмы с известными ускорений над классическими алгоритмами-как алгоритм факторинга Шора или алгоритм поиска Гровера -Есть пока не представляется возможным в значимых масштабах.

Цель TensorFlow Quantum - помочь обнаружить алгоритмы для эпохи NISQ, с особым интересом к:

  1. Используйте классическое машинное обучение для улучшения алгоритмов NISQ. Есть надежда, что методы классического машинного обучения могут улучшить наше понимание квантовых вычислений. В мета-обучения для квантовых нейронных сетей с помощью классических рекуррентных нейронных сетей , повторяющаяся нейронной сети (РНН) используется , чтобы обнаружить , что оптимизация параметров управления для алгоритмов , таких как QAOA и VQE являются более эффективными , чем просто с полки оптимизаторов. И машинное обучение для квантового контроля использования подкрепления к ошибкам СМЯГЧАТЬ помощь и производить более качественные квантовые ворота.
  2. Моделируйте квантовые данные с помощью квантовых схем. Классическое моделирование квантовых данных возможно, если у вас есть точное описание источника данных, но иногда это невозможно. Чтобы решить эту проблему, вы можете попробовать моделировать на самом квантовом компьютере и измерять / наблюдать важную статистику. Quantum сверточных нейронных сетей показывает квантовая схема разработана с структуру , аналогичную сверточного нейронной сети (CNN) для обнаружения различных топологических фаз материи. Квантовый компьютер хранит данные и модель. Классический процессор видит только образцы измерений из выходных данных модели и никогда не видит сами данные. В Robust перепутывания перенормировки на шумном квантовом компьютере , авторы учатся компресс информацию о квантовых систем многих тел с использованием модели DMERA.

Другие области, представляющие интерес в квантовом машинном обучении, включают: