Квантовый сверхклассический эксперимент Google использовал 53 шумных кубита, чтобы продемонстрировать, что он может выполнить расчет за 200 секунд на квантовом компьютере, который занял бы 10 000 лет на самом большом классическом компьютере с использованием существующих алгоритмов. Это знаменует начало эры шумных квантовых вычислений промежуточного масштаба (NISQ). Ожидается, что в ближайшие годы квантовые устройства с десятками-сотнями шумных кубитов станут реальностью.
Квантовые вычисления
Квантовые вычисления опираются на свойства квантовой механики для решения задач, которые были бы недоступны для классических компьютеров. Квантовый компьютер использует кубиты . Кубиты подобны обычным битам в компьютере, но с дополнительной способностью помещаться в суперпозицию и переплетаться друг с другом.
Классические компьютеры выполняют детерминированные классические операции или могут эмулировать вероятностные процессы, используя методы выборки. Используя суперпозицию и запутанность, квантовые компьютеры могут выполнять квантовые операции, которые трудно имитировать в масштабе классических компьютеров. Идеи по использованию квантовых вычислений NISQ включают оптимизацию, квантовое моделирование, криптографию и машинное обучение.
Квантовое машинное обучение
Квантовое машинное обучение (QML) построено на двух концепциях: квантовых данных и гибридных квантово-классических моделях .
Квантовые данные
Квантовые данные — это любой источник данных, который встречается в естественной или искусственной квантовой системе. Это могут быть данные, сгенерированные квантовым компьютером, например, образцы, собранные процессором Sycamore для демонстрации квантового превосходства Google. 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 по квантовому превосходству показал, что можно осуществлять выборку из чрезвычайно сложного совместного распределения вероятностей гильбертова пространства 2^53.
Квантовые данные, генерируемые процессорами NISQ, зашумлены и обычно запутаны непосредственно перед началом измерения. Эвристические методы машинного обучения могут создавать модели, которые максимизируют 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. Извлекайте информацию о химических структурах и динамике с потенциальным применением в материаловедении, вычислительной химии, вычислительной биологии и разработке лекарств.
- Моделирование квантовой материи. Моделирование и проектирование высокотемпературной сверхпроводимости или других экзотических состояний материи, которые демонстрируют квантовые эффекты многих тел.
- Квантовое управление. Гибридные квантово-классические модели можно вариативно обучать для выполнения оптимального управления с разомкнутым или замкнутым контуром, калибровки и уменьшения ошибок. Сюда входят стратегии обнаружения и исправления ошибок для квантовых устройств и квантовых процессоров.
- Квантовые коммуникационные сети. Используйте машинное обучение для распознавания неортогональных квантовых состояний с применением для проектирования и создания структурированных квантовых повторителей, квантовых приемников и блоков очистки.
- Квантовая метрология . Высокоточные измерения с квантовым усилением, такие как квантовое зондирование и квантовая визуализация, по своей сути выполняются на зондах, которые представляют собой небольшие квантовые устройства и могут быть спроектированы или улучшены с помощью вариационных квантовых моделей.
Гибридные квантово-классические модели
Квантовая модель может представлять и обобщать данные квантовомеханического происхождения. Поскольку квантовые процессоры ближайшего будущего все еще довольно малы и шумны, квантовые модели не могут обобщать квантовые данные, используя только квантовые процессоры. Чтобы добиться эффективности, процессоры NISQ должны работать совместно с классическими сопроцессорами. 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.
Квантовая нейронная сеть (QNN) используется для описания параметризованной квантовой вычислительной модели, которую лучше всего выполнять на квантовом компьютере. Этот термин часто взаимозаменяем с параметризованной квантовой схемой (PQC).
Исследовать
В эпоху NISQ квантовые алгоритмы с известным ускорением по сравнению с классическими алгоритмами, такими как алгоритм факторизации Шора или алгоритм поиска Гровера , пока еще невозможны в значимых масштабах.
Цель TensorFlow Quantum — помочь найти алгоритмы эпохи NISQ, с особым интересом к:
- Используйте классическое машинное обучение для улучшения алгоритмов NISQ. Есть надежда, что методы классического машинного обучения помогут улучшить наше понимание квантовых вычислений. В метаобучении квантовых нейронных сетей с помощью классических рекуррентных нейронных сетей рекуррентная нейронная сеть (RNN) используется для обнаружения того, что оптимизация параметров управления для таких алгоритмов, как QAOA и VQE, более эффективна, чем простые готовые оптимизаторы. А машинное обучение для квантового управления использует обучение с подкреплением, чтобы уменьшить количество ошибок и создать квантовые вентили более высокого качества.
- 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 смоделировать на самом квантовом компьютере и измерить/наблюдать важную статистику. Квантовые сверточные нейронные сети представляют собой квантовую схему, имеющую структуру, аналогичную сверточной нейронной сети (CNN), для обнаружения различных топологических фаз материи. Квантовый компьютер хранит данные и модель. Классический процессор видит только выборки измерений из выходных данных модели и никогда не видит сами данные. В книге «Надежная перенормировка запутанности на шумном квантовом компьютере » авторы учатся сжимать информацию о квантовых системах многих тел с помощью модели DMERA.
Другие области интересов в области квантового машинного обучения включают в себя:
- Моделирование чисто классических данных на квантовых компьютерах.
- Классические алгоритмы, вдохновленные квантовой механикой.
- Контролируемое обучение с помощью квантовых классификаторов .
- Адаптивное послойное обучение для квантовой нейронной сети.
- Изучение квантовой динамики .
- Генеративное моделирование смешанных квантовых состояний .
- Классификация с помощью квантовых нейронных сетей на процессорах ближнего действия .