در سمپوزیوم زنان در ML در 7 دسامبر شرکت کنید هم اکنون ثبت نام کنید

مفاهیم یادگیری ماشین کوانتومی

با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

گوگل کوانتومی فراتر کلاسیک آزمایش مورد استفاده قرار 53 کیوبیت پر سر و صدا برای نشان دادن آن می تواند یک محاسبه در 200 ثانیه بر روی یک کامپیوتر کوانتومی که 10000 سال در بزرگترین کامپیوتر کلاسیک با استفاده از الگوریتم های موجود را انجام دهد. این نشانه آغاز از پر سر و صدا متوسط در مقیاس کوانتومی (NISQ) محاسبه دوران. در سال های آینده ، انتظار می رود دستگاه های کوانتومی با دهها تا صدها کیوبیت پر سر و صدا به واقعیت تبدیل شوند.

محاسبه کوانتومی

محاسبه کوانتومی برای محاسبه مسائلی که برای کامپیوترهای کلاسیک دور از دسترس است ، به ویژگی های مکانیک کوانتومی متکی است. یک کامپیوتر کوانتومی با استفاده از کیوبیت. کیوبیت مانند بیت به طور منظم در یک کامپیوتر می باشد، اما با توانایی اضافه شده به توان به انطباق و سهم گرفتاری با یکدیگر قرار داده است.

رایانه های کلاسیک عملیات کلاسیک قطعی را انجام می دهند یا می توانند از فرایندهای احتمالی با استفاده از روش های نمونه گیری استفاده کنند. با استفاده از ترکیب و درهم تنیدگی ، رایانه های کوانتومی می توانند عملیات کوانتومی را انجام دهند که شبیه سازی آن در مقیاس سخت با کامپیوترهای کلاسیک دشوار است. ایده هایی برای استفاده از محاسبات کوانتومی NISQ شامل بهینه سازی ، شبیه سازی کوانتومی ، رمزنگاری و یادگیری ماشین است.

یادگیری ماشین کوانتومی

اطلاعات کوانتومی و مدل کوانتومی کلاسیک ترکیبی کوانتومی یادگیری ماشین (QML) بر اساس دو مفهوم ساخته شده است.

داده های کوانتومی

اطلاعات کوانتومی هر منبع داده که در یک سیستم کوانتومی طبیعی یا مصنوعی رخ می دهد است. این می تواند داده های تولید شده توسط یک کامپیوتر کوانتومی، مانند نمونه از جمع آوری پردازنده چنار برای تظاهرات گوگل از برتری کوانتومی. داده های کوانتومی روی هم قرار گرفتن و درهم تنیدگی را نشان می دهند ، که منجر به توزیع احتمالی مشترک می شود که برای نمایش یا ذخیره به مقدار نمایی از منابع محاسباتی کلاسیک نیاز دارد. آزمایش برتری کوانتومی نشان داد که می توان از یک توزیع احتمالی مشترک بسیار پیچیده از فضای هیلبرت 2^53 نمونه برداری کرد.

داده های کوانتومی تولید شده توسط پردازنده های NISQ پر سر و صدا هستند و معمولاً درست قبل از اندازه گیری درهم پیچیده می شوند. تکنیک های یادگیری ماشینی اکتشافی می توانند مدل هایی را ایجاد کنند که حداکثر استخراج اطلاعات مفید کلاسیک از داده های درهم و برهم پر سر و صدا را به حداکثر برساند. کتابخانه TensorFlow Quantum (TFQ) ابتدایی را برای توسعه مدلهایی ارائه می دهد که همبستگی در داده های کوانتومی را از هم جدا کرده و عمومیت می بخشد - فرصت هایی را برای بهبود الگوریتم های کوانتومی موجود یا کشف الگوریتم های کوانتومی جدید فراهم می کند.

موارد زیر نمونه هایی از داده های کوانتومی هستند که می توانند در دستگاه کوانتومی تولید یا شبیه سازی شوند:

  • شبیه سازی اطلاعات -Extract شیمیایی مورد ساختار شیمیایی و دینامیک با کاربردهای بالقوه به علم مواد، شیمی محاسباتی، زیست شناسی محاسباتی، و کشف مواد مخدر است.
  • ماده کوانتوم شبیه سازی و طراحی -Model ابررسانایی دمای بالا و یا دیگر کشورهای عجیب ماده که در نمایشگاه اثرات کوانتومی بسیاری از بدن.
  • کنترل کوانتومی مدل کوانتومی کلاسیک -hybrid می توان variationally آموزش دیده برای انجام کنترل بهینه باز و یا حلقه بسته، کالیبراسیون، و کاهش خطا. این شامل استراتژی های تشخیص و اصلاح خطا برای دستگاه های کوانتومی و پردازنده های کوانتومی است.
  • شبکه های ارتباطی کوانتومی استفاده یادگیری ماشین به اعمال تبعیض میان حالتهای کوانتومی غیر متعامد، با نرم افزار به طراحی و ساخت و ساز از تکرار ساختار کوانتومی، گیرنده کوانتومی، و دستگاه تصفیه.
  • کوانتومی اندازه شناسی -Quantum پیشرفته اندازه گیری با دقت بالا مانند سنجش از کوانتومی و تصویربرداری کوانتومی ذاتا در بازرسی ها که دستگاه های کوانتومی در مقیاس کوچک هستند و می تواند طراحی شده و یا بهبود یافته با مدل های کوانتومی تغییرات انجام می شود.

مدلهای ترکیبی کوانتوم کلاسیک

یک مدل کوانتومی می تواند داده ها را با منشا مکانیکی کوانتومی نشان داده و تعمیم دهد. از آنجا که پردازنده های کوانتومی کوتاه مدت هنوز نسبتاً کوچک و پر سر و صدا هستند ، مدل های کوانتومی نمی توانند داده های کوانتومی را تنها با استفاده از پردازنده های کوانتومی تعمیم دهند. پردازنده های NISQ باید برای هماهنگ شدن با پردازنده های کلاسیک هماهنگ عمل کنند. از آنجا که TensorFlow در حال حاضر از محاسبات ناهمگن در CPU ها ، GPU ها و TPU ها پشتیبانی می کند ، از آن به عنوان بستر اصلی برای آزمایش الگوریتم های ترکیبی کوانتوم کلاسیک استفاده می شود.

یک شبکه عصبی کوانتومی (QNN) برای توصیف یک کوانتوم مدل محاسباتی پارامتری است که بهترین در یک کامپیوتر کوانتومی اجرا می شود. این اصطلاح اغلب با مدار کوانتومی پارامتر (PQC) قابل تعویض است.

پژوهش

در طول NISQ دوران، الگوریتم های کوانتومی با افزایش سرعت شناخته شده نسبت به الگوریتم مانند کلاسیک الگوریتم عامل شور و یا الگوریتم جستجوی استیفن گراور در مقیاس معنی دار، آیا هنوز امکان پذیر نیست.

هدف TensorFlow Quantum کمک به کشف الگوریتم های دوران NISQ است ، با علاقه خاصی در موارد زیر:

  1. از یادگیری ماشین کلاسیک برای افزایش الگوریتم های NISQ استفاده کنید. امید است که تکنیک های یادگیری ماشین کلاسیک بتواند درک ما از محاسبات کوانتومی را افزایش دهد. در متا یادگیری برای شبکه های عصبی کوانتومی از طریق شبکه های عصبی راجعه کلاسیک ، یک شبکه عصبی راجعه (RNN) استفاده شده است به کشف کنند که بهینه سازی پارامترهای کنترلی برای الگوریتم های مانند QAOA و VQE کارآمدتر از ساده کردن بهینه قفسه. و یادگیری ماشین برای کنترل کوانتومی استفاده می کند تقویت یادگیری به اشتباهات کاهش کمک و تولید دروازه کوانتومی با کیفیت بالاتر.
  2. مدل سازی داده های کوانتومی با مدارهای کوانتومی اگر توصیف دقیقی از منبع داده داشته باشید ، مدل سازی کلاسیک داده های کوانتومی امکان پذیر است - اما گاهی اوقات این امکان پذیر نیست. برای حل این مشکل ، می توانید از خود کامپیوتر کوانتومی مدل سازی کنید و آمارهای مهم را اندازه گیری/مشاهده کنید. کوانتومی کانولوشن شبکه های عصبی نشان می دهد یک مدار کوانتومی با یک شبیه ساختار یک شبکه عصبی کانولوشن (سی ان ان) برای تشخیص مراحل مختلف توپولوژیکی از ماده طراحی شده است. کامپیوتر کوانتومی داده ها و مدل را نگه می دارد. پردازنده کلاسیک فقط نمونه های اندازه گیری را از خروجی مدل می بیند و هرگز خود داده ها را نمی بیند. در بازبهنجارش گرفتاری مقاوم بر روی یک کامپیوتر کوانتومی پر سر و صدا ، نویسندگان به اطلاعات فشرده در مورد بسیاری از سیستم بدن کوانتومی با استفاده از یک مدل DMERA یاد بگیرند.

سایر زمینه های مورد علاقه در یادگیری ماشین کوانتومی عبارتند از: