مفاهیم یادگیری ماشین کوانتومی

آزمایش کوانتومی فراتر از کلاسیک گوگل از 53 کیوبیت پر سر و صدا استفاده کرد تا نشان دهد که می تواند محاسبه ای را در 200 ثانیه روی یک کامپیوتر کوانتومی انجام دهد که با استفاده از الگوریتم های موجود، 10000 سال در بزرگترین رایانه کلاسیک طول می کشد. این نشان‌دهنده آغاز دوران محاسباتی کوانتومی مقیاس متوسط ​​نویز (NISQ) است. انتظار می‌رود در سال‌های آینده، دستگاه‌های کوانتومی با ده‌ها تا صدها کیوبیت پر سر و صدا به واقعیت تبدیل شوند.

محاسبات کوانتومی

محاسبات کوانتومی برای محاسبه مسائلی که برای کامپیوترهای کلاسیک دور از دسترس هستند، به ویژگی‌های مکانیک کوانتومی متکی است. یک کامپیوتر کوانتومی از کیوبیت ها استفاده می کند. کیوبیت‌ها مانند بیت‌های معمولی در یک کامپیوتر هستند، اما با این قابلیت اضافه شده که در یک برهم نهی قرار می‌گیرند و درهم تنیدگی را با یکدیگر به اشتراک می‌گذارند.

کامپیوترهای کلاسیک عملیات کلاسیک قطعی را انجام می دهند یا می توانند فرآیندهای احتمالی را با استفاده از روش های نمونه گیری تقلید کنند. با مهار برهم نهی و درهم تنیدگی، رایانه‌های کوانتومی می‌توانند عملیات کوانتومی را انجام دهند که شبیه‌سازی آن‌ها در مقیاس با رایانه‌های 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

یادگیری ماشین کوانتومی (QML) بر اساس دو مفهوم ساخته شده است: داده های کوانتومی و مدل های کوانتومی-کلاسیک ترکیبی .

داده های کوانتومی

داده های کوانتومی هر منبع داده ای است که در یک سیستم کوانتومی طبیعی یا مصنوعی رخ می دهد. این می تواند داده های تولید شده توسط یک کامپیوتر کوانتومی باشد، مانند نمونه هایی که از پردازنده Sycamore برای نمایش برتری کوانتومی گوگل جمع آوری شده است. داده‌های کوانتومی برهم‌نهی و درهم‌تنیدگی را نشان می‌دهند که منجر به توزیع‌های احتمال مشترک می‌شود که می‌تواند به مقدار نمایی از منابع محاسباتی کلاسیک برای نمایش یا ذخیره نیاز داشته باشد. آزمایش برتری کوانتومی نشان داد که می‌توان از یک توزیع احتمال مشترک بسیار پیچیده از فضای هیلبرت 2^53 نمونه‌برداری کرد.

داده‌های کوانتومی تولید شده توسط پردازنده‌های NISQ نویز دارند و معمولاً درست قبل از انجام اندازه‌گیری درهم می‌آیند. تکنیک‌های یادگیری ماشین اکتشافی می‌توانند مدل‌هایی ایجاد کنند که استخراج اطلاعات کلاسیک مفید را از داده‌های درهم‌تنیده پر سر و صدا به حداکثر می‌رسانند. کتابخانه TensorFlow Quantum (TFQ) مقدماتی را برای توسعه مدل‌هایی فراهم می‌کند که همبستگی‌ها را در داده‌های کوانتومی تفکیک و تعمیم می‌دهند - فرصت‌هایی را برای بهبود الگوریتم‌های کوانتومی موجود یا کشف الگوریتم‌های کوانتومی جدید باز می‌کند.

در زیر نمونه هایی از داده های کوانتومی قابل تولید یا شبیه سازی بر روی یک دستگاه کوانتومی آورده شده است:

  • شبیه سازی شیمیایی - استخراج اطلاعات در مورد ساختارهای شیمیایی و دینامیک با کاربردهای بالقوه در علم مواد، شیمی محاسباتی، زیست شناسی محاسباتی و کشف دارو.
  • شبیه‌سازی ماده کوانتومی - ابررسانایی در دمای بالا یا دیگر حالت‌های عجیب و غریب ماده که اثرات کوانتومی چند جسمی را نشان می‌دهد، مدل و طراحی کنید.
  • کنترل کوانتومی - مدل‌های کلاسیک کوانتومی ترکیبی را می‌توان برای انجام کنترل بهینه حلقه باز یا بسته، کالیبراسیون و کاهش خطا آموزش داد. این شامل استراتژی های تشخیص و تصحیح خطا برای دستگاه های کوانتومی و پردازنده های کوانتومی است.
  • شبکه‌های ارتباطی کوانتومی - از یادگیری ماشین برای تمایز بین حالت‌های کوانتومی غیرمتعامد، با کاربرد برای طراحی و ساخت تکرارکننده‌های کوانتومی ساختاریافته، گیرنده‌های کوانتومی و واحدهای تصفیه استفاده کنید.
  • اندازه‌گیری کوانتومی - اندازه‌گیری‌های کوانتومی با دقت بالا، مانند سنجش کوانتومی و تصویربرداری کوانتومی، ذاتاً روی کاوشگرهایی انجام می‌شوند که دستگاه‌های کوانتومی در مقیاس کوچک هستند و می‌توانند توسط مدل‌های کوانتومی متغیر طراحی یا بهبود یابند.

مدل های ترکیبی کوانتومی کلاسیک

یک مدل کوانتومی می تواند داده ها را با منشاء مکانیکی کوانتومی نمایش و تعمیم دهد. از آنجایی که پردازنده های کوانتومی کوتاه مدت هنوز نسبتا 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. پردازنده‌های NISQ باید در هماهنگی با پردازنده‌های کمکی کلاسیک کار کنند تا مؤثر واقع شوند. از آنجایی که TensorFlow در حال حاضر از محاسبات ناهمگن در میان CPU ها، GPU ها و TPU ها پشتیبانی می کند، به عنوان پلتفرم پایه برای آزمایش الگوریتم های ترکیبی کوانتومی-کلاسیک استفاده می شود.

یک شبکه عصبی کوانتومی (QNN) برای توصیف یک مدل محاسباتی کوانتومی پارامتری که به بهترین وجه بر روی یک کامپیوتر کوانتومی اجرا می‌شود، استفاده می‌شود. این اصطلاح اغلب با مدار کوانتومی پارامتری (PQC) قابل تعویض است.

پژوهش

در طول دوره NISQ، الگوریتم‌های کوانتومی با سرعت‌های شناخته‌شده نسبت به الگوریتم‌های کلاسیک - مانند الگوریتم فاکتورسازی Shor یا الگوریتم جستجوی گروور - هنوز در مقیاس معنی‌دار امکان‌پذیر نیستند.

هدف TensorFlow Quantum کمک به کشف الگوریتم‌های مربوط به دوران NISQ است، با توجه به موارد زیر:

  1. از یادگیری ماشین کلاسیک برای بهبود الگوریتم های NISQ استفاده کنید. امید این است که تکنیک‌های یادگیری ماشینی کلاسیک بتوانند درک ما از محاسبات کوانتومی را افزایش دهند. در فرایادگیری برای شبکه‌های عصبی کوانتومی از طریق شبکه‌های عصبی بازگشتی کلاسیک ، از یک شبکه عصبی بازگشتی (RNN) برای کشف اینکه بهینه‌سازی پارامترهای کنترلی برای الگوریتم‌هایی مانند QAOA و VQE کارآمدتر از بهینه‌سازهای ساده خارج از قفسه استفاده می‌شود. و یادگیری ماشین برای کنترل کوانتومی از یادگیری تقویتی برای کمک به کاهش خطاها و تولید دروازه های کوانتومی با کیفیت بالاتر استفاده می کند.
  2. مدل سازی داده های کوانتومی با مدارهای کوانتومی مدل‌سازی کلاسیک داده‌های کوانتومی در صورتی امکان‌پذیر است که توصیف دقیقی از منبع داده داشته باشید - اما گاهی اوقات این امکان پذیر نیست. برای حل این مشکل می توانید مدل سازی را روی خود کامپیوتر کوانتومی امتحان کنید و آمارهای مهم را اندازه گیری/مشاهده کنید. شبکه‌های عصبی کانولوشن کوانتومی یک مدار کوانتومی را نشان می‌دهند که با ساختاری مشابه با شبکه عصبی کانولوشن (CNN) طراحی شده است تا فازهای توپولوژیکی مختلف ماده را شناسایی کند. 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 نرمال سازی مجدد درهم تنیدگی قوی در یک کامپیوتر کوانتومی پر سر و صدا ، نویسندگان یاد می گیرند که اطلاعات مربوط به سیستم های چند جسمی کوانتومی را با استفاده از مدل DMERA فشرده کنند.

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