क्वांटम मशीन सीखने की अवधारणा

गूगल की मात्रा से परे-क्लासिकल प्रयोग 53 शोर qubits इस्तेमाल किया प्रदर्शित करने के लिए यह एक क्वांटम कंप्यूटर है कि सबसे बड़ी शास्त्रीय कंप्यूटर मौजूदा एल्गोरिदम का उपयोग करने पर 10,000 साल लग जाएगा पर 200 सेकंड में एक गणना प्रदर्शन कर सकता है। इस निशान की शुरुआत शोर मध्यवर्ती-स्केल क्वांटम (NISQ) कंप्यूटिंग युग। आने वाले वर्षों में, दसियों से सैकड़ों शोर वाले क्वांटम डिवाइस एक वास्तविकता बनने की उम्मीद है।

क्वांटम कम्प्यूटिंग

क्वांटम कंप्यूटिंग उन समस्याओं की गणना करने के लिए क्वांटम यांत्रिकी के गुणों पर निर्भर करती है जो शास्त्रीय कंप्यूटरों की पहुंच से बाहर होंगी। एक क्वांटम कंप्यूटर qubits उपयोग करता है। Qubits एक कंप्यूटर में नियमित बिट्स की तरह हैं, लेकिन जोड़ा क्षमता के साथ एक दूसरे के साथ एक superposition और शेयर उलझाव में डाल दिया है।

शास्त्रीय कंप्यूटर नियतात्मक शास्त्रीय संचालन करते हैं या नमूनाकरण विधियों का उपयोग करके संभाव्य प्रक्रियाओं का अनुकरण कर सकते हैं। सुपरपोजिशन और उलझाव का उपयोग करके, क्वांटम कंप्यूटर क्वांटम ऑपरेशन कर सकते हैं जो कि शास्त्रीय कंप्यूटरों के साथ बड़े पैमाने पर अनुकरण करना मुश्किल है। एनआईएसक्यू क्वांटम कंप्यूटिंग का लाभ उठाने के विचारों में अनुकूलन, क्वांटम सिमुलेशन, क्रिप्टोग्राफी और मशीन लर्निंग शामिल हैं।

क्वांटम मशीन लर्निंग

क्वांटम डेटा और संकर क्वांटम शास्त्रीय मॉडल: क्वांटम मशीन सीखने (QML) दो अवधारणाओं पर बनाया गया है।

क्वांटम डेटा

क्वांटम डेटा किसी भी डेटा स्रोत है कि एक प्राकृतिक या कृत्रिम क्वांटम प्रणाली में होता है। इस नमूने से एकत्र की तरह एक क्वांटम कंप्यूटर द्वारा उत्पन्न डेटा, हो सकता है Sycamore प्रोसेसर क्वांटम वर्चस्व की गूगल की प्रदर्शन के लिए। क्वांटम डेटा सुपरपोजिशन और उलझाव को प्रदर्शित करता है, जिससे संयुक्त संभाव्यता वितरण होता है जिसे प्रतिनिधित्व या स्टोर करने के लिए शास्त्रीय कम्प्यूटेशनल संसाधनों की एक घातीय मात्रा की आवश्यकता हो सकती है। क्वांटम वर्चस्व प्रयोग ने दिखाया कि 2^53 हिल्बर्ट स्पेस के एक अत्यंत जटिल संयुक्त संभाव्यता वितरण से नमूना लेना संभव है।

NISQ प्रोसेसर द्वारा उत्पन्न क्वांटम डेटा शोर होता है और आमतौर पर माप होने से ठीक पहले उलझ जाता है। ह्युरिस्टिक मशीन लर्निंग तकनीक ऐसे मॉडल बना सकती है जो शोर-शराबे वाले डेटा से उपयोगी शास्त्रीय जानकारी के निष्कर्षण को अधिकतम करते हैं। TensorFlow क्वांटम (TFQ) पुस्तकालय ऐसे मॉडल विकसित करने के लिए आदिम प्रदान करता है जो क्वांटम डेटा में सहसंबंधों को अलग और सामान्यीकृत करते हैं - मौजूदा क्वांटम एल्गोरिदम को बेहतर बनाने या नए क्वांटम एल्गोरिदम की खोज करने के अवसर खोलते हैं।

क्वांटम डेटा के उदाहरण निम्नलिखित हैं जिन्हें क्वांटम डिवाइस पर उत्पन्न या सिम्युलेटेड किया जा सकता है:

  • रासायनिक संरचना और भौतिक विज्ञान, कम्प्यूटेशनल रसायन विज्ञान, कम्प्यूटेशनल जीव विज्ञान, और दवाओं की खोज के लिए संभावित अनुप्रयोगों के साथ गतिशीलता के बारे में रासायनिक सिमुलेशन -Extract जानकारी।
  • क्वांटम बात अनुकरण -Model और उच्च तापमान अतिचालकता या इस मामले के अन्य विदेशी राज्यों जो कई-शरीर क्वांटम प्रभाव दर्शाती डिजाइन।
  • क्वांटम नियंत्रण -Hybrid क्वांटम शास्त्रीय मॉडल variationally इष्टतम खुला है या बंद लूप नियंत्रण, अंशांकन, और त्रुटि शमन प्रदर्शन करने के लिए प्रशिक्षित किया जा सकता। इसमें क्वांटम डिवाइस और क्वांटम प्रोसेसर के लिए त्रुटि का पता लगाने और सुधार रणनीतियां शामिल हैं।
  • मशीन प्रयोग क्वांटम संचार नेटवर्क आवेदन डिजाइन करने के लिए और संरचित क्वांटम रिपीटर्स, क्वांटम रिसीवर, और शोधन इकाइयों के निर्माण के साथ गैर ओर्थोगोनल क्वांटम राज्यों के बीच भेदभाव करने के लिए, सीखने।
  • क्वांटम मैट्रोलोजी -Quantum एनहांस्ड ऐसे क्वांटम संवेदन और क्वांटम इमेजिंग के रूप में उच्च परिशुद्धता माप स्वाभाविक जांच कि छोटे पैमाने पर क्वांटम उपकरणों रहे हैं और तैयार किया गया है या परिवर्तन संबंधी क्वांटम मॉडलों द्वारा सुधार किया जा सकता पर किया जाता है।

हाइब्रिड क्वांटम-शास्त्रीय मॉडल

एक क्वांटम मॉडल क्वांटम यांत्रिक उत्पत्ति के साथ डेटा का प्रतिनिधित्व और सामान्यीकरण कर सकता है। चूंकि निकट अवधि के क्वांटम प्रोसेसर अभी भी काफी छोटे और शोर हैं, क्वांटम मॉडल अकेले क्वांटम प्रोसेसर का उपयोग करके क्वांटम डेटा को सामान्यीकृत नहीं कर सकते हैं। प्रभावी बनने के लिए NISQ प्रोसेसर को क्लासिकल को-प्रोसेसर के साथ मिलकर काम करना चाहिए। चूंकि TensorFlow पहले से ही CPU, GPU और TPU में विषम कंप्यूटिंग का समर्थन करता है, इसलिए इसका उपयोग हाइब्रिड क्वांटम-शास्त्रीय एल्गोरिदम के साथ प्रयोग करने के लिए आधार मंच के रूप में किया जाता है।

एक क्वांटम तंत्रिका नेटवर्क (QNN) एक पैरामिट्रीकृत क्वांटम कम्प्यूटेशनल मॉडल है कि सबसे अच्छा एक क्वांटम कंप्यूटर पर निष्पादित किया जाता है वर्णन करने के लिए प्रयोग किया जाता है। इस शब्द का अक्सर पैरामिट्रीकृत क्वांटम सर्किट (PQC) के साथ परस्पर विनिमय है।

अनुसंधान

NISQ-युग के दौरान, शास्त्रीय एल्गोरिदम की तरह खत्म हो जाना जाता speedups साथ क्वांटम एल्गोरिदम शोर के फैक्टरिंग एल्गोरिथ्म या ग्रोवर के खोज एल्गोरिदम को अभी तक संभव नहीं एक सार्थक पैमाने पर -क्या।

TensorFlow क्वांटम का लक्ष्य NISQ-युग के लिए एल्गोरिदम खोजने में मदद करना है, जिसमें विशेष रुचि है:

  1. NISQ एल्गोरिदम को बढ़ाने के लिए क्लासिकल मशीन लर्निंग का उपयोग करें। आशा है कि शास्त्रीय मशीन सीखने की तकनीक क्वांटम कंप्यूटिंग की हमारी समझ को बढ़ा सकती है। में शास्त्रीय आवर्तक तंत्रिका नेटवर्क के माध्यम से क्वांटम तंत्रिका नेटवर्क के लिए मेटा-लर्निंग , एक आवर्ती तंत्रिका नेटवर्क (RNN) QAOA और VQE तरह एल्गोरिदम के लिए नियंत्रण मानकों के अनुकूलन के खोज के लिए प्रयोग किया जाता है शेल्फ अनुकूलक बंद सरल से अधिक प्रभावी हैं। और क्वांटम नियंत्रण के लिए मशीन सीखने का उपयोग करता है मदद कम करने त्रुटियों के लिए सीखने और उच्च गुणवत्ता क्वांटम फाटक उत्पादन सुदृढीकरण।
  2. क्वांटम सर्किट के साथ मॉडल क्वांटम डेटा। यदि आपके पास डेटा स्रोत का सटीक विवरण है, तो शास्त्रीय रूप से क्वांटम डेटा का मॉडलिंग संभव है—लेकिन कभी-कभी यह संभव नहीं होता है। इस समस्या को हल करने के लिए, आप क्वांटम कंप्यूटर पर ही मॉडलिंग की कोशिश कर सकते हैं और महत्वपूर्ण आंकड़ों को माप सकते हैं/निरीक्षण कर सकते हैं। क्वांटम convolutional तंत्रिका नेटवर्क से पता चलता है एक लंबी सर्किट एक convolutional तंत्रिका नेटवर्क (सीएनएन) के लिए एक संरचना के अनुरूप इस मामले की अलग संस्थानिक चरणों का पता लगाने के साथ बनाया गया। क्वांटम कंप्यूटर डेटा और मॉडल रखता है। शास्त्रीय प्रोसेसर मॉडल आउटपुट से केवल माप नमूने देखता है और डेटा कभी नहीं। में एक शोर क्वांटम कंप्यूटर पर मजबूत उलझाव renormalization , लेखकों क्वांटम कई शरीर एक DMERA मॉडल का उपयोग कर प्रणाली के बारे में संपीड़ित जानकारी सीखते हैं।

क्वांटम मशीन लर्निंग में रुचि के अन्य क्षेत्रों में शामिल हैं: