مفاهيم التعلم الآلي الكمي

جوجل الكم إلى ما بعد الكلاسيكية تجربة استخدمت 53 المكدسة صاخبة لإثبات أنه يمكن تنفيذ عملية حسابية في 200 ثانية على جهاز كمبيوتر الكم من شأنها أن تأخذ 10،000 سنة على أكبر الكمبيوتر الكلاسيكية باستخدام خوارزميات القائمة. هذه علامات بداية صاخبة المتوسطة النطاق الكم (NISQ) عصر الحوسبة. في السنوات القادمة ، من المتوقع أن تصبح الأجهزة الكمومية التي تحتوي على عشرات إلى مئات من الكيوبتات الصاخبة حقيقة واقعة.

الاحصاء الكمية

تعتمد الحوسبة الكمومية على خصائص ميكانيكا الكم لحساب المشكلات التي ستكون بعيدة المنال بالنسبة لأجهزة الكمبيوتر الكلاسيكية. يستخدم جهاز كمبيوتر الكم المكدسة. المكدسة هم مثل بت العادية في الكومبيوتر، ولكن مع القدرة إضافة إلى وضعها في تراكب وحصة التشابك مع بعضها البعض.

تؤدي أجهزة الكمبيوتر الكلاسيكية عمليات كلاسيكية حتمية أو يمكنها محاكاة العمليات الاحتمالية باستخدام طرق أخذ العينات. من خلال تسخير التراكب والتشابك ، يمكن لأجهزة الكمبيوتر الكمومية إجراء عمليات كمومية يصعب محاكاتها على نطاق واسع مع أجهزة الكمبيوتر الكلاسيكية. تتضمن أفكار الاستفادة من الحوسبة الكمومية NISQ التحسين والمحاكاة الكمية والتشفير والتعلم الآلي.

التعلم الآلي الكمي

بنيت الكم تعلم الآلة (QML) على مفهومين: البيانات الكم ونماذج الكم الكلاسيكية الهجينة.

بيانات الكم

البيانات الكم أي مصدر البيانات التي تحدث في نظام الكم الطبيعي أو الاصطناعي. هذا يمكن أن يكون البيانات التي تم إنشاؤها بواسطة جهاز كمبيوتر الكم، مثل العينات التي تم جمعها من معالج الجميز للتظاهر جوجل التفوق الكم. تُظهر البيانات الكمية التراكب والتشابك ، مما يؤدي إلى توزيعات احتمالية مشتركة قد تتطلب قدرًا أسيًا من الموارد الحسابية الكلاسيكية لتمثيلها أو تخزينها. أظهرت تجربة التفوق الكمي أنه من الممكن أخذ عينات من توزيع احتمالي مشترك معقد للغاية لمساحة 2 ^ 53 هلبرت.

البيانات الكمية التي تم إنشاؤها بواسطة معالجات NISQ صاخبة وعادة ما تكون متشابكة قبل حدوث القياس مباشرة. يمكن لتقنيات التعلم الآلي الإرشادية إنشاء نماذج تزيد من استخراج المعلومات الكلاسيكية المفيدة من البيانات المتشابكة الصاخبة. توفر مكتبة TensorFlow Quantum (TFQ) العناصر الأساسية لتطوير النماذج التي تفصل وتعمم الارتباطات في البيانات الكمومية - مما يفتح فرصًا لتحسين الخوارزميات الكمومية الحالية أو اكتشاف خوارزميات كمومية جديدة.

فيما يلي أمثلة على البيانات الكمية التي يمكن إنشاؤها أو محاكاتها على جهاز كمي:

  • محاكاة المعلومات -Extract الكيميائية عن الهياكل الكيميائية وديناميكية مع التطبيقات المحتملة لعلوم المواد والكيمياء الحسابية، وعلم الأحياء الحسابي، واكتشاف المخدرات.
  • الكم يهم محاكاة -Model وتصميم عالية الموصلية الفائقة في درجة الحرارة أو غيرها من الدول الغريبة، الامر الذي يعرض آثار الكم الجسم كثيرة.
  • السيطرة الكم نماذج الكم الكلاسيكية -Hybrid يمكن تدريب variationally لأداء الأمثل السيطرة مفتوحة أو مغلقة حلقة والمعايرة، والتخفيف الخطأ. يتضمن ذلك استراتيجيات اكتشاف الأخطاء وتصحيحها للأجهزة الكمومية والمعالجات الكمومية.
  • شبكات الاتصالات الكم -استخدام آلة التعلم للتمييز بين الدول الكم غير المتعامدة، مع تطبيق لتصميم وبناء الراسبين منظم الكم، استقبال الكم، ووحدات تنقية.
  • الكم المقاييس -Quantum محسنة القياسات بدقة عالية مثل الاستشعار عن الكم والتصوير الكم تتم بطبيعتها على تحقيقات التي هي أجهزة الكم على نطاق صغير ويمكن تصميم أو تحسين النماذج الكم التغييرية.

نماذج الكم الكلاسيكية الهجينة

يمكن للنموذج الكمي تمثيل وتعميم البيانات ذات الأصل الميكانيكي الكمومي. نظرًا لأن المعالجات الكمومية على المدى القريب لا تزال صغيرة إلى حد ما وصاخبة ، لا يمكن للنماذج الكمومية تعميم البيانات الكمومية باستخدام المعالجات الكمومية وحدها. يجب أن تعمل معالجات NISQ بالتنسيق مع المعالجات الكلاسيكية لتصبح فعالة. نظرًا لأن TensorFlow يدعم بالفعل الحوسبة غير المتجانسة عبر وحدات المعالجة المركزية (CPU) ووحدات معالجة الرسومات (GPU) و (TPU) ، يتم استخدامه كنظام أساسي أساسي لتجربة الخوارزميات الكلاسيكية الكمومية الهجينة.

ويستخدم الشبكة العصبية الكم (QNN) لوصف الكم النموذج الحسابي معلمات أنه من الأفضل تنفيذها على جهاز كمبيوتر الكم. هذا المصطلح هو في كثير من الأحيان للتبادل مع دائرة الكم معلمات (PQC).

بحث

خلال الحقبة NISQ، خوارزميات الكم مع speedups تعرف على خوارزميات مثل الكلاسيكية خوارزمية العوملة شور ل أو خوارزمية البحث غروفر -هل لم الممكنة في نطاق معنى.

هدف TensorFlow Quantum هو المساعدة في اكتشاف الخوارزميات لعصر NISQ ، مع الاهتمام بشكل خاص بما يلي:

  1. استخدم التعلم الآلي الكلاسيكي لتحسين خوارزميات NISQ. الأمل هو أن تقنيات التعلم الآلي الكلاسيكي يمكن أن تعزز فهمنا للحوسبة الكمومية. في الفوقية للتعلم عن الشبكات العصبية الكم عبر الشبكات العصبية المتكررة الكلاسيكية ، يتم استخدام الشبكة العصبية المتكررة (RNN) ليكتشف أن تعظيم الاستفادة من المعلمات السيطرة على خوارزميات مثل QAOA وفقء هي أكثر كفاءة من بسيطة قبالة أبتيميزر الرف. و تعلم آلة للسيطرة على الكم الاستخدامات تعزيز التعلم لمساعدة أخطاء التخفيف منها وتنتج أعلى البوابات الكم جودة.
  2. نموذج البيانات الكمومية مع الدوائر الكمومية. النمذجة الكلاسيكية للبيانات الكمومية ممكنة إذا كان لديك وصف دقيق لمصدر البيانات - لكن في بعض الأحيان لا يكون هذا ممكنًا. لحل هذه المشكلة ، يمكنك تجربة النمذجة على الكمبيوتر الكمومي نفسه وقياس / مراقبة الإحصائيات المهمة. الكم التلافيف الشبكات العصبية يظهر دائرة الكم مصممة مع مماثلة هيكل إلى الشبكة العصبية التلافيف (CNN) للكشف عن مراحل الطوبوغرافية مختلفة من المسألة. يحتفظ الكمبيوتر الكمي بالبيانات والنموذج. يرى المعالج الكلاسيكي عينات القياس فقط من إخراج النموذج وليس البيانات نفسها. في إعادة التطبيع التشابك القوي على جهاز كمبيوتر الكم صاخبة ، وتعلم الكتاب على معلومات حول أنظمة ضغط الجسم العديد من الكم باستخدام نموذج DMERA.

تشمل مجالات الاهتمام الأخرى في التعلم الآلي الكمومي ما يلي: