ترجمت واجهة Cloud Translation API‏ هذه الصفحة.
Switch to English

مفاهيم التعلم الآلي الكمي

استخدمت تجربة التفوق الكمي لـ Google 53 كيوبت صاخبًا لإثبات أنها تستطيع إجراء عملية حسابية في 200 ثانية على كمبيوتر كمي قد يستغرق 10000 عام على أكبر كمبيوتر كلاسيكي باستخدام الخوارزميات الحالية. يمثل هذا بداية عصر الحوسبة الكمومية الصاخبة ذات النطاق المتوسط (NISQ). 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 الكمبيوتر الكمومي الكيوبتات . تشبه الكيوبتات البتات العادية في الكمبيوتر ، ولكن مع القدرة الإضافية على وضعها في تراكب ومشاركة 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

يعتمد التعلم الآلي الكمومي (QML) على مفهومين: البيانات الكمية والنماذج الكمومية الكلاسيكية الهجينة .

بيانات الكم

البيانات الكمية هي أي مصدر بيانات يحدث في نظام الكم الطبيعي أو الاصطناعي. يمكن أن تكون هذه بيانات تم إنشاؤها بواسطة كمبيوتر كمي ، مثل العينات التي تم جمعها من معالج Sycamore لإثبات Google التفوق الكمي. تُظهر البيانات الكمية تراكبًا وتشابكًا ، مما يؤدي إلى توزيعات احتمالية مشتركة قد تتطلب كمية هائلة 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 المزعجة. 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:

  • المحاكاة الكيميائية - استخراج المعلومات حول الهياكل والديناميكيات الكيميائية مع التطبيقات المحتملة لعلوم المواد والكيمياء الحسابية والبيولوجيا الحاسوبية واكتشاف الأدوية.
  • محاكاة المادة الكمومية - نموذج وتصميم الموصلية الفائقة بدرجة حرارة عالية أو حالات غريبة أخرى للمادة التي تظهر تأثيرات كمومية للعديد من الأجسام.
  • التحكم الكمي - يمكن تدريب النماذج الكمومية الهجينة بشكل متنوع لأداء التحكم الأمثل في الحلقة المفتوحة أو المغلقة والمعايرة وتخفيف الأخطاء. يتضمن ذلك استراتيجيات اكتشاف الأخطاء وتصحيحها للأجهزة الكمومية والمعالجات الكمومية.
  • شبكات الاتصال الكمومية - استخدم التعلم الآلي للتمييز بين الحالات الكمية غير المتعامدة ، مع تطبيق لتصميم وبناء مكررات الكم المهيكلة ، وأجهزة الاستقبال الكمومية ، ووحدات التنقية.
  • القياس الكمي - القياسات عالية الدقة المعززة كمياً مثل الاستشعار الكمي والتصوير الكمومي تتم بطبيعتها على مجسات هي أجهزة كمومية صغيرة الحجم ويمكن تصميمها أو تحسينها بواسطة نماذج الكم المتغيرة.

نماذج الكم الكلاسيكية الهجينة

يمكن للنموذج الكمي أن يمثل ويعمم البيانات ذات الأصل الميكانيكي الكمومي. نظرًا لأن المعالجات الكمومية على المدى القريب لا تزال صغيرة إلى حد ما وصاخبة ، لا تستطيع النماذج الكمومية تعميم البيانات الكمية 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 المختلطة.

تُستخدم الشبكة العصبية الكمومية (QNN) لوصف نموذج حسابي كمي ذو معلمات يتم تنفيذه بشكل أفضل على جهاز كمبيوتر كمي. غالبًا ما يكون هذا المصطلح قابلاً للتبادل مع دارة كم معلمة (PQC)

ابحاث

خلال حقبة NISQ ، لم تعد الخوارزميات الكمومية ذات التسريع المعروف على الخوارزميات الكلاسيكية - مثل خوارزمية شور للتخصيب أو خوارزمية بحث جروفر - ممكنة بعد على نطاق ذي معنى.

يتمثل أحد أهداف TensorFlow Quantum في 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 التعلم التلوي للشبكات العصبية الكمومية عبر الشبكات العصبية المتكررة الكلاسيكية ، تُستخدم الشبكة العصبية المتكررة (RNN) لاكتشاف أن تحسين معلمات التحكم للخوارزميات مثل QAOA و VQE أكثر كفاءة من المحسّنات البسيطة الجاهزة. ويستخدم التعلم الآلي للتحكم الكمومي التعلم المعزز للمساعدة في التخفيف من الأخطاء وإنتاج بوابات كمومية عالية الجودة.
  2. نموذج البيانات الكمومية مع الدوائر الكمومية. النمذجة الكلاسيكية للبيانات الكمية 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. تُظهر الشبكات العصبية الكمومية التلافيفية دائرة كمومية مصممة بهيكل مشابه للشبكة العصبية التلافيفية (CNN) لاكتشاف المراحل الطوبولوجية المختلفة للمادة. يحتفظ الكمبيوتر الكمي بالبيانات والنموذج. يرى المعالج الكلاسيكي عينات القياس فقط من إخراج النموذج وليس البيانات نفسها. في إعادة تطبيع التشابك القوي على جهاز كمبيوتر كمي صاخب ، يتعلم المؤلفون ضغط المعلومات حول أنظمة الجسم المتعددة الكمومية باستخدام نموذج DMERA.

تشمل مجالات الاهتمام الأخرى في التعلم الآلي الكمومي ما يلي: