Konzepte des maschinellen Quantenlernens

Googles Quanten jenseits klassischem Experiment 53 verwendete laut Qubits es zu zeigen , könnte eine Berechnung in 200 Sekunden auf einem Quantencomputer ausführen , die 10.000 Jahre auf dem größten klassischen Computer mit bestehenden Algorithmen nehmen würde. Dies markiert den Beginn des Lautes im mittleren Maßstab Quantum (NISQ) Rechenzeit. In den kommenden Jahren sollen Quantengeräte mit Dutzenden bis Hunderten von verrauschten Qubits Realität werden.

Quanten-Computing

Quantencomputing stützt sich auf Eigenschaften der Quantenmechanik, um Probleme zu berechnen, die für klassische Computer unerreichbar wären. Ein Quantencomputer verwendet Qubits. Qubits sind wie normale Bits in einem Computer, aber mit der zusätzlichen Möglichkeit , miteinander in eine Überlagerung und Anteil Verstrickung gestellt werden.

Klassische Computer führen deterministische klassische Operationen durch oder können probabilistische Prozesse mit Sampling-Methoden emulieren. Durch die Nutzung von Superposition und Verschränkung können Quantencomputer Quantenoperationen durchführen, die mit klassischen Computern schwer nachzubilden sind. Ideen für den Einsatz von NISQ-Quantencomputern umfassen Optimierung, Quantensimulation, Kryptographie und maschinelles Lernen.

Quantenmaschinelles Lernen

Quantum maschinelles Lernen (QML) auf zwei Konzepten aufgebaut: quantum Daten und hybrid quanten klassische Modelle.

Quantendaten

Quantendaten ist jede Datenquelle , die in einem natürlichen oder künstlichen Quantensystem auftritt. Dies kann durch einen Quantencomputer erzeugte Daten sein, wie die Proben aus dem gesammelten Sycamore Prozessor für Googles Demonstration der Quanten Vorherrschaft. Quantendaten weisen Überlagerungen und Verschränkungen auf, was zu gemeinsamen Wahrscheinlichkeitsverteilungen führt, deren Darstellung oder Speicherung eine exponentielle Menge klassischer Rechenressourcen erfordern könnte. Das Quantensupremacy-Experiment zeigte, dass es möglich ist, aus einer extrem komplexen gemeinsamen Wahrscheinlichkeitsverteilung des 2^53 Hilbert-Raums abzutasten.

Die von NISQ-Prozessoren erzeugten Quantendaten sind verrauscht und typischerweise kurz vor der Messung verschränkt. Heuristische Techniken des maschinellen Lernens können Modelle erstellen, die die Extraktion nützlicher klassischer Informationen aus verrauschten, verschränkten Daten maximieren. Die TensorFlow Quantum (TFQ)-Bibliothek bietet Primitive zur Entwicklung von Modellen, die Korrelationen in Quantendaten entwirren und verallgemeinern – was Möglichkeiten eröffnet, bestehende Quantenalgorithmen zu verbessern oder neue Quantenalgorithmen zu entdecken.

Im Folgenden sind Beispiele für Quantendaten aufgeführt, die auf einem Quantengerät generiert oder simuliert werden können:

  • Chemische Simulation - Extrahieren Informationen über chemische Strukturen und Dynamiken mit möglichen Anwendungen der Materialwissenschaft, Computerchemie, Bioinformatik und Wirkstoffforschung.
  • Quanten Simulation -Modell Materie und Hochtemperatur - Supraleitung oder andere exotische Materiezustände entwerfen , die Vielteilchen-Quanteneffekte zeigt.
  • Quantum Steuer -Hybrid quanten klassische Modelle können variationell optimal offenen oder geschlossenen Regelkreis, Kalibrierung und Fehlerminderung durchzuführen trainiert werden. Dazu gehören Fehlererkennungs- und -korrekturstrategien für Quantengeräte und Quantenprozessoren.
  • Design und Konstruktion von strukturiertem quantum Repeatern, quantum Empfänger und Reinigungseinheiten Quantenkommunikationsnetze -Verwendung maschinellem Lernen unter nichtorthogonalen Quantenzuständen, mit der Anwendung zu unterscheiden.
  • Quantum Metrology -Quantum verstärkte Hochpräzisionsmessungen , wie beispielsweise Quantenerkundung und Quanten - Bildgebung sind inhärent auf Sonden durchgeführt , die kleinräumige Quantenvorrichtungen und könnte von Variationsquantenmodelle entwickelt oder verbessert werden.

Hybride quantenklassische Modelle

Ein Quantenmodell kann Daten quantenmechanischen Ursprungs darstellen und verallgemeinern. Da kurzfristige Quantenprozessoren immer noch ziemlich klein und verrauscht sind, können Quantenmodelle Quantendaten nicht allein mit Quantenprozessoren verallgemeinern. NISQ-Prozessoren müssen mit klassischen Co-Prozessoren zusammenarbeiten, um effektiv zu sein. Da TensorFlow bereits heterogenes Computing über CPUs, GPUs und TPUs hinweg unterstützt, wird es als Basisplattform zum Experimentieren mit hybriden quantenklassischen Algorithmen verwendet.

Ein Quanten neuronales Netz (QNN) verwendet , um ein parametrisierte Quantenrechenmodell zu beschreiben , die am besten auf einem Quantencomputer ausgeführt wird. Dieser Begriff wird oft austauschbar mit parametrisierte Quantenschaltung (PQC).

Forschung

Während der NISQ-Ära, Quantenalgorithmen mit bekannten speedups über klassische Algorithmen artigen Shors Faktorisierungsalgorithmus oder Grovers Suchalgorithmus -sind noch nicht möglich bei einem sinnvollen Maßstab.

Ein Ziel von TensorFlow Quantum ist es, Algorithmen für die NISQ-Ära zu entdecken, mit besonderem Interesse an:

  1. Verwenden Sie klassisches maschinelles Lernen, um NISQ-Algorithmen zu verbessern. Die Hoffnung ist, dass Techniken des klassischen maschinellen Lernens unser Verständnis des Quantencomputings verbessern können. In Meta-Learning für Quanten neuronale Netze über klassische rekurrente neuronale Netze , ein wiederkehrendes neuronales Netz (RNN) verwendet wird , dass die Optimierung der Regelparameter für Algorithmen wie die QAOA und VQE sind effizienter als einfach aus dem Regal Optimizern zu entdecken. Und maschinelles Lernen für Quantenkontrolle verwendet , um Hilfe zu mildern Fehler Verstärkung Lernen und produziert höhere Qualität Quantengatter.
  2. Modellieren Sie Quantendaten mit Quantenschaltungen. Die klassische Modellierung von Quantendaten ist möglich, wenn Sie eine genaue Beschreibung der Datenquelle haben – aber manchmal ist dies nicht möglich. Um dieses Problem zu lösen, können Sie versuchen, auf dem Quantencomputer selbst zu modellieren und die wichtigen Statistiken zu messen/beobachten. Quantum Faltungs neuronaler Netze zeigt eine Quanten Schaltung entworfen , um mit einer Struktur , die analog zu einem Faltungs neuronales Netzwerk (CNN) unterschiedliche topologische Phasen der Materie zu erfassen. Der Quantencomputer hält die Daten und das Modell. Der klassische Prozessor sieht nur Messproben aus der Modellausgabe und nie die Daten selbst. In Robust Verstrickung Renormierung auf einem lauten Quantencomputer , lernen die Autoren zu komprimieren Informationen über Quanten Vielteilchensysteme ein DMERA Modell.

Weitere interessante Bereiche des Quantenmaschinenlernens sind: