Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

Quantenmaschinelle Lernkonzepte

Googles Experiment zur Quantenüberlegenheit verwendete 53 verrauschte Qubits, um zu demonstrieren, dass eine Berechnung in 200 Sekunden auf einem Quantencomputer durchgeführt werden kann, der auf dem größten klassischen Computer unter Verwendung vorhandener Algorithmen 10.000 Jahre dauern würde. Dies markiert den Beginn des NISQ-Zeitalters ( Noisy Intermediate-Scale Quantum ). In den kommenden Jahren werden Quantengeräte mit zehn bis hundert verrauschten Qubits voraussichtlich Realität.

Quanten-Computing

Quantencomputer stützen 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 Fähigkeit, in eine Überlagerung gebracht zu werden und Verstrickungen miteinander zu teilen.

Klassische Computer führen deterministische klassische Operationen aus oder können probabilistische Prozesse mithilfe von Stichprobenverfahren emulieren. Durch die Nutzung von Überlagerung und Verschränkung können Quantencomputer Quantenoperationen ausführen, die mit klassischen Computern nur schwer im Maßstab zu emulieren sind. Ideen zur Nutzung des NISQ-Quantencomputers umfassen Optimierung, Quantensimulation, Kryptographie und maschinelles Lernen.

Quantenmaschinelles Lernen

Quantum Machine Learning (QML) basiert auf zwei Konzepten: Quantendaten und hybriden quantenklassischen Modellen .

Quantendaten

Quantendaten sind alle Datenquellen, die in einem natürlichen oder künstlichen Quantensystem vorkommen. Dies können Daten sein, die von einem Quantencomputer generiert wurden, wie die Proben, die vom Sycamore-Prozessor für Googles Demonstration der Quantenüberlegenheit gesammelt wurden. Quantendaten weisen eine Überlagerung und Verschränkung auf, was zu gemeinsamen Wahrscheinlichkeitsverteilungen führt, für deren Darstellung oder Speicherung eine exponentielle Menge klassischer Rechenressourcen erforderlich sein könnte. Das Quantenüberlegenheitsexperiment zeigte, dass es möglich ist, aus einer äußerst komplexen gemeinsamen Wahrscheinlichkeitsverteilung von 2 ^ 53 Hilbert-Raum zu probieren.

Die von NISQ-Prozessoren erzeugten Quantendaten sind verrauscht und verwickeln sich typischerweise unmittelbar vor der Messung. Heuristische Techniken des maschinellen Lernens können Modelle erstellen, die die Extraktion nützlicher klassischer Informationen aus verrauschten Daten maximieren. Die TensorFlow Quantum (TFQ) -Bibliothek bietet Grundelemente für die Entwicklung von Modellen, die Korrelationen in Quantendaten entwirren und verallgemeinern. Dies eröffnet Möglichkeiten, vorhandene Quantenalgorithmen zu verbessern oder neue Quantenalgorithmen zu entdecken.

Das Folgende sind Beispiele für Quantendaten, die auf einem Quantengerät erzeugt oder simuliert werden können:

  • Chemische Simulation - Extrahieren Sie Informationen über chemische Strukturen und Dynamiken mit potenziellen Anwendungen in den Bereichen Materialwissenschaften, Computerchemie, Computerbiologie und Wirkstoffforschung.
  • Quantenmateriesimulation - Modellieren und entwerfen Sie Hochtemperatursupraleitung oder andere exotische Materiezustände, die Vielkörper-Quanteneffekte aufweisen.
  • Quantenkontrolle - Quantenklassische Hybridmodelle können variabel trainiert werden, um eine optimale Steuerung, Kalibrierung und Fehlerminderung im offenen oder geschlossenen Regelkreis durchzuführen. Dies umfasst Fehlererkennungs- und Korrekturstrategien für Quantenvorrichtungen und Quantenprozessoren.
  • Quantenkommunikationsnetzwerke - Verwenden Sie maschinelles Lernen, um zwischen nicht orthogonalen Quantenzuständen zu unterscheiden, und wenden Sie diese auf den Entwurf und die Konstruktion strukturierter Quantenrepeater, Quantenempfänger und Reinigungseinheiten an.
  • Quantenmetrologie - Quantenverstärkte hochpräzise Messungen wie Quantenerfassung und Quantenbildgebung werden von Natur aus an Sonden durchgeführt, bei denen es sich um kleine Quantengeräte handelt, die durch Variationsquantenmodelle entworfen oder verbessert werden könnten.

Hybride quantenklassische Modelle

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

Ein quantenneurales Netzwerk (QNN) wird verwendet, um ein parametrisiertes Quantenberechnungsmodell zu beschreiben, das am besten auf einem Quantencomputer ausgeführt wird. Dieser Begriff ist häufig mit einer parametrisierten Quantenschaltung (PQC) austauschbar.

Forschung

Während der NISQ-Ära sind Quantenalgorithmen mit bekannten Beschleunigungen gegenüber klassischen Algorithmen - wie Shors Factoring-Algorithmus oder Grovers Suchalgorithmus - noch nicht in einem sinnvollen Maßstab möglich.

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 aus dem klassischen maschinellen Lernen unser Verständnis von Quantencomputern verbessern können. Beim Meta-Lernen für quantenneurale Netze über klassische wiederkehrende neuronale Netze wird mithilfe eines wiederkehrenden neuronalen Netzes (RNN) festgestellt, dass die Optimierung der Steuerparameter für Algorithmen wie QAOA und VQE effizienter ist als einfache Standardoptimierer. Beim maschinellen Lernen zur Quantensteuerung wird verstärktes Lernen verwendet, um Fehler zu minimieren und Quantengatter mit höherer Qualität zu erzeugen.
  2. Modellquantendaten mit Quantenschaltungen. Die klassische Modellierung von Quantendaten ist möglich, wenn Sie eine genaue Beschreibung der Datenquelle haben - manchmal ist dies jedoch nicht möglich. Um dieses Problem zu lösen, können Sie versuchen, auf dem Quantencomputer selbst zu modellieren und die wichtigen Statistiken zu messen / beobachten. Quantenfaltungs-Neuronale Netze zeigen eine Quantenschaltung, die mit einer Struktur analog zu einem Faltungs-Neuronalen Netz (CNN) aufgebaut ist, um verschiedene topologische Phasen der Materie zu erfassen. Der Quantencomputer enthält die Daten und das Modell. Der klassische Prozessor sieht nur Messmuster aus der Modellausgabe und niemals die Daten selbst. Bei der robusten Renormierung der Verschränkung auf einem verrauschten Quantencomputer lernen die Autoren, Informationen über Quanten-Vielteilchensysteme mithilfe eines DMERA-Modells zu komprimieren.

Weitere interessante Bereiche des quantenmaschinellen Lernens sind: