Se usó la API de Cloud Translation para traducir esta página.
Switch to English

Conceptos de aprendizaje automático cuántico

El experimento de supremacía cuántica de Google utilizó 53 qubits ruidosos para demostrar que podía realizar un cálculo en 200 segundos en una computadora cuántica que llevaría 10,000 años en la computadora clásica más grande usando algoritmos existentes. Esto marca el comienzo de la era de la computación cuántica ruidosa de escala intermedia (NISQ). En los próximos años, se espera que los dispositivos cuánticos con decenas a cientos de qubits ruidosos se conviertan en realidad.

Computación cuántica

La computación cuántica se basa en las propiedades de la mecánica cuántica para calcular problemas que estarían fuera del alcance de las computadoras clásicas. Una computadora cuántica usa qubits . Los Qubits son como bits normales en una computadora, pero con la capacidad adicional de superponerse y compartir entrelazamientos .

Las computadoras clásicas realizan operaciones clásicas deterministas o pueden emular procesos probabilísticos utilizando métodos de muestreo. Al aprovechar la superposición y el entrelazamiento, las computadoras cuánticas pueden realizar operaciones cuánticas que son difíciles de emular a escala con las computadoras clásicas. Las ideas para aprovechar la computación cuántica NISQ incluyen optimización, simulación cuántica, criptografía y aprendizaje automático.

Aprendizaje automático cuántico

El aprendizaje automático cuántico (QML) se basa en dos conceptos: datos cuánticos y modelos clásicos cuánticos híbridos .

Datos cuánticos

Los datos cuánticos son cualquier fuente de datos que se produzca en un sistema cuántico natural o artificial. Estos pueden ser datos generados por una computadora cuántica, como las muestras recopiladas del procesador Sycamore para la demostración de supremacía cuántica de Google. Los datos cuánticos exhiben superposición y entrelazamiento, lo que lleva a distribuciones de probabilidad conjuntas que podrían requerir una cantidad exponencial de recursos computacionales clásicos para representar o almacenar. El experimento de supremacía cuántica demostró que es posible muestrear a partir de una distribución de probabilidad conjunta extremadamente compleja del espacio de Hilbert 2 ^ 53.

Los datos cuánticos generados por los procesadores NISQ son ruidosos y normalmente se entrelazan justo antes de que se produzca la medición. Las técnicas heurísticas de aprendizaje automático pueden crear modelos que maximicen la extracción de información clásica útil de datos enredados ruidosos. La biblioteca TensorFlow Quantum (TFQ) proporciona primitivas para desarrollar modelos que desenreden y generalizan correlaciones en datos cuánticos, lo que abre oportunidades para mejorar los algoritmos cuánticos existentes o descubrir nuevos algoritmos cuánticos.

Los siguientes son ejemplos de datos cuánticos que se pueden generar o simular en un dispositivo cuántico:

  • Simulación química: extraiga información sobre estructuras químicas y dinámicas con aplicaciones potenciales a la ciencia de los materiales, la química computacional, la biología computacional y el descubrimiento de fármacos.
  • Simulación de materia cuántica: modela y diseña superconductividad de alta temperatura u otros estados exóticos de la materia que exhiben efectos cuánticos de muchos cuerpos.
  • Control cuántico: los modelos cuánticos clásicos híbridos se pueden entrenar de forma variacional para realizar un control, una calibración y una mitigación de errores óptimos de bucle abierto o cerrado. Esto incluye estrategias de detección y corrección de errores para dispositivos cuánticos y procesadores cuánticos.
  • Redes de comunicación cuántica: utilice el aprendizaje automático para discriminar entre estados cuánticos no ortogonales, con aplicación al diseño y construcción de repetidores cuánticos estructurados, receptores cuánticos y unidades de purificación.
  • Metrología cuántica: las mediciones de alta precisión mejoradas cuantitativamente, como la detección cuántica y las imágenes cuánticas, se realizan inherentemente en sondas que son dispositivos cuánticos a pequeña escala y podrían diseñarse o mejorarse mediante modelos cuánticos variacionales.

Modelos híbridos cuánticos-clásicos

Un modelo cuántico puede representar y generalizar datos con un origen mecánico cuántico. Debido a que los procesadores cuánticos a corto plazo son todavía bastante pequeños y ruidosos, los modelos cuánticos no pueden generalizar datos cuánticos utilizando solo procesadores cuánticos. Los procesadores NISQ deben trabajar en conjunto con los coprocesadores clásicos para ser efectivos. Dado que TensorFlow ya admite la computación heterogénea en CPU, GPU y TPU, se utiliza como plataforma base para experimentar con algoritmos híbridos cuánticos-clásicos.

Una red neuronal cuántica (QNN) se utiliza para describir un modelo computacional cuántico parametrizado que se ejecuta mejor en una computadora cuántica. Este término a menudo es intercambiable con circuito cuántico parametrizado (PQC).

Investigación

Durante la era NISQ, los algoritmos cuánticos con aceleraciones conocidas sobre los algoritmos clásicos, como el algoritmo de factorización de Shor o el algoritmo de búsqueda de Grover, aún no son posibles a una escala significativa.

Un objetivo de TensorFlow Quantum es ayudar a descubrir algoritmos para la era NISQ, con especial interés en:

  1. Utilice el aprendizaje automático clásico para mejorar los algoritmos NISQ. La esperanza es que las técnicas del aprendizaje automático clásico puedan mejorar nuestra comprensión de la computación cuántica. En el metaaprendizaje de redes neuronales cuánticas a través de redes neuronales recurrentes clásicas , se utiliza una red neuronal recurrente (RNN) para descubrir que la optimización de los parámetros de control para algoritmos como QAOA y VQE son más eficientes que los simples optimizadores disponibles. Y el aprendizaje automático para el control cuántico utiliza el aprendizaje por refuerzo para ayudar a mitigar los errores y producir puertas cuánticas de mayor calidad.
  2. Modele datos cuánticos con circuitos cuánticos. El modelado clásico de datos cuánticos es posible si tiene una descripción exacta de la fuente de datos, pero a veces esto no es posible. Para resolver este problema, puede intentar modelar en la propia computadora cuántica y medir / observar las estadísticas importantes. Las redes neuronales convolucionales cuánticas muestra un circuito cuántico diseñado con una estructura análoga a una red neuronal convolucional (CNN) para detectar diferentes fases topológicas de la materia. La computadora cuántica contiene los datos y el modelo. El procesador clásico solo ve muestras de medición de la salida del modelo y nunca los datos en sí. En Renormalización de entrelazamiento robusto en una computadora cuántica ruidosa , los autores aprenden a comprimir información sobre sistemas cuánticos de muchos cuerpos utilizando un modelo DMERA.

Otras áreas de interés en el aprendizaje automático cuántico incluyen: