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

conceptos de aprendizaje de máquina cuántica

De Google experimento supremacía cuántica utiliza 53 qubits ruidosos para demostrar que podría realizar un cálculo en 200 segundos en un ordenador cuántico que tomaría 10.000 años en el equipo más grande clásica utilizando algoritmos existentes. Esto marca el comienzo de la ruidosa a escala intermedia Quantum (NISQ) era de la computación. En los próximos años, se espera que los dispositivos cuánticos con decenas a cientos de qubits-ruidosos para convertirse en una realidad.

Computación cuántica

La computación cuántica se basa en las propiedades de la mecánica cuántica para calcular los problemas que estarían fuera del alcance de los ordenadores clásicos. Un ordenador cuántico utiliza qubits. Qubits son como trozos regulares en un ordenador, pero con la posibilidad añadida de ser puestos en una superposición y compartir el entrelazamiento entre sí.

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

aprendizaje de la máquina cuántica

Quantum aprendizaje automático (QML) se basa en dos conceptos: los datos cuánticos y los modelos híbridos cuánticos-clásicos.

datos de Quantum

Datos de Quantum es cualquier fuente de datos que se produce en un sistema cuántico natural o artificial. Esto puede ser datos generados por un ordenador cuántico, al igual que las muestras recogidas desde el procesador de Sycamore para la demostración de la supremacía de Google cuántica. Quantum exposiciones de datos superposición y el entrelazamiento, que conduce a distribuciones de probabilidad conjunta que podrían requerir una cantidad exponencial de recursos computacionales clásicos para representar o tienda. El experimento supremacía cuántica mostró que es posible muestrear de una extremadamente compleja distribución de probabilidad conjunta de 2 ^ 53 espacio de Hilbert.

Los datos cuánticos generados por los procesadores NISQ son ruidosos y típicamente enreda justo antes de que ocurra la medición. técnicas de aprendizaje automático heurísticas pueden crear modelos que la extracción de la información de maximizar clásica útil de los datos entrelazados ruidosos. La biblioteca TensorFlow Quantum (CLT) proporciona primitivas para desarrollar modelos que desenredar y generalizar las correlaciones cuánticas en la técnica de la apertura de oportunidades para mejorar los algoritmos cuánticos existentes o descubrir nuevos algoritmos cuánticos.

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

  • Simulación información -Extracto química sobre estructuras químicas y dinámica con potenciales aplicaciones a la ciencia de materiales, la química computacional, biología computacional, y el descubrimiento de fármacos.
  • Quantum importa simulación -Modelo y el diseño de la superconductividad de alta temperatura o de otros estados exóticos de la materia que exhibe efectos cuánticos de muchos cuerpos.
  • Modelos cuánticos-clásico -Hybrid de control Quantum pueden variacional capacitados para realizar un control óptimo de bucle cerrado abierto o, calibración, y mitigación de error. Esto incluye estrategias de detección y corrección de errores para los dispositivos cuánticos y los procesadores cuánticos.
  • Redes de comunicación cuántica -Uso de aprendizaje automático para discriminar entre los estados cuánticos no ortogonales, con aplicación al diseño y construcción de repetidores cuánticos estructurados, receptores cuánticos, y unidades de purificación.
  • Quantum metrología -Quantum-mejorada mediciones de alta precisión tales como detección cuántica y de formación de imágenes cuántica se hacen inherentemente en sondas que son dispositivos cuánticos a pequeña escala y se podría diseñar o mejoradas por los modelos cuánticos variacional.

Los 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 pequeña y ruidosa, modelos cuánticos no se puede generalizar los datos cuánticos utilizando procesadores cuánticos solo. NISQ procesadores deben trabajar en conjunto con los compañeros de los procesadores clásicos para entrar en vigor. Desde TensorFlow ya soporta computación heterogénea a través de las CPU, GPU, y TPU, se utiliza como la plataforma de base para experimentar con algoritmos cuánticos-clásico híbridos.

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

Investigación

Durante el NISQ-era, algoritmos cuánticos con aceleraciones más conocidos algoritmos clásicos-como algoritmo de factorización de Shor o algoritmo de búsqueda de Grover aún no -son posibles en una escala significativa.

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

  1. Utilizar el aprendizaje de máquina clásica para mejorar los algoritmos NISQ. La esperanza es que las técnicas de aprendizaje de máquina clásica pueden mejorar nuestra comprensión de la computación cuántica. En el meta-aprendizaje para redes neuronales cuántica a través de redes neuronales recurrentes clásicos , una red neuronal recurrente (RNN) se utiliza para descubrir que la optimización de los parámetros de control de algoritmos como el QAOA y VQE son más eficientes que los optimizadores sencilla fuera de la plataforma. Y el aprendizaje automático para el control cuántico usos aprendizaje por refuerzo para ayudar a mitigar y errores producir puertas cuánticas de mayor calidad.
  2. Los datos cuánticos modelo con circuitos cuánticos. es posible modelar los datos clásicamente cuántica si usted tiene una descripción exacta de la fuente de datos, pero a veces esto no es posible. Para resolver este problema, puede intentar modelar en el ordenador cuántico sí y medir / observar las estadísticas importantes. Quantum convolucionales redes neuronales muestra un circuito cuántico diseñado con un análogo estructura a una red neural convolucional (CNN) para detectar diferentes fases topológicas de la materia. El ordenador cuántico contiene los datos y el modelo. El procesador clásica sólo ve muestras de medición de la salida del modelo y nunca los propios datos. En robusto renormalización enredo en un ordenador cuántico ruidosa , los autores aprenden a información compresa sobre los sistemas cuánticos de muchos cuerpos utilizando un modelo DMERA.

Otras áreas de interés en el aprendizaje de máquina cuántica incluyen: