این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

مفاهیم یادگیری ماشین کوانتومی

آزمایش برتری کوانتومی گوگل از 53 کوبیت پر سر و صدا استفاده کرد تا نشان دهد این کار محاسبه ای را در مدت زمان 200 ثانیه بر روی یک کامپیوتر کوانتومی انجام می دهد که با استفاده از الگوریتم های موجود 10،000 سال در بزرگترین رایانه کلاسیک طول می کشد. این نشانگر آغاز دوره محاسبات ناسازگار مقیاس متوسط (NISQ) است. انتظار می رود در سال های آینده دستگاه های کوانتومی با ده ها تا صدها کوبیت پر سر و صدا به واقعیت تبدیل شود.

محاسبات کوانتومی

محاسبات کوانتومی برای محاسبه مشکلاتی که از دسترس رایانه های کلاسیک غیرممکن است به خواص مکانیک کوانتومی متکی است. یک کامپیوتر کوانتومی از qubits استفاده می کند. کیوبیت مانند بیت به طور منظم در یک کامپیوتر می باشد، اما با توانایی اضافه شده به توان به انطباق و سهم گرفتاری با یکدیگر قرار داده است.

رایانه های کلاسیک عملیات کلاسیک قطعی را انجام می دهند یا می توانند فرآیندهای احتمالی را با استفاده از روش نمونه گیری تقلید کنند. رایانه های کوانتومی با استفاده از ابرقابل تصرف و درهم تنیدگی ، می توانند عملیات کوانتومی را انجام دهند که شبیه سازی در مقیاس با رایانه های کلاسیک دشوار است. ایده هایی برای اعمال محاسبات کوانتومی NISQ شامل بهینه سازی ، شبیه سازی کوانتومی ، رمزنگاری و یادگیری ماشین است.

یادگیری ماشین کوانتومی

یادگیری ماشین کوانتومی (QML) بر اساس دو مفهوم ساخته شده است: داده های کوانتومی و مدل های کوانتومی کلاسیک ترکیبی .

داده های کوانتومی

داده کوانتومی هر منبع داده ای است که در یک سیستم کوانتومی طبیعی یا مصنوعی رخ می دهد. این می تواند داده هایی باشد که توسط یک کامپیوتر کوانتومی تولید می شود ، مانند نمونه هایی که از پردازنده Sycamore برای نمایش برتری کوانتومی توسط گوگل جمع آوری شده است. داده های کوانتومی نمایش ترکیبی و درهم آمیختگی را دارند که منجر به توزیع احتمال مشترک می شود که برای نمایش یا ذخیره نیاز به مقدار نمایی از منابع محاسباتی کلاسیک دارد. آزمایش برتری کوانتومی نشان داد که می توان از توزیع احتمال بسیار پیچیده مشترک فضای 2 ^ 53 هیلبرت نمونه برداری کرد.

داده های کوانتومی تولید شده توسط پردازنده های NISQ پر سروصدا هستند و معمولاً درست قبل از وقوع اندازه گیری ، درهم می شوند. تکنیک های یادگیری ماشین اکتشافی می توانند مدلهایی را ایجاد کنند که حداکثر استخراج اطلاعات کلاسیک مفید از داده های گرفتار پر سر و صدا را ایجاد کنند. كتابخانه TensorFlow Quantum (TFQ) ابتدایی را برای ایجاد مدلهایی كه جدا كردن و تعمیم روابط در داده های كوانتومی هستند فراهم می كند.

در زیر نمونه هایی از داده های کوانتومی وجود دارد که می توانند در دستگاه کوانتومی تولید یا شبیه سازی شوند:

  • شبیه سازی شیمیایی: اطلاعات مربوط به ساختارهای شیمیایی و دینامیک را با کاربردهای بالقوه در علوم مواد ، شیمی محاسباتی ، زیست شناسی محاسباتی و کشف دارو استخراج کنید.
  • شبیه سازی ماده کوانتومی odModel و طراحی ابررسانایی با دمای بالا یا سایر حالتهای عجیب و غریب از ماده که اثرات کوانتومی بسیاری از بدن را نشان می دهد.
  • کنترل کوانتومی - مدلهای کلاسیک کوانتومی ترکیبی ترکیبی می توانند برای انجام کنترل بهینه حلقه باز یا بسته ، کالیبراسیون و کاهش خطا بهینه شوند. این شامل استراتژی های تشخیص و تصحیح خطا برای دستگاه های کوانتومی و پردازنده های کوانتومی است.
  • شبکه های ارتباطی کوانتومی: از دستگاه یادگیری استفاده کنید تا میان کشورهای کوانتومی غیر متعامد تمایز قایل شود ، با استفاده از طراحی و ساخت تکرارهای کوانتومی ساخت یافته ، گیرنده های کوانتومی و واحدهای تصفیه.
  • اندازه گیری کوانتومی اندازه گیری های دقیق با کیفیت بالا مانند کوانتوم مانند سنجش کوانتومی و تصویربرداری کوانتومی ذاتاً بر روی پروب هایی انجام می شود که دستگاه های کوانتومی در مقیاس کوچک هستند و می توانند توسط مدل های کوانتومی متغیر طراحی و یا بهبود یابند.

مدل های کلاسیک کوانتومی ترکیبی

یک مدل کوانتومی می تواند داده هایی را با منشأ مکانیکی کوانتومی نمایندگی و تعمیم دهد. از آنجا که پردازنده های کوانتومی نزدیک به مدت هنوز هم نسبتاً کوچک و پر سر و صدا هستند ، مدل های کوانتومی نمی توانند داده های کوانتومی را تنها با استفاده از پردازنده های کوانتومی به تنهایی تعمیم دهند. پردازنده های NISQ برای مؤثر بودن باید با همکار پردازنده های کلاسیک به طور هماهنگ همکاری کنند. از آنجایی که TensorFlow از محاسبات ناهمگن در سراسر CPU ، GPU و TPU پشتیبانی می کند ، از آن به عنوان بستر پایه برای آزمایش الگوریتم های کوانتومی کلاسیک ترکیبی استفاده می شود.

یک شبکه عصبی کوانتومی (QNN) برای توصیف یک مدل محاسباتی کوانتومی پارامتری که به بهترین وجه بر روی یک کامپیوتر کوانتومی اجرا می شود ، استفاده می شود. این اصطلاح اغلب با مدار کوانتومی پارامتری (PQC) قابل تعویض است.

پژوهش

در دوره NISQ ، الگوریتم های کوانتومی با سرعت های شناخته شده نسبت به الگوریتم های کلاسیک مانند الگوریتم فاکتورینگ شور یا الگوریتم جستجوی گروور هنوز در مقیاس معنی دار امکان پذیر نیست.

هدف TensorFlow Quantum کمک به کشف الگوریتم های دوره NISQ است ، با علاقه خاصی به:

  1. برای تقویت الگوریتم های NISQ از یادگیری ماشین کلاسیک استفاده کنید. امید این است که تکنیک های یادگیری ماشین کلاسیک می توانند درک ما از محاسبات کوانتومی را تقویت کنند. در فرا یادگیری برای شبکه های عصبی کوانتومی از طریق شبکه های عصبی مکرر کلاسیک ، از یک شبکه عصبی مکرر (RNN) استفاده می شود تا کشف شود که بهینه سازی پارامترهای کنترل برای الگوریتم هایی مانند QAOA و VQE از کارآمد تر از بهینه سازهای قفسه کارایی دارد. و یادگیری ماشین برای کنترل کوانتومی از یادگیری تقویت کننده برای کمک به کاهش خطاها و تولید دروازه های کوانتومی با کیفیت بالاتر استفاده می کند.
  2. داده های کوانتومی را با مدارهای کوانتومی مدل کنید. اگر توضیحی دقیق از منبع داده داشته باشید ، مدل سازی کلاسیک از داده های کوانتومی امکان پذیر است ، اما گاهی اوقات این امکان پذیر نیست. برای حل این مشکل ، می توانید از خود کامپیوتر کوانتومی مدل سازی کنید و آمار مهم را اندازه گیری و مشاهده کنید. شبکه های عصبی حلقوی کوانتومی یک مدار کوانتومی طراحی شده با ساختار مشابه شبکه عصبی کانونشنال (CNN) برای تشخیص مراحل مختلف توپولوژیکی ماده را نشان می دهد. کامپیوتر کوانتومی داده ها و مدل را نگه می دارد. پردازنده کلاسیک فقط نمونه های اندازه گیری را از خروجی مدل می بیند و هرگز خود داده ها نیست. در نوسازی مجدد پیچیده محکم بر روی یک کامپیوتر کوانتومی پر سر و صدا ، نویسندگان یاد می گیرند که با استفاده از یک مدل DMERA ، اطلاعات مربوط به سیستم های کوانتومی زیادی بدن را فشرده کنند.

سایر مناطق مورد علاقه در یادگیری ماشین کوانتومی عبارتند از: