Aide à protéger la Grande barrière de corail avec tensorflow sur Kaggle Rejoignez Défi

Concepts d'apprentissage automatique quantique

Google quantum au - delà de l' expérience classique utilisé 53 qubits bruyants pour démontrer qu'il pourrait effectuer un calcul en 200 secondes sur un ordinateur quantique qui prendrait 10.000 ans sur le plus grand ordinateur classique en utilisant des algorithmes existants. Cela marque le début du Noisy Quantum échelle intermédiaire ère informatique (NISQ). Dans les années à venir, les dispositifs quantiques avec des dizaines à des centaines de qubits bruyants devraient devenir une réalité.

L'informatique quantique

L'informatique quantique s'appuie sur les propriétés de la mécanique quantique pour calculer des problèmes qui seraient hors de portée pour les ordinateurs classiques. Un ordinateur quantique utilise qubits. Qubits sont comme des morceaux réguliers dans un ordinateur, mais avec la capacité supplémentaire à mettre en une superposition et intrication part les uns aux autres.

Les ordinateurs classiques effectuent des opérations classiques déterministes ou peuvent émuler des processus probabilistes à l'aide de méthodes d'échantillonnage. En exploitant la superposition et l'intrication, les ordinateurs quantiques peuvent effectuer des opérations quantiques difficiles à imiter à grande échelle avec les ordinateurs classiques. Les idées pour tirer parti de l'informatique quantique NISQ incluent l'optimisation, la simulation quantique, la cryptographie et l'apprentissage automatique.

Apprentissage automatique quantique

Apprentissage machine quantique (QML) repose sur deux concepts: les données quantiques et des modèles quantiques hybrides classiques.

Données quantiques

Quantum données est une source de données qui se produit dans un système quantique naturel ou artificiel. Cela peut être des données générées par un ordinateur quantique, comme les échantillons recueillis à partir du processeur Sycamore pour la démonstration de Google de suprématie quantique. Les données quantiques présentent une superposition et un enchevêtrement, conduisant à des distributions de probabilité conjointes qui pourraient nécessiter une quantité exponentielle de ressources de calcul classiques à représenter ou à stocker. L'expérience de suprématie quantique a montré qu'il est possible d'échantillonner à partir d'une distribution de probabilité conjointe extrêmement complexe de 2^53 espace de Hilbert.

Les données quantiques générées par les processeurs NISQ sont bruyantes et généralement enchevêtrées juste avant la mesure. Les techniques d'apprentissage automatique heuristique peuvent créer des modèles qui maximisent l'extraction d'informations classiques utiles à partir de données enchevêtrées bruyantes. La bibliothèque TensorFlow Quantum (TFQ) fournit des primitives pour développer des modèles qui démêlent et généralisent les corrélations dans les données quantiques, ouvrant ainsi la possibilité d'améliorer les algorithmes quantiques existants ou de découvrir de nouveaux algorithmes quantiques.

Voici des exemples de données quantiques pouvant être générées ou simulées sur un appareil quantique :

  • Simulation chimique Informations -Extrait sur les structures chimiques et dynamiques avec des applications potentielles à la science des matériaux, la chimie informatique, biologie computationnelle, et la découverte de médicaments.
  • Quantum importe la simulation et la conception -Model supraconductivité à haute température ou d' autres états exotiques de la matière qui présente des effets quantiques à plusieurs corps.
  • Quantum contrôle -Hybrid modèles quantiques classiques peuvent être variationnellement formés pour effectuer un contrôle optimal en boucle ouverte ou fermée, l' étalonnage et l' atténuation des erreurs. Cela inclut des stratégies de détection et de correction d'erreurs pour les dispositifs quantiques et les processeurs quantiques.
  • Les réseaux de communication quantique -Utilisation apprentissage automatique pour distinguer entre les états quantiques non orthogonaux, et l' application à la conception et la construction de répéteurs quantiques structurés, récepteurs quantiques, et des unités de purification.
  • Métrologie quantique -Quantum-renforcé mesures de haute précision telles que la détection et l' imagerie quantique quantique sont intrinsèquement effectuées sur des sondes qui sont des dispositifs quantiques à petite échelle et pourrait être conçu ou améliorées par des modèles quantiques variationnelle.

Modèles hybrides quantiques-classiques

Un modèle quantique peut représenter et généraliser des données d'origine quantique. Parce que les processeurs quantiques à court terme sont encore assez petits et bruyants, les modèles quantiques ne peuvent pas généraliser les données quantiques en utilisant uniquement des processeurs quantiques. Les processeurs NISQ doivent travailler de concert avec les coprocesseurs classiques pour devenir efficaces. Étant donné que TensorFlow prend déjà en charge le calcul hétérogène entre les processeurs, les GPU et les TPU, il est utilisé comme plate-forme de base pour expérimenter des algorithmes hybrides quantiques-classiques.

Un réseau de neurones quantique (QNN) est utilisé pour décrire un modèle de calcul quantique paramétré qui est le mieux exécuté sur un ordinateur quantique. Ce terme est souvent interchangeable avec circuit quantique paramétrés (PQC).

Recherche

Au cours de la NISQ époque, les algorithmes quantiques avec speedups connus par rapport aux algorithmes classiques comme- algorithme d'affacturage de Shor ou l'algorithme de recherche de Grover -Est -ce pas encore possible à une échelle significative.

L'un des objectifs de TensorFlow Quantum est d'aider à découvrir des algorithmes pour l'ère NISQ, avec un intérêt particulier pour :

  1. Utilisez l'apprentissage automatique classique pour améliorer les algorithmes NISQ. L'espoir est que les techniques de l'apprentissage automatique classique puissent améliorer notre compréhension de l'informatique quantique. Dans une méta-apprentissage pour les réseaux de neurones quantiques via les réseaux de neurones récurrents classiques , un réseau de neurones récurrents (RNN) est utilisé pour découvrir que l' optimisation des paramètres de contrôle des algorithmes tels que le QAOA et VQE sont plus efficaces que simples au large des optimiseurs de plateau. Et l' apprentissage de la machine pour le contrôle quantique utilise le renforcement apprentissage à des erreurs d'aide à atténuer et à produire des portes quantiques de qualité supérieure.
  2. Modélisez des données quantiques avec des circuits quantiques. La modélisation classique des données quantiques est possible si vous avez une description exacte de la source de données, mais parfois ce n'est pas possible. Pour résoudre ce problème, vous pouvez essayer de modéliser sur l'ordinateur quantique lui-même et mesurer/observer les statistiques importantes. Quantum réseaux de neurones convolutionnels montre un circuit quantique conçu avec une structure analogue à un réseau neuronal convolutif (CNN) pour détecter les différentes phases topologiques de la matière. L'ordinateur quantique détient les données et le modèle. Le processeur classique ne voit que les échantillons de mesure de la sortie du modèle et jamais les données elles-mêmes. Dans renormalisation d'enchevêtrement robuste sur un ordinateur quantique bruyant , les auteurs apprennent à l' information sur les systèmes quantiques compress plusieurs corps en utilisant un modèle de DMERA.

D'autres domaines d'intérêt pour l'apprentissage automatique quantique comprennent :