Cette page a été traduite par l'API Cloud Translation.
Switch to English

Concepts d'apprentissage automatique quantique

L' expérience de suprématie quantique de Google a utilisé 53 qubits bruyants pour démontrer qu'il pouvait effectuer un calcul en 200 secondes sur un ordinateur quantique qui prendrait 10000 ans sur le plus grand ordinateur classique utilisant des algorithmes existants. Cela marque le début de l'ère de l'informatique Noisy Intermediate-Scale Quantum (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 des ordinateurs classiques. Un ordinateur quantique utilise des qubits . Les Qubits sont comme des bits normaux dans un ordinateur, mais avec la possibilité supplémentaire d'être mis en superposition et de partager l' intrication les uns avec les autres.

Les ordinateurs classiques exécutent 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 émuler à grande échelle avec les ordinateurs classiques. Les idées pour tirer parti de l'informatique quantique NISQ comprennent l'optimisation, la simulation quantique, la cryptographie et l'apprentissage automatique.

Apprentissage automatique quantique

L'apprentissage automatique quantique (QML) repose sur deux concepts: les données quantiques et les modèles hybrides quantique-classique .

Données quantiques

Les données quantiques sont toute source de données qui se produit dans un système quantique naturel ou artificiel. Il peut s'agir de données générées par un ordinateur quantique, comme les échantillons recueillis à partir du processeur Sycamore pour la démonstration de la suprématie quantique par Google. Les données quantiques présentent une superposition et un enchevêtrement, conduisant à des distributions de probabilités conjointes qui pourraient nécessiter une quantité exponentielle de ressources de calcul classiques pour représenter ou 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 l'espace de Hilbert 2 ^ 53.

Les données quantiques générées par les processeurs NISQ sont bruyantes et généralement enchevêtrées juste avant la mesure. Les techniques heuristiques d'apprentissage automatique peuvent créer des modèles qui maximisent l'extraction d'informations classiques utiles à partir de données intriquées 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 des opportunités pour améliorer les algorithmes quantiques existants ou découvrir de nouveaux algorithmes quantiques.

Voici des exemples de données quantiques qui peuvent être générées ou simulées sur un dispositif quantique:

  • Simulation chimique - Extrayez des informations sur les structures et la dynamique chimiques avec des applications potentielles à la science des matériaux, à la chimie computationnelle, à la biologie computationnelle et à la découverte de médicaments.
  • Simulation de la matière quantique - Modélisez et concevez une supraconductivité à haute température ou d'autres états exotiques de la matière qui présentent des effets quantiques à plusieurs corps.
  • Contrôle quantique - Les modèles hybrides quantiques classiques peuvent être entraînés de manière variable pour effectuer un contrôle, un étalonnage et une atténuation des erreurs optimaux en boucle ouverte ou fermée. Cela inclut les stratégies de détection et de correction des erreurs pour les dispositifs quantiques et les processeurs quantiques.
  • Réseaux de communication quantique - Utilisez l'apprentissage automatique pour distinguer les états quantiques non orthogonaux, avec une application à la conception et à la construction de répéteurs quantiques structurés, de récepteurs quantiques et d'unités de purification.
  • Métrologie quantique - Les mesures de haute précision à amélioration quantitative, telles que la détection quantique et l'imagerie quantique, sont intrinsèquement effectuées sur des sondes qui sont des dispositifs quantiques à petite échelle et pourraient être conçues ou améliorées par des modèles quantiques variationnels.

Modèles hybrides classiques quantiques

Un modèle quantique peut représenter et généraliser des données d'origine mécanique 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 sur 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 quantiques (QNN) est utilisé pour décrire un modèle de calcul quantique paramétré qui est mieux exécuté sur un ordinateur quantique. Ce terme est souvent interchangeable avec le circuit quantique paramétré (PQC).

Recherche

À l'époque du NISQ, les algorithmes quantiques avec des accélérations connues par rapport aux algorithmes classiques - comme l'algorithme de factorisation de Shor ou l' algorithme de recherche de Grover - ne sont pas encore possibles à une échelle significative.

Un objectif 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 peuvent améliorer notre compréhension de l'informatique quantique. Dans le 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 pour des algorithmes tels que QAOA et VQE sont plus efficaces que de simples optimiseurs prêts à l'emploi. Et l'apprentissage automatique pour le contrôle quantique utilise l'apprentissage par renforcement pour aider à atténuer les erreurs et à produire des portes quantiques de meilleure qualité.
  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 la modélisation sur l'ordinateur quantique lui-même et mesurer / observer les statistiques importantes. Les réseaux de neurones convolutifs quantiques montrent un circuit quantique conçu avec une structure analogue à un réseau de neurones convolutionnels (CNN) pour détecter différentes phases topologiques de la matière. L'ordinateur quantique contient les données et le modèle. Le processeur classique ne voit que les échantillons de mesure à partir de la sortie du modèle et jamais les données elles-mêmes. Dans Renormalisation d'intrication robuste sur un ordinateur quantique bruyant , les auteurs apprennent à compresser des informations sur les systèmes quantiques à plusieurs corps à l'aide d'un modèle DMERA.

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