הניסוי הקוונטי מעבר לקלאסי של גוגל השתמש ב-53 קיוביטים רועשים כדי להדגים שהוא יכול לבצע חישוב תוך 200 שניות במחשב קוונטי שייקח 10,000 שנים במחשב הקלאסי הגדול ביותר באמצעות אלגוריתמים קיימים. זה מסמן את תחילתו של עידן המחשוב הנועז בקנה מידה בינוני (NISQ). בשנים הקרובות, מכשירים קוונטיים עם עשרות עד מאות קיוביטים רועשים צפויים להפוך למציאות.
מחשוב קוונטי
מחשוב קוונטי מסתמך על מאפיינים של מכניקת הקוונטים כדי לחשב בעיות שיהיו מחוץ להישג ידם של מחשבים קלאסיים. מחשב קוונטי משתמש בקיוביטים . קוויביטים הם כמו ביטים רגילים במחשב, אבל עם יכולת נוספת להכניס אותם לסופרפוזיציה ולחלוק הסתבכות זה עם זה.
מחשבים קלאסיים מבצעים פעולות קלאסיות דטרמיניסטיות או יכולים לחקות תהליכים הסתברותיים באמצעות שיטות דגימה. על ידי רתימת סופרפוזיציה והסתבכות, מחשבים קוונטיים יכולים לבצע פעולות קוונטיות שקשה לחקות אותן בקנה מידה עם מחשבים קלאסיים. רעיונות למינוף מחשוב קוונטי של NISQ כוללים אופטימיזציה, סימולציה קוונטית, קריפטוגרפיה ולמידת מכונה.
למידת מכונה קוונטית
למידת מכונה קוונטית (QML) בנויה על שני מושגים: נתונים קוונטיים ומודלים קוונטיים-קלאסיים היברידיים .
נתונים קוונטיים
נתונים קוונטיים הם כל מקור נתונים המתרחש במערכת קוונטית טבעית או מלאכותית. זה יכול להיות נתונים שנוצרו על ידי מחשב קוונטי, כמו הדגימות שנאספו ממעבד השקמה להדגמת עליונות קוונטית של גוגל. נתונים קוונטיים מפגינים סופרפוזיציה והסתבכות, מה שמוביל להתפלגות הסתברות משותפות שעלולות לדרוש כמות אקספוננציאלית של משאבי חישוב קלאסיים לייצוג או אחסון. ניסוי העליונות הקוונטית הראה שאפשר לדגום מהתפלגות הסתברות משותפת מורכבת ביותר של 2^53 מרחב הילברט.
הנתונים הקוונטיים שנוצרים על ידי מעבדי NISQ רועשים ומסתבכים בדרך כלל ממש לפני המדידה. טכניקות למידת מכונה היוריסטיות יכולות ליצור מודלים הממקסמים את החילוץ של מידע קלאסי שימושי מנתונים סבוכים רועשים. ספריית TensorFlow Quantum (TFQ) מספקת פרימיטיביות לפיתוח מודלים שמפרקים ומכלילים קורלציות בנתונים קוונטיים - פותחים הזדמנויות לשיפור אלגוריתמים קוונטיים קיימים או לגלות אלגוריתמים קוונטיים חדשים.
להלן דוגמאות לנתונים קוונטיים שניתן להפיק או לדמות במכשיר קוונטי:
- סימולציה כימית - חילוץ מידע על מבנים כימיים ודינמיקה עם יישומים פוטנציאליים למדעי החומר, כימיה חישובית, ביולוגיה חישובית וגילוי תרופות.
- הדמיית חומר קוונטי - דגם ותכנן מוליכות-על בטמפרטורה גבוהה או מצבים אקזוטיים אחרים של חומר המפגינים השפעות קוונטיות של גופים רבים.
- בקרה קוונטית - ניתן לאמן מודלים קוונטיים-קלאסיים היברידיים לביצוע שליטה אופטימלית בלולאה פתוחה או סגורה, כיול והפחתת שגיאות. זה כולל אסטרטגיות זיהוי ותיקון שגיאות עבור התקנים קוונטיים ומעבדים קוונטיים.
- רשתות תקשורת קוונטית - השתמשו בלמידת מכונה כדי להבחין בין מצבים קוונטיים לא אורתוגונליים, עם יישום לתכנון ובנייה של משחזרים קוונטיים מובנים, מקלטים קוונטיים ויחידות טיהור.
- מטרולוגיה קוונטית - מדידות דיוק גבוהות משופרות קוונטיות כגון חישה קוונטית והדמיה קוונטית נעשות מטבען על בדיקות שהן התקנים קוונטיים בקנה מידה קטן וניתן לעצב או לשפר על ידי מודלים קוונטיים וריאציות.
מודלים קוונטיים-קלאסיים היברידיים
מודל קוונטי יכול לייצג ולהכליל נתונים עם מקור מכני קוונטי. מכיוון שמעבדים קוונטיים לטווח הקרוב הם עדיין קטנים ורועשים למדי, מודלים קוונטיים אינם יכולים להכליל נתונים קוונטיים באמצעות מעבדים קוונטיים בלבד. מעבדי NISQ חייבים לעבוד בשיתוף פעולה עם מעבדים משותפים קלאסיים כדי להיות יעילים. מכיוון ש-TensorFlow כבר תומך במחשוב הטרוגני בין מעבדי CPU, GPU ו-TPU, הוא משמש כפלטפורמה הבסיסית להתנסות באלגוריתמים קוונטיים-קלאסיים היברידיים.
רשת עצבית קוונטית (QNN) משמשת לתיאור מודל חישובי קוונטי בעל פרמטר שמבוצע בצורה הטובה ביותר במחשב קוונטי. מונח זה ניתן לרוב להחלפה עם מעגל קוונטי עם פרמטרים (PQC).
מחקר
בתקופת NISQ, אלגוריתמים קוונטיים עם מהירות מוגברת של אלגוריתמים קלאסיים - כמו אלגוריתם הפקטורינג של שור או אלגוריתם החיפוש של גרובר - אינם אפשריים עדיין בקנה מידה משמעותי.
המטרה של TensorFlow Quantum היא לעזור לגלות אלגוריתמים עבור עידן NISQ, עם עניין מיוחד ב:
- השתמש בלמידת מכונה קלאסית כדי לשפר אלגוריתמי NISQ. התקווה היא שטכניקות של למידת מכונה קלאסית יכולות לשפר את ההבנה שלנו במחשוב קוונטי. ב- meta-learning עבור רשתות עצביות קוונטיות באמצעות רשתות עצביות חוזרות קלאסיות , נעשה שימוש ברשת עצבית חוזרת (RNN) כדי לגלות שאופטימיזציה של פרמטרי הבקרה עבור אלגוריתמים כמו QAOA ו-VQE יעילה יותר מממטבי מדף פשוטים. ולמידת מכונה לבקרה קוונטית משתמשת בלמידת חיזוק כדי לסייע בהפחתת שגיאות ולייצר שערים קוונטיים באיכות גבוהה יותר.
- מודל נתונים קוונטיים עם מעגלים קוונטיים. מודלים קלאסיים של נתונים קוונטיים אפשריים אם יש לך תיאור מדויק של מקור הנתונים - אבל לפעמים זה לא אפשרי. כדי לפתור בעיה זו, אתה יכול לנסות מודלים על המחשב הקוונטי עצמו ולמדוד/להתבונן בסטטיסטיקה החשובה. רשתות קוונטיות עצביות קוונטיות מציגות מעגל קוונטי שתוכנן עם מבנה מקביל לרשת עצבית קונבולוציונית (CNN) כדי לזהות שלבים טופולוגיים שונים של החומר. המחשב הקוונטי מחזיק את הנתונים והמודל. המעבד הקלאסי רואה רק דגימות מדידה מפלט הדגם ולעולם לא את הנתונים עצמם. ברנורמליזציה חזקה של הסתבכות במחשב קוונטי רועש , המחברים לומדים לדחוס מידע על מערכות קוונטיות של הרבה גוף באמצעות מודל DMERA.
תחומי עניין נוספים בלמידת מכונה קוונטית כוללים:
- מודלים של נתונים קלאסיים גרידא במחשבים קוונטיים.
- אלגוריתמים קלאסיים בהשראת קוונטים.
- למידה מפוקחת עם מסווגים קוונטיים .
- למידה מסתגלת מבחינה שכבתית עבור רשת נוירונים קוונטית.
- לימוד דינמיקה קוונטית .
- מודלים גנרטיביים של מצבים קוונטיים מעורבים .
- סיווג עם רשתות עצביות קוונטיות על מעבדים לטווח קצר .