גוגל קוונטים ומעבר-קלאסי ניסוי בשימוש 53 קווביטים רועשים להפגין שהוא יכול לבצע חישוב ב 200 שניות על מחשב קוונטים שייקח 10,000 שנים על המחשב קלאסי הגדול באמצעות אלגוריתמים קיימים. סימנים זו תחילת קוונטית ביניים-הסולם הרועש (NISQ) עידן מחשוב. בשנים הקרובות צפויה להפוך מכשיר קוונטי עם עשרות עד מאות קוויביט רועש למציאות.
מחשוב קוונטי
מחשוב קוונטי מסתמך על תכונות של מכניקת הקוונטים כדי לחשב בעיות שהן בלתי נגישות למחשבים קלאסיים. מחשב קוונטי משתמשת קווביטים. קווביטים הם כמו פיסות רגילות במחשב, אבל עם היכולת להוסיף לאשפז אותה הסתבכות סופרפוזיציה ולשתף אחד עם השני.
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, הצפנה ולמידת מכונה.
למידת מכונה קוונטית
הלמידה מכונה קוונטית (QML) בנוי על שני מושגים: נתוני קוונטים ומודלי קוונטים-קלסיים היברידיים.
נתונים קוונטיים
נתונים קוונטית הוא כול מקור נתונים המתרחש במערכת קוונטית טבעית או מלאכותית. זה יכול להיות נתונים שנוצרו על ידי מחשב קוונטים, כמו הדגימות שנאספו מעבד השקמים על בכורת ההפגנה של קוונטים של גוגל. נתונים קוונטיים מפגינים סופרפוזיציה והסתבכות, מה שמוביל להתפלגויות הסתברות משותפות שעלולות לדרוש כמות אקספוננציאלית של משאבי חישוב קלאסיים לייצוג או לאחסן. ניסוי העליונות הקוונטית הראה שניתן לדגום מתוך התפלגות הסתברות משותפת מורכבת ביותר של 2^53 מרחב הילברט.
הנתונים הקוונטיים שנוצרים על ידי מעבדי NISQ הם רועשים ובדרך כלל מסתבכים ממש לפני שהמדידה מתרחשת. טכניקות למידה מכונה היוריסטית יכולות ליצור מודלים הממקסמים מיצוי מידע קלאסי שימושי מנתונים סבוכים. ספריית TensorFlow Quantum (TFQ) מספקת פרימיטיבים לפיתוח מודלים המפרקים ומכללים מתאמים בנתונים קוונטיים - פותחים הזדמנויות לשיפור אלגוריתמים קוונטיים קיימים או לגלות אלגוריתמים קוונטיים חדשים.
להלן דוגמאות לנתונים קוונטיים שניתן לייצר או לדמותם במכשיר קוונטי:
- סימולציה כימי מידע -Extract על מבני דינמיקה כימיים עם יישומים פוטנציאליים למדע חומרים, כימיה חישובית, ביולוגיה חישובית, ועל גילוי תרופות.
- Quantum משנה סימולציה -Model ועיצוב מוליכות-על בטמפרטורות גבוהות או מדינות אקזוטיות אחרות של עניין אשר מפגינות אפקטים קוונטיים רב-גוף.
- מלאי קוונטית דגמי -Hybrid קוונטים-קלסיים ניתן לאמן variationally לבצע בקרה פתוח או סגור אופטימלית, כיול, והפחתת שגיאה. זה כולל אסטרטגיות לזיהוי ותיקון שגיאות עבור מכשירים קוונטיים ומעבדים קוונטיים.
- רשתות תקשורת קוונטית -השתמש למידה חישובית להפלות בין מצבים קוונטיים לא אורתוגונלי, עם יישום ביצוע והקמה של החוזרים הקוונטים מובנים, מקלטי הקוונטים, ויחידות טיהור.
- Quantum המטרולוגיה -Quantum משופרת מדידות דיוק גבוהה כגון חישה הקוונטים ודימות הקוונטים הם מטבעם נעשה על בדיקות כי הם מכשירים הקוונטים בקנה מידה קטן יכול להיות מתוכנן או שיפור של מודלים הקוונטים וריאציה.
דגמים קוונטיים-קלאסיים היברידיים
מודל קוונטי יכול לייצג ולהכלל נתונים ממקור מכני קוונטי. מכיוון שמעבדים קוונטיים לטווח קצר עדיין קטנים ורועשים למדי, מודלים קוונטיים אינם יכולים להכליל נתונים קוונטיים באמצעות מעבדים קוונטיים בלבד. מעבדי NISQ חייבים לעבוד בשיתוף פעולה עם מעבדים קלאסיים כדי להפוך לאפקטיביים. מכיוון ש- TensorFlow כבר תומך במחשוב הטרוגני בין מעבדים, מעבדי GPU ו- TPU, הוא משמש כפלטפורמת הבסיס להתנסות באלגוריתמים קוונטיים-קלאסיים היברידיים.
רשת עצבית קוונטים (QNN) משמשת לתיאור מודל חישובי קוונטי פרמטרים אשר מבוצע הטובה ביותר על מחשב קוונטים. מונח זה הוא לעתים קרובות להחלפה עם מעגל קוונטי פרמטרים (PQC).
מחקר
במהלך NISQ-עידן, אלגוריתמים קוונטיים עם speedups ידוע מעל אלגוריתמים דמוי קלאסית אלגוריתם הפקטורינג של שור או אלגוריתם החיפוש של גרובר -האם עדיין לא אפשרי בקנה מידה משמעותי.
מטרתו של TensorFlow Quantum היא לסייע באיתור אלגוריתמים לעידן NISQ, תוך התעניינות מיוחדת ב:
- השתמש בלמידת מכונה קלאסית לשיפור אלגוריתמים של NISQ. התקווה היא שטכניקות מלמידת מכונה קלאסית יכולות לשפר את הבנתנו את המחשוב הקוונטי. בשנת מטא-למידה עבור רשתות עצביות קוונטים באמצעות רשתות עצביות קלסיות חוזרות , רשת עצבית חוזרת (RNN) משמשת לגילוי אופטימיזציה של הפרמטרים בקרו אלגוריתמים כמו QAOA ו VQE הם יעילים יותר מאשר פשוט מעל אופטימיזציה המדף. וזה למידה מכונה לשליטת קוונטי שימושי חיזוק לימוד שגיאות למתן עזרה לייצר שער קוונטים באיכות גבוהה.
- דגם נתונים קוונטיים עם מעגלים קוונטיים. דוגמנות קלאסית של נתונים קוונטיים אפשרית אם יש לך תיאור מדויק של מקור הנתונים - אך לפעמים זה לא אפשרי. כדי לפתור בעיה זו, תוכל לנסות דוגמנות על המחשב הקוונטי עצמו ולמדוד/להתבונן בסטטיסטיקה החשובה. רשתות קוונטית קונבולוציה עצביות מופעי מעגל קוונטים נועד עם מקביל למבנה לרשת עצבית קונבולוציה (CNN) כדי לזהות שלבי טופולוגי שונים של עניין. המחשב הקוונטי מחזיק את הנתונים ואת המודל. המעבד הקלאסי רואה רק דגימות מדידה מפלט המודל ואף פעם לא את הנתונים עצמם. בשנת הרנומליזציה הסתבכות חזקה במחשב קוונטי רועש , המחברים ללמוד מידע לדחוס על מערכות קוונטיות רב-גוף באמצעות מודל DMERA.
תחומי עניין אחרים בלמידת מכונה קוונטית כוללים:
- דוגמנות נתונים קלאסיים גרידא במחשבים קוונטיים.
- אלגוריתמים קלאסיים בהשראה קוונטית.
- בפיקוח למידה עם מסווגים הקוונטים .
- למידה אדפטיבית מבחינה שכבתית עבור רשת עצבית קוונטית.
- דינמיקה קוונטית למידה .
- דוגמנות Generative של מצבי קוונטיים מעורבים .
- סיווג עם רשתות עצביות קוונטים על מעבדים בטווח קרובים .