דף זה תורגם על ידי Cloud Translation API.
Switch to English

מושגי למידה קוונטית

בניסוי עליונות הקוונטים של גוגל השתמשו ב -53 קוביטים רועשים כדי להמחיש 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 הרועש הבינוני-קוונטי (NISQ). בשנים הקרובות צפויים מכשירים קוונטיים עם עשרות עד מאות קוויביטים רועשים להפוך למציאות.

מחשוב קוונטי

מחשוב קוונטי מסתמך על תכונות של מכניקת הקוונטים כדי לחשב בעיות שהיו מחוץ להישג ידם של מחשבים קלאסיים. מחשב קוונטי משתמש בקוביציות . קוביטים הם כמו ביטים רגילים במחשב, אך עם היכולת הנוספת להכניס לסופרפוזיציה ולחלוק הסתבכות זה עם זה.

מחשבים קלאסיים מבצעים פעולות קלאסיות דטרמיניסטיות או יכולים לחקות תהליכים הסתברותיים בשיטות דגימה. על ידי רתימת סופרפוזיציה והסתבכות, מחשבים קוונטיים יכולים לבצע פעולות קוונטיות שקשה לחקות בהיקף עם מחשבים קלאסיים. רעיונות למינוף מחשוב קוונטי של NISQ כוללים אופטימיזציה, סימולציה קוונטית, קריפטוגרפיה ולמידת מכונות.

למידת מכונות קוונטיות

למידת מכונות קוונטיות (QML) בנויה על שני מושגים: נתונים קוונטיים ומודלים קוונטיים-קלאסיים היברידיים .

נתונים קוונטיים

נתוני קוונטים הם כל מקור נתונים המתרחש במערכת קוונטית טבעית או מלאכותית. אלה יכולים להיות נתונים שנוצרו על ידי מחשב קוונטי, כמו הדגימות שנאספו ממעבד השקמים לצורך הדגמת עליונות קוונטית של גוגל. נתונים קוונטיים מציגים סופרפוזיציה והסתבכות, מה שמוביל להפצות הסתברות משותפות שיכולות לדרוש כמות מעריכית של משאבי חישוב קלאסיים לייצוג או לאחסון. הניסוי לעליונות קוונטית הראה שניתן לדגום החלוקה של הסתברות משותפת מורכבת ביותר של שטח Hilbert 2 ^ 53.

נתוני הקוונטים שנוצרים על ידי מעבדי NISQ רעשים ומסתבכים בדרך כלל רגע לפני שמתרחשת המדידה. טכניקות למידת מכונות היוריסטיות יכולות ליצור מודלים שממקסמים את המיצוי של מידע קלאסי שימושי מנתונים מסובכים רועשים. ספריית TensorFlow Quantum (TFQ) מספקת פרימיטיביות לפיתוח מודלים המתנתקים ומכלילים מתאם בנתוני קוונטים - פותחת הזדמנויות לשיפור אלגוריתמים קוונטיים קיימים או גילוי אלגוריתמים קוונטיים חדשים.

להלן דוגמאות לנתוני קוונטים הניתנים להפקה או הדמיה במכשיר קוונטי:

  • סימולציה כימית - חלוץ מידע על מבנים כימיים ודינמיקות עם יישומים פוטנציאליים למדע החומרים, כימיה חישובית, ביולוגיה חישובית וגילוי תרופות.
  • סימולציה של חומר קוונטי - דוגמנות ועיצוב של מוליכות טמפרטורה גבוהה או מצבים אקזוטיים אחרים של חומר המציגים השפעות קוונטיות רבות מגוף.
  • בקרת קוונטים - ניתן לאמן דגמים קוונטיים-קלאסיים היברידיים בכדי לבצע בקרה אופטימלית של בקרת לולאה פתוחה או סגורה, כיול והפחתת שגיאות. זה כולל אסטרטגיות לזיהוי ותיקון שגיאות עבור התקני קוונטים ומעבדי קוונטים.
  • רשתות תקשורת קוונטיות - השתמשו בלמידה של מכונות להבחנה בין מצבים קוונטיים שאינם אורתוגונליים, באמצעות יישום לתכנון ובנייה של משחזרי קוונטים מובנים, מקלטים קוונטיים ויחידות טיהור.
  • מטרולוגיה קוונטית - מדידות דיוק גבוהה משופרות בכמות, כמו חישת קוונטים והדמיית קוונטים, נעשות מטבען על בדיקות שהן התקני קוונטים בהיקף קטן וניתן לתכנן או לשפר באמצעות מודלים קוונטיים משתנים.

דגמים קוונטיים-קלאסיים היברידיים

מודל קוונטי יכול לייצג ולהכליל נתונים עם מקור מכני קוונטי. מכיוון שמעבדי הקוונטים לטווח הקרוב עדיין קטנים למדי ורועשים, מודלים קוונטיים אינם יכולים להכליל נתוני קוונטים באמצעות מעבדי קוונטים בלבד. על מעבדי NISQ לעבוד בשיתוף עם מעבדים משותפים קלאסיים בכדי להפוך ליעילים. מכיוון ש TensorFlow כבר תומך במחשוב הטרוגני על פני מעבדים, GPUs ו- TPUs, הוא משמש כפלטפורמת הבסיס להתנסות באלגוריתמים קוונטיים-קלאסיים היברידיים.

רשת עצבית קוונטית (QNN) משמשת לתיאור מודל חישובי קוונטי פרמטר אשר מבוצע בצורה הטובה ביותר במחשב קוונטי. לעתים קרובות ניתן להחליף מונח זה עם מעגל קוונטים פרמטרי (PQC).

מחקר

במהלך תקופת ה- NISQ, אלגוריתמים קוונטיים עם מהירויות ידועות על פני אלגוריתמים קלאסיים - כמו אלגוריתם הפקטורינג של שור או אלגוריתם החיפוש של גרובר - עדיין לא מתאפשרים בקנה מידה משמעותי.

המטרה של TensorFlow Quantum היא לעזור לגלות אלגוריתמים לתקופת NISQ, עם עניין מיוחד ב:

  1. השתמש בלמידת מכונה קלאסית כדי לשפר את האלגוריתמים של NISQ. התקווה היא שטכניקות מלמידת מכונה קלאסית יכולות לשפר את ההבנה שלנו בנושא מחשוב קוונטי. בלמידה מטאית לרשתות עצביות קוונטיות דרך רשתות עצביות קלאסיות חוזרות , רשת עצבית חוזרת (RNN) משמשת לגלות כי אופטימיזציה של פרמטרי הבקרה לאלגוריתמים כמו QAOA ו- VQE יעילים יותר מאשר פשוט ממיטבי המדף. ולמידה מכונה לבקרה קוונטית משתמשת בלמידת חיזוק כדי לעזור במתן שגיאות ולהפיק שערי קוונטים באיכות גבוהה יותר.
  2. מודל נתונים קוונטיים עם מעגלי קוונטים. דוגמנות קלאסית של נתונים קוואנטיים אפשרית אם יש לך תיאור מדויק של מקור הנתונים - אך לפעמים זה לא אפשרי. כדי לפתור בעיה זו, תוכלו לנסות לבצע דוגמנות על מחשב הקוונטים עצמו ולמדוד / להתבונן בסטטיסטיקה החשובה. רשתות עצביות מפותלות קוונטיות מציגות מעגל קוונטי שתוכנן עם מבנה המקביל לרשת עצבית מפותלת (CNN) לאיתור שלבים טופולוגיים שונים של חומר. מחשב הקוונטים מחזיק בנתונים ובמודל. המעבד הקלאסי רואה רק דגימות מדידה מפלט הדגם ולעולם לא את הנתונים עצמם. בשינוי נורמליזציה של הסתבכות חזקה במחשב קוונטי רועש , החוקרים לומדים לדחוס מידע אודות מערכות גוף רב-קוונטים באמצעות מודל DMERA.

תחומי עניין אחרים בלמידה של מכונות קוונטיות כוללים: