Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

Konsep pembelajaran mesin kuantum

Eksperimen supremasi kuantum Google menggunakan 53 qubit berisik untuk mendemonstrasikan bahwa ia dapat melakukan penghitungan dalam 200 detik pada komputer kuantum yang akan memakan waktu 10.000 tahun pada komputer klasik terbesar menggunakan algoritme yang ada. Ini menandai awal dari era komputasi Noisy Intermediate-Scale Quantum (NISQ). Di tahun-tahun mendatang, perangkat kuantum dengan puluhan hingga ratusan qubit yang berisik diharapkan menjadi kenyataan.

Komputasi kuantum

Komputasi kuantum bergantung pada properti mekanika kuantum untuk menghitung masalah yang tidak dapat dijangkau oleh komputer klasik. Komputer kuantum menggunakan qubit . Qubit seperti bit biasa di komputer, tetapi dengan kemampuan tambahan untuk ditempatkan di superposisi dan berbagi keterikatan satu sama lain.

Komputer klasik melakukan operasi klasik deterministik atau dapat meniru proses probabilistik menggunakan metode pengambilan sampel. Dengan memanfaatkan superposisi dan belitan, komputer kuantum dapat melakukan operasi kuantum yang sulit ditiru dalam skala besar dengan komputer klasik. Ide untuk memanfaatkan komputasi kuantum NISQ mencakup pengoptimalan, simulasi kuantum, kriptografi, dan pembelajaran mesin.

Pembelajaran mesin kuantum

Pembelajaran mesin kuantum (QML) dibangun di atas dua konsep: data kuantum dan model klasik kuantum hibrid .

Data kuantum

Data kuantum adalah sumber data apa pun yang terjadi dalam sistem kuantum alami atau buatan. Ini bisa menjadi data yang dihasilkan oleh komputer kuantum, seperti sampel yang dikumpulkan dari prosesor Sycamore untuk demonstrasi supremasi kuantum Google. Data kuantum menunjukkan superposisi dan keterjeratan, yang mengarah ke distribusi probabilitas gabungan yang mungkin memerlukan sejumlah eksponensial sumber daya komputasi klasik untuk diwakili atau disimpan. Eksperimen supremasi kuantum menunjukkan kemungkinan untuk mengambil sampel dari distribusi probabilitas gabungan yang sangat kompleks dari ruang Hilbert 2 ^ 53.

Data kuantum yang dihasilkan oleh prosesor NISQ berisik dan biasanya terjerat tepat sebelum pengukuran terjadi. Teknik pembelajaran mesin heuristik dapat membuat model yang memaksimalkan ekstraksi informasi klasik yang berguna dari data terjerat yang berisik. Pustaka TensorFlow Quantum (TFQ) menyediakan primitif untuk mengembangkan model yang menguraikan dan menggeneralisasi korelasi dalam data kuantum — membuka peluang untuk meningkatkan algoritme kuantum yang ada atau menemukan algoritme kuantum baru.

Berikut ini adalah contoh data kuantum yang dapat dihasilkan atau disimulasikan pada perangkat kuantum:

  • Simulasi kimia — Mengekstrak informasi tentang struktur dan dinamika kimia dengan aplikasi potensial untuk ilmu material, kimia komputasi, biologi komputasi, dan penemuan obat.
  • Simulasi materi kuantum —Modelkan dan desain superkonduktivitas suhu tinggi atau keadaan materi eksotis lainnya yang menunjukkan efek kuantum banyak benda.
  • Kontrol kuantum — Model-model klasik kuantum hibrid dapat dilatih secara bervariasi untuk melakukan kontrol loop terbuka atau tertutup yang optimal, kalibrasi, dan mitigasi kesalahan. Ini termasuk deteksi kesalahan dan strategi koreksi untuk perangkat kuantum dan prosesor kuantum.
  • Jaringan komunikasi kuantum —Gunakan pembelajaran mesin untuk membedakan antara status kuantum non-ortogonal, dengan aplikasi untuk merancang dan membangun repeater kuantum terstruktur, penerima kuantum, dan unit pemurnian.
  • Metrologi kuantum — Pengukuran presisi tinggi yang ditingkatkan kuantum seperti penginderaan kuantum dan pencitraan kuantum secara inheren dilakukan pada probe yang merupakan perangkat kuantum skala kecil dan dapat dirancang atau ditingkatkan dengan model kuantum variasional.

Model hybrid kuantum-klasik

Model kuantum dapat merepresentasikan dan menggeneralisasi data dengan asal mekanis kuantum. Karena prosesor kuantum jangka pendek masih cukup kecil dan berisik, model kuantum tidak dapat menggeneralisasi data kuantum hanya menggunakan prosesor kuantum. Prosesor NISQ harus bekerja sama dengan prosesor klasik agar efektif. Karena TensorFlow sudah mendukung komputasi heterogen di seluruh CPU, GPU, dan TPU, ini digunakan sebagai platform dasar untuk bereksperimen dengan algoritme hybrid kuantum-klasik.

Jaringan saraf kuantum (QNN) digunakan untuk menggambarkan model komputasi kuantum berparameter yang paling baik dijalankan pada komputer kuantum. Istilah ini sering dipertukarkan dengan rangkaian kuantum berparameter (PQC).

Penelitian

Selama era NISQ, algoritme kuantum dengan percepatan yang diketahui dibandingkan algoritme klasik — seperti algoritme pemfaktoran Shor atau algoritme penelusuran Grover — belum mungkin dilakukan pada skala yang berarti.

Tujuan TensorFlow Quantum adalah membantu menemukan algoritme untuk era NISQ, dengan minat khusus pada:

  1. Gunakan pembelajaran mesin klasik untuk menyempurnakan algoritme NISQ. Harapannya, teknik dari pembelajaran mesin klasik dapat meningkatkan pemahaman kita tentang komputasi kuantum. Dalam pembelajaran meta untuk jaringan saraf kuantum melalui jaringan saraf berulang klasik , jaringan saraf berulang (RNN) digunakan untuk menemukan bahwa pengoptimalan parameter kontrol untuk algoritme seperti QAOA dan VQE lebih efisien daripada pengoptimalan sederhana. Dan pembelajaran mesin untuk kontrol kuantum menggunakan pembelajaran penguatan untuk membantu mengurangi kesalahan dan menghasilkan gerbang kuantum berkualitas lebih tinggi.
  2. Modelkan data kuantum dengan sirkuit kuantum. Pemodelan data kuantum secara klasik dimungkinkan jika Anda memiliki deskripsi yang tepat tentang sumber data — tetapi terkadang hal ini tidak memungkinkan. Untuk mengatasi masalah ini, Anda dapat mencoba membuat model pada komputer kuantum itu sendiri dan mengukur / mengamati statistik penting. Jaringan neural konvolusional kuantum menunjukkan rangkaian kuantum yang dirancang dengan struktur yang analog dengan jaringan saraf konvolusional (CNN) untuk mendeteksi fase topologi materi yang berbeda. Komputer kuantum menyimpan data dan modelnya. Prosesor klasik hanya melihat sampel pengukuran dari keluaran model dan tidak pernah melihat data itu sendiri. Dalam renormalisasi keterikatan yang kuat pada komputer kuantum yang berisik , penulis belajar mengompresi informasi tentang sistem banyak benda kuantum menggunakan model DMERA.

Bidang minat lain dalam pembelajaran mesin kuantum meliputi: