Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

Konsep pembelajaran mesin kuantum

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

Komputasi kuantum

Komputasi kuantum bergantung pada sifat-sifat mekanika kuantum untuk menghitung masalah yang tidak terjangkau oleh komputer klasik. Komputer kuantum menggunakan qubit . Qubit seperti bit biasa di komputer, tetapi dengan kemampuan tambahan untuk dimasukkan ke 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 keterikatan, komputer kuantum dapat melakukan operasi kuantum yang sulit ditiru pada skala dengan komputer klasik. Gagasan untuk meningkatkan komputasi kuantum NISQ meliputi optimisasi, simulasi kuantum, kriptografi, dan pembelajaran mesin.

Pembelajaran mesin kuantum

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

Data kuantum

Data kuantum adalah setiap sumber data yang terjadi dalam sistem kuantum alami atau buatan. Ini bisa berupa data yang dihasilkan oleh komputer kuantum, seperti sampel yang dikumpulkan dari prosesor Sycamore untuk demonstrasi Google mengenai supremasi kuantum. Data kuantum menunjukkan superposisi dan keterjeratan, yang mengarah ke distribusi probabilitas gabungan yang dapat membutuhkan jumlah eksponensial dari sumber daya komputasi klasik untuk direpresentasikan atau disimpan. Eksperimen supremasi kuantum menunjukkan kemungkinan untuk mengambil sampel dari distribusi probabilitas gabungan yang sangat kompleks dari ruang 2 ^ 53 Hilbert.

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 bising. Pustaka TensorFlow Quantum (TFQ) menyediakan primitif untuk mengembangkan model yang menguraikan dan menggeneralisasi korelasi dalam data kuantum — membuka peluang untuk meningkatkan algoritma kuantum yang ada atau menemukan algoritma kuantum baru.

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

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

Model hybrid kuantum-klasik

Model kuantum dapat mewakili dan menggeneralisasi data dengan asal mekanis kuantum. Karena prosesor kuantum jangka pendek masih cukup kecil dan berisik, model kuantum tidak dapat menggeneralisasi data kuantum menggunakan prosesor kuantum saja. Prosesor NISQ harus bekerja bersama dengan co-prosesor klasik untuk menjadi efektif. Karena TensorFlow sudah mendukung komputasi heterogen di seluruh CPU, GPU, dan TPU, TensorFlow digunakan sebagai platform dasar untuk bereksperimen dengan algoritma hybrid kuantum-klasik.

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

Penelitian

Selama era NISQ, algoritma kuantum dengan kecepatan yang diketahui lebih dari algoritma klasik — seperti algoritma pemfaktoran Shor atau algoritma pencarian Grover — belum dimungkinkan pada skala yang berarti.

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

  1. Gunakan pembelajaran mesin klasik untuk meningkatkan algoritma NISQ. Harapannya adalah bahwa teknik dari pembelajaran mesin klasik dapat meningkatkan pemahaman kita tentang komputasi kuantum. Dalam meta-learning untuk jaringan saraf kuantum melalui jaringan saraf berulang klasik , jaringan saraf berulang (RNN) digunakan untuk menemukan bahwa optimalisasi parameter kontrol untuk algoritma seperti QAOA dan VQE lebih efisien daripada pengoptimal sederhana. Dan pembelajaran mesin untuk kontrol kuantum menggunakan pembelajaran penguatan untuk membantu mengurangi kesalahan dan menghasilkan gerbang kuantum berkualitas lebih tinggi.
  2. Memodelkan data kuantum dengan sirkuit kuantum. Pemodelan klasik data kuantum dimungkinkan jika Anda memiliki deskripsi yang tepat tentang sumber data — tetapi kadang-kadang ini tidak mungkin. Untuk mengatasi masalah ini, Anda dapat mencoba pemodelan pada komputer kuantum itu sendiri dan mengukur / mengamati statistik penting. Jaringan neural convolutional neural menunjukkan sirkuit kuantum yang dirancang dengan struktur analog dengan jaringan neural convolutional (CNN) untuk mendeteksi berbagai fase topologi materi. Komputer kuantum menyimpan data dan model. Prosesor klasik hanya melihat sampel pengukuran dari output model dan tidak pernah data itu sendiri. Dalam renormalisasi keterikatan Robust pada komputer kuantum yang bising , penulis belajar untuk mengompres informasi tentang sistem banyak-tubuh kuantum menggunakan model DMERA.

Bidang minat lain dalam pembelajaran mesin kuantum meliputi: