Google I/O adalah bungkusnya! Ikuti sesi TensorFlow Lihat sesi

Konsep pembelajaran mesin kuantum

Google kuantum luar-klasik percobaan digunakan 53 qubit berisik untuk menunjukkan hal itu bisa melakukan perhitungan di 200 detik pada komputer kuantum yang akan mengambil 10.000 tahun pada komputer klasik terbesar menggunakan algoritma yang ada. Tanda ini awal dari Bising Menengah Skala Quantum (NISQ) era komputasi. Di tahun-tahun mendatang, perangkat kuantum dengan puluhan hingga ratusan qubit bising diharapkan menjadi kenyataan.

Komputasi kuantum

Komputasi kuantum bergantung pada sifat mekanika kuantum untuk menghitung masalah yang tidak terjangkau oleh komputer klasik. Sebuah komputer kuantum menggunakan qubit. Qubit seperti bit biasa di komputer, tapi dengan kemampuan tambahan untuk dimasukkan ke dalam 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 keterjeratan, komputer kuantum dapat melakukan operasi kuantum yang sulit ditiru dalam skala besar dengan komputer klasik. Gagasan untuk memanfaatkan komputasi kuantum NISQ mencakup pengoptimalan, simulasi kuantum, kriptografi, dan pembelajaran mesin.

Pembelajaran mesin kuantum

Quantum pembelajaran mesin (QML) dibangun di atas dua konsep: Data kuantum dan model kuantum klasik hybrid.

data kuantum

Data Quantum adalah sumber data yang terjadi dalam sistem kuantum alami atau buatan. Hal ini dapat data yang dihasilkan oleh sebuah komputer kuantum, seperti sampel yang dikumpulkan dari prosesor Sycamore untuk demonstrasi Google supremasi kuantum. Data kuantum menunjukkan superposisi dan keterjeratan, yang mengarah ke distribusi probabilitas gabungan yang dapat memerlukan sejumlah eksponensial sumber daya komputasi klasik untuk direpresentasikan atau disimpan. Eksperimen supremasi kuantum menunjukkan adalah mungkin 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 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 algoritme kuantum yang ada atau menemukan algoritme kuantum baru.

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

  • Simulasi informasi -Extract kimia tentang struktur kimia dan dinamika dengan aplikasi potensial untuk ilmu material, kimia komputasi, biologi komputasi, dan penemuan obat.
  • Quantum peduli simulasi -Model dan desain superkonduktivitas suhu tinggi atau negara-negara eksotis lainnya materi yang menunjukkan efek kuantum banyak-tubuh.
  • Kontrol Quantum model quantum-klasik -Hybrid dapat variationally dilatih untuk melakukan optimal kontrol terbuka atau tertutup loop, kalibrasi, dan mitigasi kesalahan. Ini termasuk deteksi kesalahan dan strategi koreksi untuk perangkat kuantum dan prosesor kuantum.
  • Jaringan komunikasi kuantum -Gunakan mesin belajar untuk membedakan antara negara kuantum non-orthogonal, dengan aplikasi untuk merancang dan konstruksi repeater terstruktur kuantum, penerima kuantum, dan unit pemurnian.
  • Quantum metrologi -Quantum-ditingkatkan pengukuran presisi tinggi seperti kuantum penginderaan dan pencitraan kuantum secara inheren dilakukan pada probe yang perangkat kuantum skala kecil dan dapat dirancang atau ditingkatkan dengan model quantum variational.

Model klasik kuantum hibrida

Model kuantum dapat mewakili dan menggeneralisasi data dengan asal mekanika 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 sama dengan koprosesor klasik agar efektif. Karena TensorFlow sudah mendukung komputasi heterogen di seluruh CPU, GPU, dan TPU, TensorFlow digunakan sebagai platform dasar untuk bereksperimen dengan algoritme klasik kuantum hibrid.

Sebuah jaringan saraf kuantum (QNN) digunakan untuk menggambarkan model komputasi kuantum parameter yang terbaik dijalankan pada komputer kuantum. Istilah ini sering dipertukarkan dengan sirkuit kuantum parameter (PQC).

Riset

Selama NISQ-era, algoritma kuantum dengan pemercepat dikenal lebih algoritma seperti klasik algoritma anjak Shor atau algoritma pencarian Grover -Apakah belum mungkin 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 adalah 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 sederhana dari pengoptimalan rak. Dan pembelajaran mesin untuk kontrol kuantum penggunaan penguatan belajar untuk membantu mengurangi kesalahan dan menghasilkan gerbang kuantum kualitas yang lebih tinggi.
  2. Model 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 mungkin. Untuk mengatasi masalah ini, Anda dapat mencoba pemodelan pada komputer kuantum itu sendiri dan mengukur/mengamati statistik penting. Quantum convolutional jaringan saraf menunjukkan sirkuit kuantum dirancang dengan analog struktur untuk jaringan saraf convolutional (CNN) untuk mendeteksi tahapan topologi yang berbeda dari materi. Komputer kuantum menyimpan data dan model. Prosesor klasik hanya melihat sampel pengukuran dari keluaran model dan tidak pernah melihat data itu sendiri. Dalam Kuat belitan renormalization pada komputer kuantum yang bising , penulis belajar untuk informasi kompres tentang sistem banyak-tubuh kuantum menggunakan model DMERA.

Bidang minat lain dalam pembelajaran mesin kuantum meliputi: