Questa pagina è stata tradotta dall'API Cloud Translation.
Switch to English

Concetti di apprendimento automatico quantistico

L' esperimento di supremazia quantistica di Google ha utilizzato 53 qubit rumorosi per dimostrare che potrebbe eseguire un calcolo in 200 secondi su un computer quantistico che impiegherebbe 10.000 anni sul più grande computer classico utilizzando algoritmi esistenti. Questo segna l'inizio dell'era informatica Noisy Intermediate-Scale Quantum (NISQ). Nei prossimi anni, ci si aspetta che i dispositivi quantistici con decine o centinaia di qubit rumorosi diventino realtà.

Informatica quantistica

Il calcolo quantistico si basa sulle proprietà della meccanica quantistica per calcolare i problemi che sarebbero fuori portata per i computer classici. Un computer quantistico usa qubit . I Qubit sono come normali bit in un computer, ma con l'aggiunta della possibilità di essere messi in una sovrapposizione e condividere l' entanglement l' uno con l'altro.

I computer classici eseguono operazioni classiche deterministiche o possono emulare processi probabilistici usando metodi di campionamento. Sfruttando la sovrapposizione e l'entanglement, i computer quantistici possono eseguire operazioni quantistiche che sono difficili da emulare su scala con i computer classici. Le idee per sfruttare il calcolo quantistico NISQ includono l'ottimizzazione, la simulazione quantistica, la crittografia e l'apprendimento automatico.

Apprendimento automatico quantistico

L'apprendimento automatico quantistico (QML) si basa su due concetti: dati quantistici e modelli ibridi quantistici classici .

Dati quantistici

I dati quantistici sono qualsiasi fonte di dati che si verifica in un sistema quantistico naturale o artificiale. Questi possono essere dati generati da un computer quantistico, come i campioni raccolti dal processore Sicomoro per la dimostrazione di Google della supremazia quantistica. I dati quantistici mostrano sovrapposizione e entanglement, portando a distribuzioni di probabilità congiunte che potrebbero richiedere una quantità esponenziale di risorse computazionali classiche per rappresentare o archiviare. L'esperimento di supremazia quantistica ha mostrato che è possibile campionare da una distribuzione di probabilità articolare estremamente complessa dello spazio di Hilbert 2 ^ 53.

I dati quantistici generati dai processori NISQ sono rumorosi e in genere si intrecciano poco prima che avvenga la misurazione. Le tecniche euristiche di apprendimento automatico possono creare modelli che massimizzano l'estrazione di informazioni classiche utili da dati intricati rumorosi. La libreria TensorFlow Quantum (TFQ) fornisce primitive per sviluppare modelli che districano e generalizzano le correlazioni nei dati quantistici, aprendo opportunità per migliorare gli algoritmi quantistici esistenti o scoprire nuovi algoritmi quantistici.

I seguenti sono esempi di dati quantistici che possono essere generati o simulati su un dispositivo quantistico:

  • Simulazione chimica: estrarre informazioni su strutture e dinamiche chimiche con potenziali applicazioni alla scienza dei materiali, chimica computazionale, biologia computazionale e scoperta di farmaci.
  • Simulazione della materia quantistica: modello e progettazione di superconduttività ad alta temperatura o altri stati esotici della materia che esibiscono effetti quantistici a molti corpi.
  • Controllo quantistico: i modelli ibridi classico-quantistici possono essere addestrati in modo variabile per eseguire il controllo, la calibrazione e la mitigazione degli errori ottimali a circuito aperto o chiuso. Ciò include strategie di rilevamento e correzione degli errori per dispositivi e processori quantistici.
  • Reti di comunicazione quantistica: utilizzare l'apprendimento automatico per discriminare tra stati quantistici non ortogonali, con l'applicazione alla progettazione e costruzione di ripetitori quantici strutturati, ricevitori quantici e unità di purificazione.
  • Metrologia quantistica —Le misurazioni ad alta precisione potenziate dal quantum come il rilevamento quantistico e l'imaging quantistico sono intrinsecamente eseguite su sonde che sono dispositivi quantistici su piccola scala e potrebbero essere progettate o migliorate da modelli quantistici variazionali.

Modelli ibridi quantistici classici

Un modello quantistico può rappresentare e generalizzare i dati con un'origine meccanica quantistica. Poiché i processori quantistici a breve termine sono ancora abbastanza piccoli e rumorosi, i modelli quantistici non possono generalizzare i dati quantistici usando solo processori quantistici. I processori NISQ devono collaborare con i coprocessori classici per diventare efficaci. Poiché TensorFlow supporta già l'elaborazione eterogenea tra CPU, GPU e TPU, viene utilizzata come piattaforma di base per sperimentare algoritmi quantistici classici ibridi.

Una rete neurale quantistica (QNN) viene utilizzata per descrivere un modello computazionale quantistico parametrizzato che viene eseguito al meglio su un computer quantistico. Questo termine è spesso intercambiabile con il circuito quantistico parametrizzato (PQC).

Ricerca

Durante l'era NISQ, gli algoritmi quantistici con accelerazioni note rispetto agli algoritmi classici - come l'algoritmo di factoring di Shor o l' algoritmo di ricerca di Grover - non sono ancora possibili su una scala significativa.

Un obiettivo di TensorFlow Quantum è aiutare a scoprire algoritmi per l'era NISQ, con particolare interesse per:

  1. Usa l'apprendimento automatico classico per migliorare gli algoritmi NISQ. La speranza è che le tecniche dell'apprendimento automatico classico possano migliorare la nostra comprensione dell'informatica quantistica. Nel meta-apprendimento per reti neurali quantistiche tramite reti neurali ricorrenti classiche , una rete neurale ricorrente (RNN) viene utilizzata per scoprire che l'ottimizzazione dei parametri di controllo per algoritmi come QAOA e VQE sono più efficienti dei semplici ottimizzatori standardizzati. E l'apprendimento automatico per il controllo quantistico utilizza l'apprendimento di rinforzo per aiutare a mitigare gli errori e produrre gate quantici di qualità superiore.
  2. Modella i dati quantistici con circuiti quantistici. La modellazione classica dei dati quantistici è possibile se si dispone di una descrizione esatta dell'origine dati, ma a volte ciò non è possibile. Per risolvere questo problema, puoi provare a modellare sul computer quantistico stesso e misurare / osservare le statistiche importanti. Le reti neurali convoluzionali quantistiche mostrano un circuito quantistico progettato con una struttura analoga a una rete neurale convoluzionale (CNN) per rilevare diverse fasi topologiche della materia. Il computer quantistico contiene i dati e il modello. Il processore classico vede solo i campioni di misura dall'output del modello e mai i dati stessi. Nella robusta rinormalizzazione dell'entanglement su un computer quantistico rumoroso , gli autori imparano a comprimere le informazioni sui sistemi quantistici a molti corpi usando un modello DMERA.

Altre aree di interesse per l'apprendimento automatico quantistico includono: