Google quantum di là-classico esperimento usato 53 qubit rumorosi per dimostrare che potrebbe eseguire un calcolo in 200 secondi su un computer quantistico che avrebbe preso 10.000 anni il più grande computer classico utilizzando algoritmi esistenti. Questo segna l'inizio della Noisy Intermedio-Scale Quantum (NISQ) dell'era informatica. Nei prossimi anni, i dispositivi quantistici con decine di centinaia di qubit rumorosi dovrebbero diventare una realtà.
Calcolo quantistico
Il calcolo quantistico si basa sulle proprietà della meccanica quantistica per calcolare problemi che sarebbero fuori portata per i computer classici. Un computer quantistico utilizza qubit. Qubit sono come pezzi regolari in un computer, ma con la capacità aggiuntiva di essere messo in una sovrapposizione e la quota di entanglement tra loro.
I computer classici eseguono operazioni classiche deterministiche o possono emulare processi probabilistici utilizzando metodi di campionamento. Sfruttando la sovrapposizione e l'entanglement, i computer quantistici possono eseguire operazioni quantistiche difficili da emulare su larga 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
Machine learning Quantum (QML) è costruito su due concetti: i dati quantistica e modelli quantistici-classica ibridi.
Dati quantistici
Dati Quantum è qualsiasi origine dati che si verifica in un sistema quantistico naturale o artificiale. Questo può essere dati generati da un computer quantistico, come i campioni raccolti dal processore di Sycamore per la dimostrazione di Google di 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 memorizzare. L'esperimento sulla supremazia quantistica ha mostrato che è possibile campionare da una distribuzione di probabilità congiunta estremamente complessa di 2^53 spazio di Hilbert.
I dati quantistici generati dai processori NISQ sono rumorosi e in genere si intrecciano appena prima che avvenga la misurazione. Le tecniche euristiche di apprendimento automatico possono creare modelli che massimizzano l'estrazione di utili informazioni classiche da dati entangled 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.
Di seguito sono riportati esempi di dati quantistici che possono essere generati o simulati su un dispositivo quantistico:
- Simulazione informazioni -Estrarre analitici strutture chimiche e dinamiche con potenziali applicazioni alla scienza dei materiali, chimica computazionale, la biologia computazionale, e scoperta di nuovi farmaci.
- Quantum importa simulazione -Model e progettare superconduttività ad alta temperatura o di altri stati esotici della materia che presenta effetti quantistici a molti corpi.
- Modelli quantistici-classica ibridi controllo quantistico possono essere variazionalmente addestrati per eseguire il controllo ottimale aperto o ad anello chiuso, calibrazione e mitigazione errore. Ciò include strategie di rilevamento e correzione degli errori per dispositivi quantistici e processori quantistici.
- Reti di comunicazione Quantum -Utilizzare macchina imparare a discriminare tra gli stati quantistici non ortogonali, con l'applicazione per la progettazione e la costruzione di ripetitori quantistici strutturati, ricevitori quantistica, e le unità di purificazione.
- Quantum metrologia -Quantum-enhanced misure di alta precisione come rilevamento quantistica e di imaging quantistico sono intrinsecamente effettuate su sonde che sono dispositivi quantici piccola scala e potrebbero essere progettate o migliorate da modelli quantistici variazionali.
Modelli ibridi quanto-classici
Un modello quantistico può rappresentare e generalizzare dati di origine quantomeccanica. Poiché i processori quantistici a breve termine sono ancora piuttosto piccoli e rumorosi, i modelli quantistici non possono generalizzare i dati quantistici utilizzando i soli processori quantistici. I processori NISQ devono lavorare di concerto 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 ibridi quantistici.
Una rete neurale quantistica (QNN) è usato per descrivere un modello computazionale quantistico con parametri che è meglio eseguito su un computer quantistico. Questo termine è spesso intercambiabile con il circuito di quantum parametrizzato (PQC).
Ricerca
Durante la NISQ-era, algoritmi quantistici con incrementi nella velocità noti oltre algoritmi classiche e contemporanee algoritmo di fattorizzazione di Shor o algoritmo di ricerca di Grover non -sono ancora possibile su scala significativa.
Un obiettivo di TensorFlow Quantum è aiutare a scoprire algoritmi per l'era NISQ, con particolare interesse per:
- 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. In meta-learning per le reti neurali quantistiche attraverso le reti neurali ricorrenti classici , una rete neurale ricorrente (RNN) viene utilizzato per scoprire che l'ottimizzazione dei parametri di controllo per algoritmi come il QAOA e VQE sono più efficienti di semplice fuori gli ottimizzatori scaffale. E l'apprendimento automatico per il controllo del quantum usi apprendimento per rinforzo ad errori mitigare aiuto e produrre porte logiche quantistiche di qualità superiore.
- Modella 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. Quantum convoluzionali reti neurali mostra 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 misurazione dall'output del modello e mai i dati stessi. In robusta rinormalizzazione entanglement in un computer quantistico rumoroso , gli autori imparano a informazioni impacco sui sistemi a molti corpi quantistica utilizzando un modello DMERA.
Altre aree di interesse nell'apprendimento automatico quantistico includono:
- Modellazione di dati puramente classici su computer quantistici.
- Algoritmi classici di ispirazione quantistica.
- Supervisionato apprendimento con classificatori quantistica .
- Apprendimento adattivo a strati per la rete neurale quantistica.
- Dinamica quantistica di apprendimento .
- Modellazione generativa di stati quantistici misti .
- Classificazione con le reti neurali quantiche su processori breve termine .