このページは Cloud Translation API によって翻訳されました。
Switch to English

量子機械学習の概念

Googleの量子至上主義の実験では、53のノイズの多いキュービットを使用して、量子コンピューターで200秒で計算を実行できることを実証しました。これは、既存のアルゴリズムを使用した最大の古典的なコンピューターでは10,000年かかります。これは、 ノイズの多い中規模量子 (NISQ)コンピューティング時代の幕開けです。今後数年間で、数十から数百のノイズの多いキュービットを備えた量子デバイスが実現することが期待されています。

量子コンピューティング

量子コンピューティングは、量子力学の特性を利用して、古典的なコンピュータでは到達できない問題を計算します。量子コンピューターはキュービットを使用します。キュービットは、コンピューターの通常のビットに似ていますが、 重ね合わせにして、相互にもつれを共有する機能が追加されています。

古典的なコンピューターは、決定論的な古典的な演算を実行するか、サンプリング法を使用して確率論的プロセスをエミュレートできます。重ね合わせと絡み合いを利用することにより、量子コンピューターは、古典的なコンピューターで大規模にエミュレートすることが難しい量子演算を実行できます。 NISQ量子コンピューティングを活用するためのアイデアには、最適化、量子シミュレーション、暗号化、機械学習などがあります。

量子機械学習

量子機械学習 (QML)は、 量子データハイブリッド量子古典モデルという 2つの概念に基づいて構築されています

量子データ

量子データは、自然または人工の量子システムで発生するデータソースです。これは、Googleが量子至上主義を実証するためにSycamoreプロセッサから収集したサンプルのように、量子コンピュータによって生成されたデータである場合があります。量子データは重ね合わせとエンタングルメントを示し、結合した確率分布につながり、表現または格納するために指数関数的な量の従来の計算リソースが必要になる可能性があります。量子至上主義実験は、2 ^ 53ヒルベルト空間の非常に複雑な同時確率分布からサンプリングすることが可能であることを示しました。

NISQプロセッサによって生成された量子データはノイズが多く、通常、測定が行われる直前に絡み合います。ヒューリスティックな機械学習手法は、ノイズの多い絡み合ったデータから有用な古典的情報の抽出を最大化するモデルを作成できます。 TensorFlow Quantum(TFQ)ライブラリは、量子データの相関を解き、一般化するモデルを開発するためのプリミティブを提供し、既存の量子アルゴリズムを改善したり、新しい量子アルゴリズムを発見したりする機会を開きます。

以下は、量子デバイスで生成またはシミュレーションできる量子データの例です。

  • 化学シミュレーション:材料構造、計算化学、計算生物学、創薬への潜在的なアプリケーションを備えた化学構造とダイナミクスに関する情報を抽出します。
  • 量子物質シミュレーション —多体量子効果を示す高温超伝導または他のエキゾチックな物質の状態をモデル化および設計します。
  • 量子制御-ハイブリッド量子古典モデルは、最適に開ループまたは閉ループの制御、キャリブレーション、およびエラーの軽減を実行するように変動的にトレーニングできます。これには、量子デバイスおよび量子プロセッサのエラー検出および訂正戦略が含まれます。
  • 量子通信ネットワーク—機械学習を使用して非直交量子状態を区別し、構造化量子リピーター、量子受信機、および精製ユニットの設計と構築に適用します。
  • 量子計測 —量子センシングや量子イメージングなどの量子強化された高精度測定は、本質的に小規模量子デバイスであるプローブで行われ、変分量子モデルによって設計または改善できます。

ハイブリッド量子古典モデル

量子モデルは、量子力学的な起源を持つデータを表現および一般化できます。短期の量子プロセッサはまだかなり小さくて騒々しいため、量子モデルは量子プロセッサだけを使用して量子データを一般化することはできません。 NISQプロセッサを効果的にするには、従来のコプロセッサと連携して動作する必要があります。 TensorFlowは、CPU、GPU、TPU全体で異種コンピューティングをすでにサポートしているため、ハイブリッド量子古典的アルゴリズムを試すためのベースプラットフォームとして使用されます。

量子ニューラルネットワーク (QNN)は、量子コンピューターで最適に実行されるパラメーター化された量子計算モデルを記述するために使用されます。この用語は多くの場合、 パラメータ化された量子回路 (PQC)と交換可能です。

研究

NISQ時代には、 Shorの因数分解アルゴリズムGroverの検索アルゴリズムなど、従来のアルゴリズムより高速化が確認されている量子アルゴリズムは、意味のある規模ではまだ実現できません。

TensorFlow Quantumの目標は、NISQ時代のアルゴリズムの発見を支援することであり、特に以下に関心があります。

  1. 従来の機械学習を使用して、NISQアルゴリズムを強化します。希望は、古典的な機械学習の技術が量子計算の理解を深めることです。 古典的なリカレントニューラルネットワークを介した量子ニューラルネットワークのメタラーニングでは、リカレントニューラルネットワーク(RNN)を使用して、QAOAやVQEなどのアルゴリズムの制御パラメーターの最適化が、単純な既成のオプティマイザーよりも効率的であることを発見します。また、量子制御の機械学習では、強化学習を使用してエラーを軽減し、より高品質の量子ゲートを生成します。
  2. 量子回路で量子データをモデル化します。データソースの正確な説明があれば、古典的な量子データのモデリングが可能ですが、これができない場合もあります。この問題を解決するには、量子コンピューター自体でモデリングを試み、重要な統計を測定/観察します。 量子畳み込みニューラルネットワークは、畳み込みニューラルネットワーク(CNN)に類似した構造で設計され、物質のさまざまなトポロジカルフェーズを検出する量子回路を示します。量子コンピューターはデータとモデルを保持します。従来のプロセッサは、モデル出力からの測定サンプルのみを認識し、データ自体は認識しません。 ノイズの多い量子コンピューターでのロバストなエンタングルメントくりこみでは 、著者はDMERAモデルを使用して、量子多体系に関する情報を圧縮する方法を学びます。

量子機械学習の他の関心領域には次のものがあります。