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の量子超越性実験では、53のノイズの多いキュービットを使用して、既存のアルゴリズムを使用する最大の古典的なコンピューターでは10、000年かかる量子コンピューターで200秒で計算を実行できることを示しました。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始まりを示しています。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現実のものになると予想されています。

量子コンピューティング

量子コンピューティングは、古典的なコンピューターでは手の届かない問題を計算するために、量子力学の特性に依存しています。量子コンピューターは量子ビットを使用します。量子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、重ね合わせに入れて互いに絡み合う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操作を実行するか、サンプリング方法を使用して確率的なプロセスをエミュレートできます。重ね合わせとエンタングルメント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は大規模にエミュレートすることが難しい量子操作を実行できます。 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、機械学習が含まれます。

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の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が量子超越性を実証するためにSycamoreプロセッサから収集したサンプルのように、量子コンピューターによって生成されたデータである可能性があります。量子データは重ね合わせとエンタングルメントを示し、表現または保存するために指数分布の古典的な計算リソースを必要とする可能性のある同時確率分布につながります。量子超越性実験は、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っています。ヒューリスティックな機械学習手法により、ノイズの多い絡み合ったデータから有用な古典的情報を最大限に抽出するモデルを作成できます。 TensorFlow Quantum(TFQ)ライブラリは、量子データの相関関係を解きほぐして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トできる量子データの例です。

  • 化学シミュレーション—化学構造とダイナミクスに関する情報を抽出し、材料科学、計算化学、計算生物学、創薬に応用できる可能性があります。
  • 量子物質シミュレーション—高温超伝導または多体量子効果を示す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、最適な開ループまたは閉ループの制御、キャリブレーション、およびエラー軽減を実行するように変分的にトレーニングできます。これには、量子デバイスと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、構造化された量子リピーター、量子レシーバー、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、本質的に小規模な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することができます。

ハイブリッド量子-古典モデル

量子モデルは、量子力学的起源を持つデータを表現および一般化することができます。短期的な量子プロセッサはまだかなり小さくてノイズが多いため、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プロセッサは、効果を発揮するために、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はすでにCPU、GPU、TPU全体でヘテロジニアスコンピューティングをサポートしているため、ハイブリッド量子古典アルゴリズムを実験する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、パラメータ化された量子回路(PQC)と交換可能であることがよくあります

研究

NISQの時代には、ショアの因数分解アルゴリズムグローバーの検索アルゴリズムなど、従来のアルゴリズムよりも高速化されたことがわかっている量子アルゴリズムは、意味のある規模ではまだ不可能です。

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、特に次のことに関心があります。

  1. 古典的な機械学習を使用して、NISQアルゴリズムを強化します。古典的な機械学習の手法が、量子コンピューティングの理解を深めることができることを願っています。従来の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学習では、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製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は可能ですが、それが不可能な場合もあります。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して、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、物質のさまざまなトポロジカル位相を検出するために、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た量子回路を示しています。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繰り込みでは、著者はDMERAモデルを使用して量子多体システムに関する情報を圧縮することを学びます。

量子機械学習のその他の関心分野は次のとおりです。