Koncepcje kwantowego uczenia maszynowego

Google kwantowa poza-klasyczny eksperyment stosowany 53 hałaśliwych qubitów wykazać mógłby wykonać obliczenia w 200 sekund na komputerze kwantowym, który wziąłby 10.000 lat na największych klasycznego komputera przy użyciu istniejących algorytmów. Oznacza to początek Noisy Intermediate skalę Quantum (NISQ) Komputery epoki. Oczekuje się, że w nadchodzących latach urządzenia kwantowe z dziesiątkami do setek hałaśliwych kubitów staną się rzeczywistością.

Obliczenia kwantowe

Obliczenia kwantowe opierają się na właściwościach mechaniki kwantowej do obliczania problemów, które byłyby poza zasięgiem klasycznych komputerów. Komputer kwantowy wykorzystuje qubitów. Qubity są jak zwykłe bitów w komputerze, ale z dodatkową możliwością wprowadzenia do superpozycji i splątania zakładowego ze sobą.

Klasyczne komputery wykonują deterministyczne operacje klasyczne lub mogą emulować procesy probabilistyczne przy użyciu metod próbkowania. Wykorzystując superpozycję i splątanie, komputery kwantowe mogą wykonywać operacje kwantowe, które trudno emulować na dużą skalę za pomocą komputerów klasycznych. Pomysły na wykorzystanie obliczeń kwantowych NISQ obejmują optymalizację, symulację kwantową, kryptografię i uczenie maszynowe.

Uczenie maszynowe kwantowe

Quantum uczenie maszynowe (QML) opiera się na dwóch koncepcjach: dane kwantowej i hybrydowych modeli kwantowych-klasyczny.

Dane kwantowe

Dane Quantum jest dowolnego źródła danych, który występuje w naturalnej lub sztucznej układu kwantowego. Może to być dane wygenerowane przez komputer kwantowy, jak próbek zebranych z procesorem Sycamore do demonstracji kwantowej supremacji Google. Dane kwantowe wykazują superpozycję i splątanie, co prowadzi do wspólnych rozkładów prawdopodobieństwa, których przedstawienie lub przechowywanie może wymagać wykładniczej ilości klasycznych zasobów obliczeniowych. Eksperyment kwantowej supremacji wykazał, że możliwe jest pobieranie próbek z niezwykle złożonego wspólnego rozkładu prawdopodobieństwa 2^53 przestrzeni Hilberta.

Dane kwantowe generowane przez procesory NISQ są zaszumione i zazwyczaj splątane tuż przed pomiarem. Heurystyczne techniki uczenia maszynowego mogą tworzyć modele, które maksymalizują wydobywanie przydatnych klasycznych informacji z zaszumionych, splątanych danych. Biblioteka TensorFlow Quantum (TFQ) dostarcza prymitywów do opracowywania modeli, które rozplątują i uogólniają korelacje w danych kwantowych — otwierając możliwości ulepszania istniejących algorytmów kwantowych lub odkrywania nowych algorytmów kwantowych.

Poniżej znajdują się przykłady danych kwantowych, które można generować lub symulować na urządzeniu kwantowym:

  • Chemiczna symulacja -Extract informacji na temat struktur chemicznych i dynamiki z potencjalnych zastosowań w inżynierii materiałowej, chemii obliczeniowej, biologii obliczeniowej i leków.
  • Quantum znaczenia symulacji -Model i zaprojektować wysoką nadprzewodnictwa lub inne egzotyczne stany materii, która wykazuje wiele ciałem efekty kwantowe.
  • Kontroli Quantum -Hybrid modele kwantowe-classical można wariacyjnie przeszkoleni do wykonywania optymalnej kontroli otwartej lub zamkniętej pętli, kalibrację i łagodzenie błędzie. Obejmuje to strategie wykrywania i korekcji błędów dla urządzeń kwantowych i procesorów kwantowych.
  • Sieci komunikacyjne Quantum -Użyj maszynie uczenie rozróżniania między non-prostopadłych stanów kwantowych, z aplikacji do projektowania i budowy strukturyzowanych przemienników kwantowej, kwantowej, odbiorników i urządzeń oczyszczających.
  • Quantum metrologia -Quantum podwyższonym wysokiej precyzji pomiarów, takich jak wykrywanie kwantowej i kwantowej obrazowania natury są wykonywane na sond, które to urządzenia kwantowe małą skalę i mogą być zaprojektowane lub ulepszonych przez wariacyjnymi modeli kwantowych.

Hybrydowe modele kwantowo-klasyczne

Model kwantowy może reprezentować i uogólniać dane o pochodzeniu mechaniki kwantowej. Ponieważ krótkoterminowe procesory kwantowe są nadal dość małe i hałaśliwe, modele kwantowe nie mogą uogólniać danych kwantowych za pomocą samych procesorów kwantowych. Procesory NISQ muszą współpracować z klasycznymi koprocesorami, aby były efektywne. Ponieważ TensorFlow obsługuje już heterogeniczne obliczenia na procesorach, procesorach graficznych i TPU, jest używany jako podstawowa platforma do eksperymentowania z hybrydowymi algorytmami kwantowo-klasycznymi.

Sieć neuronowa kwantowa (QNN) jest używany do opisania parametryczne kwantowy model obliczeniowy, który jest najlepiej wykonany na komputerze kwantowym. Termin ten jest często stosowane zamiennie z sparametryzowanego obwodu kwantowej (PQC).

Badania

Podczas NISQ epoki, algorytm kwantowy ze znanymi speedups ponad klasycznych algorytmów podobny do algorytmu faktoringowej shor za lub algorytmu wyszukiwania Grovera nie -Czy jeszcze dostępny w znaczącej skali.

Celem TensorFlow Quantum jest pomoc w odkrywaniu algorytmów dla ery NISQ, ze szczególnym uwzględnieniem:

  1. Użyj klasycznego uczenia maszynowego, aby ulepszyć algorytmy NISQ. Istnieje nadzieja, że ​​techniki z klasycznego uczenia maszynowego mogą poszerzyć naszą wiedzę o obliczeniach kwantowych. W meta-learning dla kwantowej sieci neuronowych za pomocą klasycznych nawracających sieci neuronowych , nawracające sieć neuronowa (RNN) stosowany jest do odkrycia, że optymalizacja parametrów sterujących dla algorytmów, takich jak QAOA i VQE są bardziej wydajne niż zwykłe off optymalizujące półki. I uczenie maszynowe dla kontroli kwantowa zastosowań zbrojenia nauki, aby pomóc złagodzić błędy i produkować wyższej jakości kwantowych bramek.
  2. Modeluj dane kwantowe za pomocą obwodów kwantowych. Klasyczne modelowanie danych kwantowych jest możliwe, jeśli masz dokładny opis źródła danych — ale czasami nie jest to możliwe. Aby rozwiązać ten problem, możesz spróbować modelowania na samym komputerze kwantowym i mierzyć/obserwować ważne statystyki. Kwantowe splotowe sieci neuronowe przedstawia układ kwantowa zaprojektowany ze strukturą analogiczny do splotowego sieci neuronowej (CNN) do wykrywania różnych topologiczne faz materii. Komputer kwantowy przechowuje dane i model. Klasyczny procesor widzi tylko próbki pomiarowe z wyjścia modelu, a nigdy same dane. W Solidna sprzęgania renormalizacji na hałaśliwym komputera kwantowego , autorzy dowiedzieć się skompresować informacji kwantowej układów wielu ciał z wykorzystaniem modelu DMERA.

Inne obszary zainteresowania kwantowym uczeniem maszyn to: