Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Koncepcje uczenia maszynowego kwantowego

Eksperyment Google dotyczący supremacji kwantowej wykorzystał 53 hałaśliwe kubity, aby zademonstrować, że może wykonać obliczenia w 200 sekund na komputerze kwantowym, które zajęłoby 10 000 lat na największym klasycznym komputerze przy użyciu istniejących algorytmów. Oznacza to początek ery obliczeń kwantowych w średniej skali (NISQ). Oczekuje się, że w nadchodzących latach urządzenia kwantowe z dziesiątkami lub setkami hałaśliwych kubitów staną się rzeczywistością.

Obliczenia kwantowe

Obliczenia kwantowe wykorzystują właściwości mechaniki kwantowej do obliczania problemów, które byłyby poza zasięgiem klasycznych komputerów. Komputer kwantowy używa kubitów . Qubity są jak zwykłe bity w komputerze, ale z dodatkową możliwością umieszczenia w superpozycji i dzielenia splątania między sobą.

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

Uczenie maszynowe kwantowe

Uczenie maszynowe kwantowe (QML) opiera się na dwóch koncepcjach: danych kwantowych i hybrydowych klasycznych modelach kwantowych .

Dane kwantowe

Dane kwantowe to dowolne źródło danych występujące w naturalnym lub sztucznym układzie kwantowym. Mogą to być dane wygenerowane przez komputer kwantowy, takie jak próbki pobrane z procesora Sycamore w celu zademonstrowania przez Google supremacji kwantowej. Dane kwantowe wykazują superpozycję i splątanie, co prowadzi do wspólnych rozkładów prawdopodobieństwa, które mogą wymagać wykładniczej ilości klasycznych zasobów obliczeniowych do reprezentacji lub przechowywania. Eksperyment z supremacją kwantową wykazał, że możliwe jest próbkowanie 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 hałaśliwych i splątanych danych. Biblioteka TensorFlow Quantum (TFQ) zapewnia prymitywy do tworzenia modeli, które rozplątują i uogólniają korelacje w danych kwantowych - otwierając możliwości ulepszenia istniejących algorytmów kwantowych lub odkrycia nowych algorytmów kwantowych.

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

  • Symulacja chemiczna - wyodrębnij informacje o strukturach chemicznych i dynamice, które mogą znaleźć zastosowanie w materiałoznawstwie, chemii obliczeniowej, biologii obliczeniowej i odkrywaniu leków.
  • Symulacja materii kwantowej - Modeluj i projektuj nadprzewodnictwo wysokotemperaturowe lub inne egzotyczne stany materii, które wykazują efekty kwantowe wielu ciał.
  • Kontrola kwantowa - Hybrydowe modele klasyczno-kwantowe można w różny sposób szkolić w zakresie optymalnego sterowania, kalibracji i ograniczania błędów w pętli otwartej lub zamkniętej. Obejmuje to strategie wykrywania i korekcji błędów dla urządzeń kwantowych i procesorów kwantowych.
  • Sieci komunikacji kwantowej - wykorzystuj uczenie maszynowe do rozróżniania nieortogonalnych stanów kwantowych, z zastosowaniem do projektowania i budowy ustrukturyzowanych kwantowych repeaterów, odbiorników kwantowych i jednostek oczyszczających.
  • Metrologia kwantowa - Wysokoprecyzyjne pomiary wspomagane kwantami, takie jak wykrywanie kwantowe i obrazowanie kwantowe, są z natury wykonywane na sondach, które są urządzeniami kwantowymi o małej skali i mogą być zaprojektowane lub ulepszone za pomocą wariacyjnych 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 przy użyciu samych procesorów kwantowych. Aby procesory NISQ były skuteczne, muszą współpracować z klasycznymi koprocesorami. Ponieważ TensorFlow obsługuje już przetwarzanie heterogeniczne na procesorach, układach GPU i TPU, jest używany jako platforma podstawowa do eksperymentowania z hybrydowymi algorytmami kwantowymi.

Kwantowa sieć neuronowa (QNN) jest używana do opisania sparametryzowanego kwantowego modelu obliczeniowego, który najlepiej wykonać na komputerze kwantowym. Termin ten jest często stosowany zamiennie ze sparametryzowanym obwodem kwantowym (PQC).

Badania

W erze NISQ algorytmy kwantowe o znanych przyspieszeniach w porównaniu z algorytmami klasycznymi - jak algorytm faktoringu Shora lub algorytm wyszukiwania Grovera - nie są jeszcze możliwe 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 klasycznego uczenia maszynowego mogą poszerzyć naszą wiedzę na temat obliczeń kwantowych. W meta-learningu dla kwantowych sieci neuronowych za pośrednictwem klasycznych rekurencyjnych sieci neuronowych rekurencyjna sieć neuronowa (RNN) jest wykorzystywana do odkrycia, że ​​optymalizacja parametrów kontrolnych dla algorytmów, takich jak QAOA i VQE, jest bardziej wydajna niż proste, gotowe optymalizatory. A uczenie maszynowe do kontroli kwantowej wykorzystuje uczenie ze wzmocnieniem, aby pomóc złagodzić błędy i wytworzyć bramki kwantowe wyższej jakości.
  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 modelować na samym komputerze kwantowym i zmierzyć / obserwować ważne statystyki. Kwantowe splotowe sieci neuronowe przedstawiają obwód kwantowy zaprojektowany ze strukturą analogiczną do splotowej sieci neuronowej (CNN) w celu wykrywania różnych topologicznych faz materii. Komputer kwantowy przechowuje dane i model. Klasyczny procesor widzi tylko próbki pomiarowe z wyjścia modelu, a nigdy same dane. W ramach renormalizacji splątania Robust na hałaśliwym komputerze kwantowym autorzy uczą się kompresować informacje o kwantowych układach wielociałowych za pomocą modelu DMERA.

Inne obszary zainteresowań kwantowym uczeniem maszynowym obejmują: