Conceitos de aprendizado de máquina quântica

{ }

O experimento quântico além do clássico do Google usou 53 qubits barulhentos para demonstrar que poderia realizar um cálculo em 200 segundos em um computador quântico que levaria 10.000 anos no maior computador clássico usando algoritmos existentes. Isso marca o início da era da computação Noisy Intermediate-Scale Quantum (NISQ). Nos próximos anos, espera-se que dispositivos quânticos com dezenas a centenas de qubits barulhentos se tornem realidade.

Computação quântica

A computação quântica depende de propriedades da mecânica quântica para calcular problemas que estariam fora do alcance dos computadores clássicos. Um computador quântico usa qubits . Qubits são como bits normais em um computador, mas com a capacidade adicional de serem colocados em uma superposição e compartilharem entre si.

Os computadores clássicos executam operações clássicas determinísticas ou podem emular processos probabilísticos usando métodos de amostragem. Ao aproveitar a superposição e o emaranhamento, os computadores quânticos podem realizar operações quânticas que são difíceis de emular em escala com computadores clássicos. As ideias para aproveitar a computação quântica NISQ incluem otimização, simulação quântica, criptografia e aprendizado de máquina.

Aprendizado de máquina quântica

O aprendizado de máquina quântica (QML) é construído em dois conceitos: dados quânticos e modelos híbridos quânticos-clássicos .

Dados quânticos

Dados quânticos são qualquer fonte de dados que ocorre em um sistema quântico natural ou artificial. Podem ser dados gerados por um computador quântico, como as amostras coletadas do processador Sycamore para a demonstração da supremacia quântica do Google. Os dados quânticos exibem superposição e emaranhamento, levando a distribuições de probabilidade conjuntas que podem exigir uma quantidade exponencial de recursos computacionais clássicos para representar ou armazenar. O experimento de supremacia quântica mostrou que é possível obter amostras de uma distribuição de probabilidade conjunta extremamente complexa do espaço de Hilbert 2 ^ 53.

Os dados quânticos gerados pelos processadores NISQ são ruidosos e normalmente emaranhados pouco antes da medição ocorrer. Técnicas heurísticas de aprendizado de máquina podem criar modelos que maximizam a extração de informações clássicas úteis de dados emaranhados com ruído. A biblioteca TensorFlow Quantum (TFQ) fornece primitivos para desenvolver modelos que desembaraçam e generalizam correlações em dados quânticos, abrindo oportunidades para melhorar algoritmos quânticos existentes ou descobrir novos algoritmos quânticos.

A seguir estão exemplos de dados quânticos que podem ser gerados ou simulados em um dispositivo quântico:

  • Simulação química — Extraia informações sobre estruturas e dinâmicas químicas com aplicações potenciais em ciência de materiais, química computacional, biologia computacional e descoberta de medicamentos.
  • Simulação de matéria quântica — Modele e projete supercondutividade de alta temperatura ou outros estados exóticos da matéria que exibam efeitos quânticos de muitos corpos.
  • Controle quântico —Modelos quânticos clássicos híbridos podem ser treinados de forma variada para realizar controle, calibração e mitigação de erros ideais em malha aberta ou fechada. Isso inclui estratégias de detecção e correção de erros para dispositivos quânticos e processadores quânticos.
  • Redes de comunicação quântica —Use o aprendizado de máquina para discriminar entre estados quânticos não ortogonais, com aplicação ao projeto e construção de repetidores quânticos estruturados, receptores quânticos e unidades de purificação.
  • Metrologia quântica —Medições quânticas de alta precisão, como detecção quântica e imagens quânticas, são feitas inerentemente em sondas que são dispositivos quânticos de pequena escala e podem ser projetadas ou melhoradas por modelos quânticos variacionais.

Modelos híbridos quânticos-clássicos

Um modelo quântico pode representar e generalizar dados de origem mecânica quântica. Como os processadores quânticos de curto prazo ainda são bastante pequenos e barulhentos, os modelos quânticos não podem generalizar os dados quânticos usando apenas processadores quânticos. Os processadores NISQ devem trabalhar em conjunto com os coprocessadores clássicos para se tornarem eficazes. Como o TensorFlow já oferece suporte à computação heterogênea entre CPUs, GPUs e TPUs, ele é usado como plataforma base para experimentar algoritmos híbridos quânticos-clássicos.

Uma rede neural quântica (QNN) é usada para descrever um modelo computacional quântico parametrizado que é melhor executado em um computador quântico. Este termo é frequentemente intercambiável com circuito quântico parametrizado (PQC).

Pesquisar

Durante a era NISQ, algoritmos quânticos com acelerações conhecidas em relação aos algoritmos clássicos – como o algoritmo de fatoração de Shor ou o algoritmo de busca de Grover – ainda não são possíveis em uma escala significativa.

Um objetivo do TensorFlow Quantum é ajudar a descobrir algoritmos para a era NISQ, com interesse particular em:

  1. Use o aprendizado de máquina clássico para aprimorar os algoritmos NISQ. A esperança é que as técnicas do aprendizado de máquina clássico possam melhorar nossa compreensão da computação quântica. No meta-aprendizado para redes neurais quânticas por meio de redes neurais recorrentes clássicas , uma rede neural recorrente (RNN) é usada para descobrir que a otimização dos parâmetros de controle para algoritmos como QAOA e VQE são mais eficientes do que simples otimizadores prontos para uso. E o aprendizado de máquina para controle quântico usa aprendizado por reforço para ajudar a mitigar erros e produzir portas quânticas de maior qualidade.
  2. Modele dados quânticos com circuitos quânticos. A modelagem clássica de dados quânticos é possível se você tiver uma descrição exata da fonte de dados, mas às vezes isso não é possível. Para resolver este problema, você pode tentar modelar no próprio computador quântico e medir/observar as estatísticas importantes. As redes neurais convolucionais quânticas mostram um circuito quântico projetado com uma estrutura análoga a uma rede neural convolucional (CNN) para detectar diferentes fases topológicas da matéria. O computador quântico contém os dados e o modelo. O processador clássico vê apenas amostras de medição da saída do modelo e nunca os dados em si. Em Renormalização robusta de emaranhamento em um computador quântico barulhento , os autores aprendem a compactar informações sobre sistemas quânticos de muitos corpos usando um modelo DMERA.

Outras áreas de interesse no aprendizado de máquina quântica incluem: