Esta página foi traduzida pela API Cloud Translation.
Switch to English

Conceitos quânticos de aprendizado de máquina

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

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 . Os Qubits são como bits regulares em um computador, mas com a capacidade adicional de serem colocados em uma superposição e compartilhar emaranhamento uns com os outros.

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 executar operações quânticas difíceis de emular em escala com os computadores clássicos. As idéias para alavancar a computação quântica NISQ incluem otimização, simulação quântica, criptografia e aprendizado de máquina.

Aprendizado de máquina quântica

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

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 amostrar a partir de uma distribuição de probabilidade conjunta extremamente complexa do espaço 2 ^ 53 Hilbert.

Os dados quânticos gerados pelos processadores NISQ são barulhentos e normalmente emaranhados pouco antes da medição ocorrer. As técnicas heurísticas de aprendizado de máquina podem criar modelos que maximizam a extração de informações clássicas úteis a partir de dados emaranhados ruidosos. A biblioteca TensorFlow Quantum (TFQ) fornece primitivas para desenvolver modelos que separam e generalizam correlações em dados quânticos - abrindo oportunidades para melhorar os algoritmos quânticos existentes ou descobrir novos algoritmos quânticos.

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

  • Simulação química - Extraia informações sobre estruturas e dinâmicas químicas com possíveis aplicações à ciência dos materiais, química computacional, biologia computacional e descoberta de medicamentos.
  • Simulação de matéria quântica - Modele e projete supercondutividade a alta temperatura ou outros estados exóticos da matéria que exibam efeitos quânticos para muitos corpos.
  • Controle quântico - Os modelos quânticos clássicos híbridos podem ser treinados de forma variada para executar um ótimo controle de malha aberta ou fechada, calibração e mitigação de erros. Isso inclui estratégias de detecção e correção de erros para dispositivos 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 - As medições de alta precisão aprimoradas com o quântico, como a detecção quântica e a imagem quântica, são inerentemente realizadas em sondas que são dispositivos quânticos de pequena escala e podem ser projetadas ou aprimoradas por modelos quânticos variacionais.

Modelos quânticos clássicos híbridos

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

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).

Pesquisa

Durante a era NISQ, algoritmos quânticos com acelerações conhecidas sobre algoritmos clássicos - como o algoritmo de fatoração de Shor ou o algoritmo de pesquisa de Grover - ainda não são possíveis em 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 aprimorar nossa compreensão da computação quântica. No meta-aprendizado de 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 utiliza o aprendizado por reforço para ajudar a mitigar erros e produzir portões quânticos 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 esse 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 mantém os dados e o modelo. O processador clássico vê apenas amostras de medição da saída do modelo e nunca os dados em si. Na renormalização de entrelaçamento robusto 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: