Эта страница была переведа с помощью Cloud Translation API.
Switch to English

Концепции квантового машинного обучения

В эксперименте Google по квантовому превосходству использовались 53 шумных кубита, чтобы продемонстрировать, что он может выполнить вычисление за 200 секунд на квантовом компьютере, что займет 10 000 лет на самом большом классическом компьютере с использованием существующих алгоритмов. Это знаменует собой начало эры вычислительных квантовых сред среднего уровня шума (NISQ). Ожидается, что в ближайшие годы квантовые устройства с десятками-сотнями шумных кубитов станут реальностью.

Квантовые вычисления

Квантовые вычисления опираются на свойства квантовой механики для вычисления задач, которые были бы недоступны для классических компьютеров. Квантовый компьютер использует кубиты . Кубиты похожи на обычные биты в компьютере, но с добавленной способностью помещаться в суперпозицию и делиться друг с другом запутанностью .

Классические компьютеры выполняют детерминированные классические операции или могут эмулировать вероятностные процессы, используя методы выборки. Используя суперпозицию и запутанность, квантовые компьютеры могут выполнять квантовые операции, которые трудно эмулировать в масштабе с классическими компьютерами. Идеи использования квантовых вычислений NISQ включают оптимизацию, квантовое моделирование, криптографию и машинное обучение.

Квантовое машинное обучение

Квантовое машинное обучение (QML) построено на двух концепциях: квантовые данные и гибридные квантово-классические модели .

Квантовые данные

Квантовые данные - это любой источник данных, который встречается в естественной или искусственной квантовой системе. Это могут быть данные, сгенерированные квантовым компьютером, например, образцы, собранные с процессора Sycamore для демонстрации компанией Google квантового превосходства. Квантовые данные демонстрируют суперпозицию и запутанность, что приводит к совместным распределениям вероятности, которые могут потребовать экспоненциального количества классических вычислительных ресурсов для представления или хранения. Эксперимент по квантовому превосходству показал, что можно сделать выборку из чрезвычайно сложного совместного распределения вероятностей в 2 ^ 53 гильбертовом пространстве.

Квантовые данные, генерируемые процессорами NISQ, зашумлены и, как правило, запутываются непосредственно перед измерением. Методы эвристического машинного обучения могут создавать модели, которые максимизируют извлечение полезной классической информации из зашумленных данных с помехами. Библиотека TensorFlow Quantum (TFQ) предоставляет примитивы для разработки моделей, которые распутывают и обобщают корреляции в квантовых данных, открывая возможности для улучшения существующих квантовых алгоритмов или открытия новых квантовых алгоритмов.

Ниже приведены примеры квантовых данных, которые можно генерировать или моделировать на квантовом устройстве:

  • Химическое моделирование - извлечение информации о химических структурах и динамике с потенциальными приложениями для материаловедения, вычислительной химии, вычислительной биологии и открытия лекарств.
  • Моделирование квантовой материи - моделирование и конструирование высокотемпературной сверхпроводимости или других экзотических состояний материи, которые проявляют квантовые эффекты многих тел.
  • Квантовое управление. Гибридные квантово-классические модели можно вариативно обучать для оптимального управления, калибровки и уменьшения ошибок в разомкнутом или замкнутом контуре. Это включает в себя стратегии обнаружения и исправления ошибок для квантовых устройств и квантовых процессоров.
  • Квантовые сети связи - используют машинное обучение для различения неортогональных квантовых состояний с применением для проектирования и конструирования структурированных квантовых повторителей, квантовых приемников и устройств очистки.
  • Квантовая метрология. Квантовые высокоточные измерения, такие как квантовое зондирование и квантовая визуализация, по своей сути проводятся на пробниках, которые представляют собой небольшие квантовые устройства и могут быть разработаны или улучшены с помощью вариационных квантовых моделей.

Гибридные квантово-классические модели

Квантовая модель может представлять и обобщать данные с квантово-механическим происхождением. Поскольку краткосрочные квантовые процессоры все еще довольно малы и шумны, квантовые модели не могут обобщать квантовые данные, используя только квантовые процессоры. Процессоры NISQ должны работать совместно с классическими сопроцессорами, чтобы стать эффективными. Поскольку TensorFlow уже поддерживает гетерогенные вычисления на процессорах, графических процессорах и TPU, он используется в качестве базовой платформы для экспериментов с гибридными квантово-классическими алгоритмами.

Квантовая нейронная сеть (QNN) используется для описания параметризованной квантовой вычислительной модели, которая лучше всего выполняется на квантовом компьютере. Этот термин часто взаимозаменяем с параметризованной квантовой цепью (PQC).

Исследовательская работа

В эпоху NISQ квантовые алгоритмы с известными ускорениями по сравнению с классическими алгоритмами - такими как алгоритм факторизации Шора или алгоритм поиска Гровера - пока еще не возможны в значимом масштабе.

Цель TensorFlow Quantum - помочь в поиске алгоритмов для NISQ-эры, с особым интересом к:

  1. Используйте классическое машинное обучение для улучшения алгоритмов NISQ. Надежда состоит в том, что методы классического машинного обучения могут улучшить наше понимание квантовых вычислений. В мета-обучении для квантовых нейронных сетей через классические рекуррентные нейронные сети , рекуррентная нейронная сеть (RNN) используется, чтобы обнаружить, что оптимизация параметров управления для алгоритмов, таких как QAOA и VQE, более эффективна, чем простые готовые оптимизаторы. А машинное обучение для квантового контроля использует обучение с подкреплением, чтобы помочь уменьшить ошибки и создать более качественные квантовые вентили.
  2. Модель квантовых данных с квантовыми цепями. Классическое моделирование квантовых данных возможно, если у вас есть точное описание источника данных, но иногда это невозможно. Чтобы решить эту проблему, вы можете попробовать моделирование на самом квантовом компьютере и измерить / наблюдать важную статистику. Квантовые сверточные нейронные сети показывают квантовую схему, разработанную со структурой, аналогичной сверточной нейронной сети (CNN), для обнаружения различных топологических фаз вещества. Квантовый компьютер хранит данные и модель. Классический процессор видит только результаты измерений из выходных данных модели, а не сами данные. В Робастной перенормировке запутывания на шумном квантовом компьютере авторы учатся сжимать информацию о квантовых системах многих тел, используя модель DMERA.

Другие области интереса в квантовом машинном обучении включают в себя: