แนวคิดการเรียนรู้ของเครื่องควอนตัม

ของ Google ควอนตัมเกินคลาสสิกทดลอง ใช้ 53 qubits มีเสียงดังเพื่อแสดงให้เห็นว่ามันจะทำการคำนวณใน 200 วินาทีในคอมพิวเตอร์ควอนตัมที่จะใช้เวลา 10,000 ปีในคอมพิวเตอร์ของคลาสสิกที่ใหญ่ที่สุดโดยใช้กลไกที่มีอยู่ เครื่องหมายนี้จุดเริ่มต้นของการ ที่มีเสียงดังระดับกลางชั่งควอนตัม (NISQ) ยุคคอมพิวเตอร์ ในอีกไม่กี่ปีข้างหน้า อุปกรณ์ควอนตัมที่มีคิวบิตที่มีเสียงดังนับสิบถึงร้อยจะกลายเป็นความจริง

การคำนวณควอนตัม

การคำนวณควอนตัมอาศัยคุณสมบัติของกลศาสตร์ควอนตัมในการคำนวณปัญหาที่คอมพิวเตอร์คลาสสิกทำไม่ได้ คอมพิวเตอร์ควอนตัมใช้ qubits qubits เป็นเหมือนปกติบิตในเครื่องคอมพิวเตอร์ แต่มีความสามารถในการเพิ่มที่จะใส่ลงไปในการทับซ้อนและส่วนแบ่งการพัวพันกับอีกคนหนึ่ง

คอมพิวเตอร์คลาสสิกดำเนินการตามแบบคลาสสิกที่กำหนดขึ้นเองหรือสามารถจำลองกระบวนการที่น่าจะเป็นโดยใช้วิธีการสุ่มตัวอย่าง คอมพิวเตอร์ควอนตัมสามารถดำเนินการควอนตัมที่ยากต่อการจำลองด้วยคอมพิวเตอร์แบบคลาสสิกด้วยการควบคุมการทับซ้อนและการพัวพันกัน แนวคิดสำหรับการใช้ประโยชน์จากการคำนวณควอนตัมของ NISQ ได้แก่ การเพิ่มประสิทธิภาพ การจำลองควอนตัม การเข้ารหัส และการเรียนรู้ของเครื่อง

การเรียนรู้ของเครื่องควอนตัม

ควอนตัมการเรียนรู้เครื่อง (QML) ถูกสร้างขึ้นบนสองแนวคิด: ข้อมูลควอนตัมและไฮบริดรุ่นควอนตัมคลาสสิก

ข้อมูลควอนตัม

ข้อมูลควอนตัมเป็นแหล่งข้อมูลใด ๆ ที่เกิดขึ้นในระบบควอนตัมธรรมชาติหรือเทียม นี้จะมีข้อมูลที่สร้างด้วยคอมพิวเตอร์ควอนตัมเช่นตัวอย่างที่รวบรวมจาก หน่วยประมวลผลมะเดื่อ สำหรับการสาธิตของ Google อำนาจสูงสุดของควอนตัม ข้อมูลควอนตัมแสดงการซ้อนและการพัวพัน ซึ่งนำไปสู่การแจกแจงความน่าจะเป็นร่วมกันที่อาจต้องใช้ทรัพยากรการคำนวณแบบคลาสสิกจำนวนมหาศาลเพื่อเป็นตัวแทนหรือจัดเก็บ การทดลองควอนตัมสูงสุดแสดงให้เห็นว่าเป็นไปได้ที่จะสุ่มตัวอย่างจากการแจกแจงความน่าจะเป็นร่วมที่ซับซ้อนอย่างยิ่งของสเปซฮิลเบิร์ต 2^53

ข้อมูลควอนตัมที่สร้างโดยโปรเซสเซอร์ NISQ มีสัญญาณรบกวนและโดยทั่วไปจะพันกันก่อนการวัดจะเกิดขึ้น เทคนิคแมชชีนเลิร์นนิงแบบฮิวริสติกสามารถสร้างแบบจำลองที่ดึงข้อมูลคลาสสิกที่เป็นประโยชน์จากข้อมูลที่พันกันเสียงดังได้มากที่สุด ไลบรารี TensorFlow Quantum (TFQ) นำเสนอพื้นฐานในการพัฒนาแบบจำลองที่คลี่คลายและสรุปความสัมพันธ์ในข้อมูลควอนตัม ซึ่งเป็นการเปิดโอกาสในการปรับปรุงอัลกอริธึมควอนตัมที่มีอยู่หรือค้นพบอัลกอริธึมควอนตัมใหม่

ต่อไปนี้คือตัวอย่างข้อมูลควอนตัมที่สามารถสร้างหรือจำลองบนอุปกรณ์ควอนตัมได้:

  • ข้อมูล -Extract เคมีจำลองเกี่ยวกับโครงสร้างทางเคมีและการเปลี่ยนแปลงกับการใช้งานที่มีศักยภาพเพื่อวัสดุศาสตร์เคมีคอมพิวเตอร์ชีววิทยาและการค้นพบยาเสพติด
  • ควอนตัมเรื่องการจำลอง -Model และการออกแบบยิ่งยวดที่อุณหภูมิสูงหรือรัฐอื่น ๆ ที่แปลกใหม่ของเรื่องที่แสดงผลกระทบควอนตัมหลายตัว
  • ควบคุมควอนตัม -Hybrid รุ่นควอนตัมคลาสสิกสามารถฝึก variationally เพื่อดำเนินการควบคุมที่เหมาะสมเปิดหรือปิดวงสอบเทียบและการลดข้อผิดพลาด ซึ่งรวมถึงกลยุทธ์การตรวจจับและแก้ไขข้อผิดพลาดสำหรับอุปกรณ์ควอนตัมและโปรเซสเซอร์ควอนตัม
  • เครือข่ายการสื่อสารควอนตัมเครื่องที่ใช้งานเรียนรู้ที่จะเลือกปฏิบัติระหว่างไม่ใช่มุมฉากรัฐควอนตัมกับการประยุกต์ใช้ในการออกแบบและการก่อสร้างของโครงสร้างขาประจำควอนตัม, รับควอนตัมและหน่วยบริสุทธิ์
  • ควอนตัมมาตรวิทยา -Quantum เพิ่มการวัดความแม่นยำสูงเช่นการตรวจจับควอนตัมและการถ่ายภาพควอนตัมจะทำโดยเนื้อแท้บนขั้วที่มีอุปกรณ์ควอนตัมขนาดเล็กและสามารถออกแบบหรือปรับปรุงโดยรุ่นที่ควอนตัมแปรผัน

โมเดลควอนตัมคลาสสิกไฮบริด

แบบจำลองควอนตัมสามารถแสดงและสรุปข้อมูลด้วยแหล่งกำเนิดทางกลของควอนตัม เนื่องจากตัวประมวลผลควอนตัมระยะใกล้ยังค่อนข้างเล็กและมีเสียงรบกวน โมเดลควอนตัมจึงไม่สามารถสรุปข้อมูลควอนตัมได้โดยใช้ตัวประมวลผลควอนตัมเพียงอย่างเดียว โปรเซสเซอร์ NISQ ต้องทำงานร่วมกับโปรเซสเซอร์ร่วมแบบดั้งเดิมจึงจะมีประสิทธิภาพ เนื่องจาก TensorFlow รองรับการประมวลผลที่แตกต่างกันใน CPU, GPU และ TPU จึงถูกใช้เป็นแพลตฟอร์มพื้นฐานในการทดลองกับอัลกอริธึมควอนตัมคลาสสิกแบบไฮบริด

เครือข่ายประสาทควอนตัม (QNN) ถูกนำมาใช้เพื่ออธิบายแปรควอนตัมรูปแบบการคำนวณที่มีการดำเนินการที่ดีที่สุดในคอมพิวเตอร์ควอนตัม ระยะนี้มักจะเป็นกันกับวงจรควอนตัมแปร (PQC)

การวิจัย

ในช่วง NISQ ยุคอัลกอริทึมควอนตัมกับ speedups ที่รู้จักกันมากกว่าคลาสสิกอัลกอริทึมเหมือน ขั้นตอนวิธีการแฟแคระแกร็นของ หรือ โกรเวอร์ค้นหาของอัลกอริทึม สรรพยังไม่ได้เป็นไปได้ในระดับที่มีความหมาย

เป้าหมายของ TensorFlow Quantum คือการช่วยค้นหาอัลกอริทึมสำหรับยุค NISQ โดยมีความสนใจเป็นพิเศษใน:

  1. ใช้การเรียนรู้ของเครื่องแบบคลาสสิกเพื่อปรับปรุงอัลกอริทึมของ NISQ ความหวังคือเทคนิคจากการเรียนรู้ของเครื่องแบบคลาสสิกสามารถปรับปรุงความเข้าใจของเราเกี่ยวกับการคำนวณควอนตัมได้ ใน meta-การเรียนรู้สำหรับเครือข่ายประสาทควอนตัมคลาสสิกผ่านทางเครือข่ายประสาทกำเริบ , เครือข่ายประสาทกำเริบ (RNN) จะใช้ในการค้นพบการเพิ่มประสิทธิภาพของพารามิเตอร์ควบคุมสำหรับขั้นตอนวิธีการเช่น QAOA และ VQE ที่มีประสิทธิภาพมากขึ้นกว่าที่เรียบง่ายปิดเพิ่มประสิทธิภาพการเก็บรักษา และ การเรียนรู้เครื่องสำหรับการควบคุมควอนตัม ใช้เสริมแรงเรียนรู้ที่จะช่วยเหลือบรรเทาข้อผิดพลาดและผลิตประตูควอนตัมที่มีคุณภาพสูง
  2. จำลองข้อมูลควอนตัมด้วยวงจรควอนตัม การสร้างแบบจำลองข้อมูลควอนตัมแบบคลาสสิกเป็นไปได้ถ้าคุณมีคำอธิบายที่แน่นอนของแหล่งข้อมูล—แต่บางครั้งก็ไม่สามารถทำได้ ในการแก้ปัญหานี้ คุณสามารถลองสร้างแบบจำลองบนคอมพิวเตอร์ควอนตัมเอง และวัด/สังเกตสถิติที่สำคัญ ควอนตัมเครือข่ายประสาทสับสน แสดงวงจรควอนตัมที่ออกแบบมาคล้ายกับโครงสร้างเครือข่ายประสาทสับสน (CNN) เพื่อตรวจสอบขั้นตอนการทอพอโลยีที่แตกต่างกันของเรื่อง คอมพิวเตอร์ควอนตัมเก็บข้อมูลและแบบจำลอง ตัวประมวลผลแบบคลาสสิกจะมองเห็นเฉพาะตัวอย่างการวัดจากเอาต์พุตของโมเดล และไม่ดูตัวข้อมูลเอง ใน renormalization พัวพันแข็งแกร่งบนคอมพิวเตอร์ควอนตัมที่มีเสียงดัง ที่ผู้เขียนเรียนรู้ที่จะบีบอัดข้อมูลเกี่ยวกับระบบต่างๆของร่างกายควอนตัมโดยใช้แบบจำลอง DMERA

ด้านอื่นๆ ที่น่าสนใจในการเรียนรู้ของเครื่องควอนตัม ได้แก่: