หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

แนวคิดการเรียนรู้ของเครื่องควอนตัม

การทดลองควอนตัมอำนาจสูงสุด ของ Google ใช้ 53 qubits ที่ มีเสียงดัง เพื่อแสดงให้เห็นว่าสามารถทำการคำนวณใน 200 วินาทีในคอมพิวเตอร์ควอนตัมที่จะใช้เวลา 10,000 ปีสำหรับคอมพิวเตอร์คลาสสิคที่ใหญ่ที่สุดโดยใช้อัลกอริทึมที่มีอยู่ นี่เป็นจุดเริ่มต้นของยุคการคำนวณ Noisy Intermediate-Scale Quantum (NISQ) ในอีกไม่กี่ปีข้างหน้าคาดว่าอุปกรณ์ควอนตัมที่มีเสียงดังกว่าสิบถึงร้อย qubits จะกลายเป็นความจริง

คอมพิวเตอร์ควอนตัม

การคำนวณควอนตัมอาศัยคุณสมบัติของกลศาสตร์ควอนตัมในการคำนวณปัญหาที่ไม่สามารถเข้าถึงได้สำหรับคอมพิวเตอร์แบบดั้งเดิม คอมพิวเตอร์ควอนตัมใช้ qubits Qubits เป็นเหมือนบิตทั่วไปในคอมพิวเตอร์ แต่ด้วยความสามารถที่เพิ่มเข้ามาในการ ซ้อนทับ และแชร์ สิ่งกีดขวาง

คอมพิวเตอร์แบบคลาสสิคดำเนินการแบบดั้งเดิมที่กำหนดไว้แล้วหรือสามารถเลียนแบบกระบวนการความน่าจะเป็นโดยใช้วิธีการสุ่มตัวอย่าง ด้วยการควบคุมการซ้อนทับและความยุ่งเหยิงคอมพิวเตอร์ควอนตัมสามารถปฏิบัติการควอนตัมที่ยากต่อการลอกเลียนแบบด้วยคอมพิวเตอร์แบบดั้งเดิม แนวคิดสำหรับการใช้ประโยชน์จากการคำนวณควอนตัมของ NISQ รวมถึงการเพิ่มประสิทธิภาพการจำลองควอนตัมการเข้ารหัสและการเรียนรู้ของเครื่อง

การเรียนรู้ของเครื่องควอนตัม

การเรียนรู้ของเครื่องควอนตัม (QML) สร้างขึ้นจากแนวคิดสองประการคือ ข้อมูลควอนตัม และ โมเดลควอนตัมคลาสสิกควอนตัม

ข้อมูลควอนตัม

ข้อมูลควอนตัม คือแหล่งข้อมูลใด ๆ ที่เกิดขึ้นในระบบควอนตัมธรรมชาติหรือประดิษฐ์ นี่อาจเป็นข้อมูลที่สร้างขึ้นโดยคอมพิวเตอร์ควอนตัมเช่นตัวอย่างที่รวบรวมจาก โปรเซสเซอร์ Sycamore สำหรับการสาธิตควอนตัมอำนาจสูงสุดของ Google ข้อมูลควอนตัมแสดงถึงการทับซ้อนและการพัวพันซึ่งนำไปสู่การแจกแจงความน่าจะเป็นร่วมที่อาจต้องใช้ทรัพยากรการคำนวณแบบคลาสสิกแทนเลขชี้กำลังเพื่อแทนหรือเก็บ การทดสอบควอนตัมอำนาจสูงสุดแสดงให้เห็นว่ามันเป็นไปได้ที่จะสุ่มตัวอย่างจากการกระจายความน่าจะเป็นข้อต่อที่ซับซ้อนมากของพื้นที่ 2 ^ 53 Hilbert

ข้อมูลควอนตัมที่สร้างโดยหน่วยประมวลผล NISQ นั้นมีเสียงดังและมักจะเข้าไปพัวพันกันก่อนการวัดจะเกิดขึ้น เทคนิคการเรียนรู้ของเครื่อง Heuristic สามารถสร้างแบบจำลองที่เพิ่มการดึงข้อมูลดั้งเดิมที่มีประโยชน์จากข้อมูลที่มีเสียงดังรบกวน ห้องสมุด TensorFlow Quantum (TFQ) เป็นเครื่องมือพื้นฐานในการพัฒนาแบบจำลองที่คลี่คลายและทำให้ความสัมพันธ์ทั่วไปในข้อมูลควอนตัมเปิดโอกาสในการปรับปรุงอัลกอริทึมควอนตัมที่มีอยู่หรือค้นพบอัลกอริธึมควอนตัมใหม่

ต่อไปนี้เป็นตัวอย่างของข้อมูลควอนตัมที่สามารถสร้างหรือจำลองบนอุปกรณ์ควอนตัม:

  • การจำลองทางเคมี - ดึงข้อมูลเกี่ยวกับโครงสร้างทางเคมีและการเปลี่ยนแปลงด้วยการประยุกต์ใช้งานทางด้านวัสดุศาสตร์เคมีเชิงคำนวณชีววิทยาเชิงคำนวณและการค้นพบยา
  • การจำลองสสารควอนตัม - รูปแบบ และการออกแบบตัวนำยิ่งยวดที่อุณหภูมิสูงหรือสภาวะแปลกใหม่อื่น ๆ ของสสารที่แสดงผลกระทบควอนตัมหลายตัว
  • การควบคุม ควอนตัม - โมเดลควอนตัมคลาสสิกไฮบริดสามารถผ่านการฝึกอบรมได้หลากหลายเพื่อให้สามารถควบคุมการเปิดหรือปิดลูปการปรับเทียบและการแก้ไขข้อผิดพลาด ซึ่งรวมถึงกลยุทธ์การตรวจจับและแก้ไขข้อผิดพลาดสำหรับอุปกรณ์ควอนตัมและโปรเซสเซอร์ควอนตัม
  • เครือข่ายการสื่อสารควอนตัม - ใช้เครื่องเรียนรู้ที่จะแยกแยะระหว่างรัฐควอนตัมที่ไม่ใช่มุมฉากพร้อมกับการประยุกต์ใช้ในการออกแบบและสร้างทวนควอนตัมที่มีโครงสร้างเครื่องรับควอนตัมและหน่วยการทำให้บริสุทธิ์
  • Quantum metrology - การตรวจวัดควอนตัมที่มีความแม่นยำสูงเช่นการตรวจจับควอนตัมและการถ่ายภาพควอนตัมทำได้โดยกำเนิดบนโพรบซึ่งเป็นอุปกรณ์ควอนตัมขนาดเล็กและสามารถออกแบบหรือปรับปรุงโดยโมเดลควอนตัมแปรปรวน

รุ่นควอนตัมคลาสสิกไฮบริด

แบบจำลองควอนตัมสามารถแสดงและสรุปข้อมูลด้วยแหล่งกำเนิดเชิงกลควอนตัม เนื่องจากโปรเซสเซอร์ควอนตัมระยะสั้นยังคงค่อนข้างเล็กและมีเสียงดังรุ่นควอนตัมจึงไม่สามารถสรุปข้อมูลควอนตัมโดยใช้โปรเซสเซอร์ควอนตัมเพียงอย่างเดียว ตัวประมวลผล NISQ จะต้องทำงานร่วมกับโปรเซสเซอร์ร่วมคลาสสิกเพื่อให้มีประสิทธิภาพ เนื่องจาก TensorFlow รองรับการคำนวณที่ต่างกันในซีพียู GPU และ TPU จึงใช้เป็นแพลตฟอร์มฐานเพื่อทดสอบกับอัลกอริธึมควอนตัมคลาสสิกแบบควอนตัม

ควอนตัมนิวรอลเน็ตเวิร์ก (QNN) ใช้เพื่ออธิบายแบบจำลองการคำนวณควอนตัมแบบพารามิเตอร์ที่ดำเนินการได้ดีที่สุดในคอมพิวเตอร์ควอนตัม คำนี้มักจะใช้แทนกันได้กับ วงจรควอนตัมแบบพารามิเตอร์ (PQC)

วิจัย

ในช่วงยุค NISQ อัลกอริธึมเชิงควอนตัมที่มีการเร่งความเร็วที่เป็นที่รู้จักมากกว่าอัลกอริธึมแบบดั้งเดิม - เช่น อัลกอริทึมแฟคตอริ่งระหว่าง Shor หรือ อัลกอริทึม การค้นหาของ Grover - ยังไม่สามารถทำได้

เป้าหมายของ TensorFlow Quantum คือช่วยค้นพบอัลกอริทึมสำหรับยุค NISQ โดยมีความสนใจเป็นพิเศษใน:

  1. ใช้การเรียนรู้ของเครื่องคลาสสิกเพื่อปรับปรุงอัลกอริทึม NISQ ความหวังก็คือเทคนิคจากการเรียนรู้ของเครื่องจักรแบบดั้งเดิมสามารถเพิ่มความเข้าใจของเราในการคำนวณควอนตัม ใน การเรียนรู้เมตาสำหรับเครือข่ายควอนตัมควอนตัมผ่านเครือข่าย นิวรัล กำเริบคลาสสิกเครือข่ายประสาท กำเริบ (RNN) ถูกนำมาใช้เพื่อค้นหาว่าการเพิ่มประสิทธิภาพของพารามิเตอร์ควบคุมสำหรับอัลกอริทึมเช่น QAOA และ VQE นั้นมีประสิทธิภาพมากกว่า และ การเรียนรู้เครื่องสำหรับการควบคุมควอนตัม ใช้การเรียนรู้การเสริมแรงเพื่อช่วยลดข้อผิดพลาดและสร้างประตูควอนตัมที่มีคุณภาพสูงขึ้น
  2. แบบจำลองข้อมูลควอนตัมกับวงจรควอนตัม การสร้างแบบจำลองคลาสสิกข้อมูลควอนตัมเป็นไปได้ถ้าคุณมีคำอธิบายที่แน่นอนของแหล่งข้อมูล - แต่บางครั้งมันเป็นไปไม่ได้ เพื่อแก้ปัญหานี้คุณสามารถลองสร้างแบบจำลองบนคอมพิวเตอร์ควอนตัมและวัด / สังเกตสถิติที่สำคัญ เครือข่ายประสาท ควอนตัมแบบควอนตัมแสดงวงจรควอนตัมที่ออกแบบด้วยโครงสร้างที่คล้ายกับ เครือข่ายประสาท แบบควอนตัม (CNN) เพื่อตรวจสอบเฟสทอพอโลยีที่แตกต่างกันของสสาร คอมพิวเตอร์ควอนตัมเก็บข้อมูลและแบบจำลอง โปรเซสเซอร์คลาสสิกเห็นเพียงตัวอย่างการวัดจากเอาต์พุตโมเดลและไม่ต้องใช้ข้อมูลเอง ใน renormalization พัวพันที่แข็งแกร่งในคอมพิวเตอร์ควอนตัมที่มีเสียงดัง , ผู้เขียนเรียนรู้ที่จะบีบอัดข้อมูลเกี่ยวกับระบบหลายร่างกายควอนตัมโดยใช้รูปแบบ DMERA

พื้นที่อื่น ๆ ที่น่าสนใจในการเรียนรู้ของเครื่องควอนตัม ได้แก่ :