Bu sayfa, Cloud Translation API ile çevrilmiştir.
Switch to English

Kuantum makine öğrenimi kavramları

Google'ın kuantum üstünlüğü deneyi , mevcut algoritmaları kullanarak en büyük klasik bilgisayarda 10.000 yıl sürecek bir kuantum bilgisayarda 200 saniyede bir hesaplama yapabileceğini göstermek için 53 gürültülü kübit kullandı. Bu, Gürültülü Orta Ölçekli Kuantum (NISQ) hesaplama çağının başlangıcını işaret ediyor. Önümüzdeki yıllarda, onlarca yüzlerce gürültülü kübite sahip kuantum cihazların bir gerçeklik haline gelmesi bekleniyor.

Kuantum hesaplama

Kuantum hesaplama, klasik bilgisayarların erişemeyeceği sorunları hesaplamak için kuantum mekaniğinin özelliklerine dayanır. Bir kuantum bilgisayar kübit kullanır. Qubit'ler bilgisayardaki normal bitler gibidir, ancak üst üste gelme ve birbirleriyle dolanıklığı paylaşma ek yeteneği vardır.

Klasik bilgisayarlar deterministik klasik işlemleri gerçekleştirir veya örnekleme yöntemlerini kullanarak olasılıksal süreçleri taklit edebilir. Kuantum bilgisayarlar, süperpozisyon ve dolaşıklıktan yararlanarak, klasik bilgisayarlarla ölçekli olarak taklit edilmesi zor olan kuantum işlemlerini gerçekleştirebilir. NISQ kuantum hesaplamadan yararlanma fikirleri arasında optimizasyon, kuantum simülasyonu, kriptografi ve makine öğrenimi bulunur.

Kuantum makine öğrenimi

Kuantum makine öğrenimi (QML) iki kavram üzerine inşa edilmiştir: kuantum verileri ve hibrit kuantum-klasik modeller .

Kuantum verileri

Kuantum verileri , doğal veya yapay bir kuantum sisteminde oluşan herhangi bir veri kaynağıdır. Bu, Google'ın kuantum üstünlüğünü göstermek için Sycamore işlemcisinden toplanan örnekler gibi bir kuantum bilgisayar tarafından üretilen veriler olabilir. Kuantum verileri üst üste binme ve dolanma sergiler ve temsil etmek veya depolamak için üstel miktarda klasik hesaplama kaynağı gerektirebilecek ortak olasılık dağılımlarına yol açar. Kuantum üstünlüğü deneyi, 2 ^ 53 Hilbert uzayının son derece karmaşık bir ortak olasılık dağılımından örneklemenin mümkün olduğunu gösterdi.

NISQ işlemcileri tarafından üretilen kuantum verileri gürültülüdür ve genellikle ölçüm gerçekleşmeden hemen önce dolaşır. Sezgisel makine öğrenimi teknikleri, gürültülü dolaşık verilerden yararlı klasik bilgilerin çıkarılmasını en üst düzeye çıkaran modeller oluşturabilir. TensorFlow Quantum (TFQ) kitaplığı, kuantum verilerindeki korelasyonları çözen ve genelleştiren modeller geliştirmek için ilkel öğeler sağlar - mevcut kuantum algoritmalarını iyileştirmek veya yeni kuantum algoritmaları keşfetmek için fırsatlar sunar.

Aşağıdakiler, bir kuantum cihazında oluşturulabilen veya simüle edilebilen kuantum verilerinin örnekleridir:

  • Kimyasal simülasyon — Malzeme bilimi, hesaplamalı kimya, hesaplamalı biyoloji ve ilaç keşfi için potansiyel uygulamalarla kimyasal yapılar ve dinamikler hakkındaki bilgileri çıkarın.
  • Kuantum madde simülasyonu —Yüksek sıcaklıkta süperiletkenliği veya birçok cisim kuantum etkisi sergileyen diğer egzotik madde durumlarını modelleyin ve tasarlayın.
  • Kuantum kontrolü — Hibrit kuantum-klasik modeller, optimum açık veya kapalı döngü kontrolü, kalibrasyon ve hata azaltma gerçekleştirmek için değişken olarak eğitilebilir. Bu, kuantum cihazları ve kuantum işlemcileri için hata tespiti ve düzeltme stratejilerini içerir.
  • Kuantum iletişim ağları —Yapılandırılmış kuantum yineleyiciler, kuantum alıcıları ve saflaştırma birimlerinin tasarımı ve inşası için uygulama ile ortogonal olmayan kuantum durumları arasında ayrım yapmak için makine öğrenimini kullanın.
  • Kuantum metrolojisi — Kuantum algılama ve kuantum görüntüleme gibi kuantumla geliştirilmiş yüksek hassasiyetli ölçümler, doğası gereği küçük ölçekli kuantum cihazları olan ve değişken kuantum modelleriyle tasarlanabilen veya geliştirilebilen problarda yapılır.

Hibrit kuantum-klasik modeller

Bir kuantum modeli, verileri kuantum mekaniği kökenli bir şekilde temsil edebilir ve genelleştirebilir. Kısa vadeli kuantum işlemciler hala oldukça küçük ve gürültülü olduğundan, kuantum modelleri yalnızca kuantum işlemcileri kullanarak kuantum verilerini genelleştiremez. NISQ işlemcileri, etkili olabilmek için klasik yardımcı işlemcilerle uyum içinde çalışmalıdır. TensorFlow zaten CPU'lar, GPU'lar ve TPU'lar arasında heterojen hesaplamayı desteklediğinden, hibrit kuantum-klasik algoritmaları denemek için temel platform olarak kullanılır.

Bir kuantum sinir ağı (QNN), bir kuantum bilgisayarda en iyi şekilde yürütülen parametreli bir kuantum hesaplama modelini tanımlamak için kullanılır. Bu terim genellikle parametreli kuantum devresi (PQC) ile değiştirilebilir.

Araştırma

NISQ döneminde, Shor'un faktoring algoritması veya Grover'ın arama algoritması gibi, klasik algoritmalar üzerinde bilinen hızlanmalara sahip kuantum algoritmaları anlamlı bir ölçekte henüz mümkün değil.

TensorFlow Quantum'un bir amacı, aşağıdakilerle özellikle ilgilenerek NISQ dönemi için algoritmaları keşfetmeye yardımcı olmaktır:

  1. NISQ algoritmalarını geliştirmek için klasik makine öğrenimini kullanın. Umut, klasik makine öğreniminden elde edilen tekniklerin kuantum hesaplama anlayışımızı geliştirebilmesidir. Klasik tekrarlayan sinir ağları aracılığıyla kuantum sinir ağları için meta-öğrenmede , QAOA ve VQE gibi algoritmalar için kontrol parametrelerinin optimizasyonunun, raftaki basit optimize edicilerden daha verimli olduğunu keşfetmek için tekrarlayan sinir ağı (RNN) kullanılır. Kuantum kontrolü için makine öğrenimi, hataları azaltmaya ve daha yüksek kaliteli kuantum kapıları üretmeye yardımcı olmak için pekiştirmeli öğrenmeyi kullanır.
  2. Kuantum verilerini kuantum devreleriyle modelleyin. Veri kaynağının tam bir açıklamasına sahipseniz, kuantum verilerini klasik olarak modellemek mümkündür - ancak bazen bu mümkün değildir. Bu sorunu çözmek için, kuantum bilgisayarın kendisinde modellemeyi deneyebilir ve önemli istatistikleri ölçebilir / gözlemleyebilirsiniz. Kuantum evrişimli sinir ağları , maddenin farklı topolojik evrelerini tespit etmek için evrişimli sinir ağına (CNN) benzer bir yapı ile tasarlanmış bir kuantum devresini gösterir. Kuantum bilgisayar, verileri ve modeli tutar. Klasik işlemci, model çıktısından yalnızca ölçüm örneklerini görür ve asla verinin kendisini görmez. Gürültülü bir kuantum bilgisayarda Sağlam dolaşıklık yeniden normalleştirmesinde yazarlar, bir DMERA modeli kullanarak kuantum çok gövdeli sistemler hakkındaki bilgileri sıkıştırmayı öğreniyorlar.

Kuantum makine öğrenimindeki diğer ilgi alanları şunları içerir: