Google I/O'yu ayarladığınız için teşekkür ederiz. İsteğe bağlı olarak tüm oturumları görüntüleyin İsteğe bağlı olarak izleyin

Kuantum makine öğrenimi kavramları

Google'ın kuantum ötesinde-klasik deney mevcut algoritmaları kullanarak büyük klasik bilgisayarda 10.000 yılını alacak olan kuantum bilgisayarında 200 saniyede bir hesaplama gerçekleştirebilir göstermek 53 gürültülü qubits kullandı. Bu işaretler başlangıcı Gürültülü Orta Ölçekli Quantum (NISQ) bilgisayar çağında. Önümüzdeki yıllarda, onlarca ila yüzlerce gürültülü kübit içeren kuantum cihazlarının gerçeğe dönüşmesi bekleniyor.

Kuantum hesaplama

Kuantum hesaplama, klasik bilgisayarların erişemeyeceği sorunları hesaplamak için kuantum mekaniğinin özelliklerine dayanır. Bir kuantum bilgisayar qubits kullanır. Qubits bilgisayarda düzenli bit gibidir, ama katma yeteneği ile birbirleriyle bir süperpozisyon ve hisse dolaşması konması.

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

Kuantum makine öğrenimi

Kuantum veri ve melez kuantum-klasik modeller: Kuantum makine öğrenme (QML) iki kavramın üzerine kurulmuştur.

kuantum verileri

Kuantum veriler, doğal veya yapay bir kuantum sisteminde meydana gelen herhangi bir veri kaynağıdır. Bu toplanan numuneler gibi bir kuantum bilgisayar tarafından oluşturulan veriler, olabilir Çınar işlemci kuantum üstünlüğü Google'ın gösteri için. Kuantum verileri, temsil etmek veya depolamak için üstel miktarda klasik hesaplama kaynakları gerektirebilecek ortak olasılık dağılımlarına yol açan üst üste binme ve karışıklık sergiler. Kuantum üstünlüğü deneyi, 2^53 Hilbert uzayının son derece karmaşık birleşik olasılık dağılımından örneklemenin mümkün olduğunu gösterdi.

NISQ işlemcileri tarafından üretilen kuantum verileri gürültülüdür ve genellikle ölçüm gerçekleşmeden hemen önce birbirine karışır. 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 ve mevcut kuantum algoritmalarını iyileştirme veya yeni kuantum algoritmaları keşfetme fırsatları sunar.

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

  • Malzeme bilimi, hesaplamalı kimya, hesaplamalı biyoloji ve ilaç keşfine potansiyel uygulamalar ile kimyasal yapıları ve dinamikleri hakkında Kimyasal simülasyon -Özü bilgiler.
  • Kuantum simülasyon -Model madde ve çok cisim kuantum etkilerini sergileyen yüksek sıcaklık süperiletkenlik veya maddenin diğer egzotik ülkeleri tasarlar.
  • Kuantum kontrolü -Hybrid kuantum-klasik modeller variationally optimum açık veya kapalı döngü kontrol, kalibrasyon ve hata hafifletilmesini gerçekleştirmek için eğitilmiş olabilir. Bu, kuantum cihazları ve kuantum işlemcileri için hata algılama ve düzeltme stratejilerini içerir.
  • Makinenin Use Kuantum iletişim ağları tasarlamak için uygulama ve yapılandırılmış kuantum tekrarlayıcılara kuantum alıcıları ve saflaştırma birimlerinin yapımı ile, ortogonal olmayan kuantum arasında ayrım için öğrenme.
  • Kuantum metroloji doğal olarak küçük ölçekli kuantum cihazları ve tasarlanmış veya varyasyon kuantum model geliştirilebilir prob üzerinde yapılır kuantum algılama ve kuantum görüntüleme gibi yüksek hassasiyetli ölçümleri -Quantum geliştirilmiş.

Hibrit kuantum-klasik modeller

Bir kuantum modeli, kuantum mekanik kökenli verileri temsil edebilir ve genelleştirebilir. Yakın dönemli kuantum işlemciler hala oldukça küçük ve gürültülü olduğundan, kuantum modelleri kuantum verilerini yalnızca kuantum işlemcileri kullanarak genelleştiremez. NISQ işlemcilerin etkili olabilmesi için klasik yardımcı işlemcilerle uyum içinde çalışması gerekir. TensorFlow, CPU'lar, GPU'lar ve TPU'lar arasında heterojen hesaplamayı zaten desteklediğinden, hibrit kuantum-klasik algoritmaları denemek için temel platform olarak kullanılır.

Kuantum sinir ağı (QNN) en iyi bir kuantum bilgisayar üzerinde yürütülen bir parametreli kuantum bilgisayar modeli tanımlamak için kullanılır. Bu terim parametreli kuantum devresi (PQC) ile genellikle birbirinin yerine kullanılabilir.

Araştırma

NISQ-döneminde klasik algoritmalar benzeri üzerinde bilinen hızlandırıcılar ile kuantum algoritmaları Shor'un faktoring algoritması veya Grover arama algoritması anlamlı ölçekte henüz mümkün değildir -Sen.

TensorFlow Quantum'un bir amacı, özellikle aşağıdaki konulara ilgi duyarak, NISQ dönemi için algoritmaları keşfetmeye yardımcı olmaktır:

  1. NISQ algoritmalarını geliştirmek için klasik makine öğrenimini kullanın. Umut, klasik makine öğreniminden gelen tekniklerin kuantum hesaplama anlayışımızı geliştirebilmesidir. In klasik tekrarlayan sinir ağları vasıtasıyla kuantum sinir ağları için meta-öğrenme , bir tekrarlayan sinir ağı (RNN) QAOA ve VQE gibi algoritmalar için kontrol parametrelerinin o optimizasyonu keşfetmek için kullanılan raf optimize kapalı basit daha verimlidir. Ve kuantum kontrolü için makine öğrenme kullanımları yardım Azaltmak hatalarına öğrenme ve daha kaliteli kuantum kapıları üretmek takviye.
  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 konvolüsyonel sinir ağları gösterir maddenin farklı topolojik fazları tespit etmek için kıvrımlı bir sinir ağı (CNN) için bir yapı benzer tasarlanmış bir kuantum devresi. Kuantum bilgisayar verileri ve modeli tutar. Klasik işlemci, yalnızca model çıktısından ölçüm örneklerini görür ve asla verilerin kendisini görmez. Gelen gürültülü bir kuantum bilgisayarında Sağlam dolaşıklık Renormalizasyon , yazarlar DMERA modeli kullanılarak kuantum çok cisim sistemleri hakkında kompres bilgilere öğrenirler.

Kuantum makine öğrenimiyle ilgili diğer ilgi alanları şunlardır: