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 kubit kullandı. Bu, Gürültülü Orta Ölçekli Kuantum (NISQ) hesaplama döneminin başlangıcını gösterir. Önümüzdeki yıllarda onlarca ila yüzlerce gürültülü kubeti olan kuantum cihazlarının bir gerçeklik haline gelmesi bekleniyor.

Kuantum hesaplama

Kuantum hesaplama, klasik bilgisayarlar için ulaşılamayacak problemleri hesaplamak için kuantum mekaniğinin özelliklerine dayanır. Kuantum bilgisayar kubit kullanır. Qubit'ler bir bilgisayardaki normal bitler gibidir, ancak ek bir süperpozisyona sokma ve dolaşıklığı birbirleriyle paylaşma yeteneği ile.

Klasik bilgisayarlar deterministik klasik işlemler yapar veya örnekleme yöntemlerini kullanarak olasılıklı süreçleri taklit edebilir. Süperpozisyon ve dolaşıklığı kullanarak kuantum bilgisayarlar, klasik bilgisayarlarla ölçeklendirilmesi zor olan kuantum işlemleri gerçekleştirebilir. NISQ kuantum hesaplamadan yararlanmaya yönelik fikirler 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 meydana gelen herhangi bir veri kaynağıdır. Bu, Google'ın kuantum üstünlüğünü göstermesi için Sycamore işlemcisinden toplanan örnekler gibi bir kuantum bilgisayarı tarafından üretilen veriler olabilir. Kuantum verileri, üst üste binme ve dolaşma sergiler, bu da temsil etmek veya depolamak için üstel miktarda klasik hesaplama kaynağı gerektirebilecek ortak olasılık dağılımlarına yol açar. Kuantum üstünlüğü deneyi, 2 ^ 53 Hilbert boşluğunun son derece karmaşık bir ortak olasılık dağılımından örneklemenin mümkün olduğunu göstermiştir.

NISQ işlemcileri tarafından üretilen kuantum verileri gürültülüdür ve tipik olarak ölçüm gerçekleşmeden hemen önce birbirine dolanır. Sezgisel makine öğrenme teknikleri, gürültülü dolaşmış verilerden yararlı klasik bilgilerin çıkarılmasını en üst düzeye çıkaran modeller oluşturabilir. TensorFlow Kuantum (TFQ) kütüphanesi, kuantum verilerindeki korelasyonları çözen ve genelleştiren modeller geliştirmek için temel öğeler sağlar - mevcut kuantum algoritmalarını geliştirmek veya yeni kuantum algoritmalarını 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 hakkında bilgi aktarın.
  • Kuantum madde simülasyonu —Çoklu vücut kuantum etkileri sergileyen yüksek sıcaklık süper iletkenliği veya diğer egzotik halleri modelleyin ve tasarlayın.
  • Kuantum kontrolü - Hibrid kuantum-klasik modeller, optimum açık veya kapalı döngü kontrolü, kalibrasyon ve hata azaltma gerçekleştirmek için değişken olarak eğitilebilir. Bu, kuantum cihazları ve kuantum işlemciler için hata algılama ve düzeltme stratejilerini içerir.
  • Kuantum iletişim ağları - Yapılandırılmış kuantum tekrarlayıcıları, kuantum alıcıları ve saflaştırma ünitelerinin tasarım ve yapımına yönelik uygulama ile, dikey olmayan kuantum durumları arasında ayrım yapmayı öğrenmek için makine öğrenimini kullanın.
  • Kuantum metrolojisi —Kuantum algılama ve kuantum görüntüleme gibi kuantum ile geliştirilmiş yüksek hassasiyetli ölçümler doğal olarak küçük ölçekli kuantum cihazları olan ve varyasyonel kuantum modelleri ile tasarlanabilen veya geliştirilebilen problar üzerinde yapılır.

Hibrit kuantum-klasik modeller

Bir kuantum modeli, kuantum mekanik orijinli verileri temsil edebilir ve genelleştirebilir. Kısa vadeli kuantum işlemciler hala oldukça küçük ve gürültülü olduklarından, kuantum modelleri yalnızca kuantum işlemcileri kullanarak kuantum verilerini genelleştiremez. NISQ işlemcilerinin etkili olabilmesi için klasik yardımcı işlemcilerle birlikte çalışması gerekir. TensorFlow zaten CPU'lar, GPU'lar ve TPU'lar arasında heterojen hesaplamayı desteklediğinden, hibrit kuantum-klasik algoritmaları denemek için temel platform olarak kullanılmaktadır.

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

Araştırma

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

TensorFlow Quantum'un amacı, NISQ dönemi için algoritmaların keşfedilmesine yardımcı olmaktır ve özellikle aşağıdakilerle ilgilenir:

  1. NISQ algoritmalarını geliştirmek için klasik makine öğrenimini kullanın. Umut, klasik makine öğrenimindeki 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 raf optimizatörlerinden daha verimli olduğunu keşfetmek için tekrarlayan bir sinir ağı (RNN) kullanılır. Kuantum kontrolü için makine öğrenimi, hataları azaltmaya ve daha yüksek kaliteli kuantum kapıları üretmeye yardımcı olmak için takviye öğrenimini kullanır.
  2. Kuantum verilerini kuantum devreleriyle modelleyin. Veri kaynağının tam bir tanımına sahipseniz, kuantum verilerinin klasik olarak modellenmesi 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 fazlarını tespit etmek için evrişimli bir sinir ağına (CNN) benzer bir yapı ile tasarlanmış bir kuantum devresini gösterir. Kuantum bilgisayarı verileri ve modeli tutar. Klasik işlemci sadece model çıkışından ölçüm örnekleri görür ve asla verinin kendisini görmez. Gürültülü bir kuantum bilgisayarda sağlam dolaşıklık renormalizasyonunda , yazarlar bir DMERA modeli kullanarak kuantum çok gövdeli sistemler hakkındaki bilgileri sıkıştırmayı öğrenirler.

Kuantum makine öğrenimine diğer ilgi alanları: