Khái niệm học máy lượng tử

{ }

Thí nghiệm lượng tử ngoài cổ điển của Google đã sử dụng 53 qubit ồn ào để chứng minh rằng nó có thể thực hiện phép tính trong 200 giây trên máy tính lượng tử, trong khi máy tính cổ điển lớn nhất sử dụng thuật toán hiện có sẽ mất 10.000 năm. Điều này đánh dấu sự khởi đầu của kỷ nguyên điện toán lượng tử quy mô trung gian ồn ào (NISQ). Trong những năm tới, các thiết bị lượng tử với hàng chục đến hàng trăm qubit ồn ào được kỳ vọng sẽ trở thành hiện thực.

Tính toán lượng tử

Điện toán lượng tử dựa vào các đặc tính của cơ học lượng tử để tính toán các vấn đề nằm ngoài tầm với của máy tính cổ điển. Một máy tính lượng tử sử dụng qubit . Qubit giống như các bit thông thường trong máy tính, nhưng có thêm khả năng được đặt vào trạng thái chồng chất và chia sẻ sự vướng víu với nhau.

Máy tính cổ điển thực hiện các phép toán cổ điển xác định hoặc có thể mô phỏng các quy trình xác suất bằng phương pháp lấy mẫu. Bằng cách khai thác sự chồng chất và sự vướng víu, máy tính lượng tử có thể thực hiện các hoạt động lượng tử khó mô phỏng ở quy mô lớn bằng máy tính cổ điển. Các ý tưởng tận dụng điện toán lượng tử NISQ bao gồm tối ưu hóa, mô phỏng lượng tử, mật mã và học máy.

Học máy lượng tử

Học máy lượng tử (QML) được xây dựng trên hai khái niệm: dữ liệu lượng tử và mô hình lượng tử-cổ điển lai .

Dữ liệu lượng tử

Dữ liệu lượng tử là bất kỳ nguồn dữ liệu nào xảy ra trong hệ thống lượng tử tự nhiên hoặc nhân tạo. Đây có thể là dữ liệu được tạo ra bởi máy tính lượng tử, giống như các mẫu được thu thập từ bộ xử lý Sycamore để chứng minh ưu thế lượng tử của Google. Dữ liệu lượng tử thể hiện sự chồng chất và vướng víu, dẫn đến phân bố xác suất chung có thể yêu cầu một lượng tài nguyên tính toán cổ điển theo cấp số nhân để biểu diễn hoặc lưu trữ. Thí nghiệm về ưu thế lượng tử cho thấy có thể lấy mẫu từ phân bố xác suất chung cực kỳ phức tạp của không gian Hilbert 2^53.

Dữ liệu lượng tử do bộ xử lý NISQ tạo ra rất ồn và thường bị vướng víu ngay trước khi phép đo diễn ra. Kỹ thuật học máy heuristic có thể tạo ra các mô hình giúp tối đa hóa việc trích xuất thông tin cổ điển hữu ích từ dữ liệu vướng víu ồn ào. Thư viện TensorFlow Quantum (TFQ) cung cấp các nguyên tắc cơ bản để phát triển các mô hình giúp gỡ rối và khái quát hóa các mối tương quan trong dữ liệu lượng tử — mở ra cơ hội cải thiện các thuật toán lượng tử hiện có hoặc khám phá các thuật toán lượng tử mới.

Sau đây là ví dụ về dữ liệu lượng tử có thể được tạo hoặc mô phỏng trên thiết bị lượng tử:

  • Mô phỏng hóa học —Trích xuất thông tin về cấu trúc hóa học và động lực học với các ứng dụng tiềm năng cho khoa học vật liệu, hóa học tính toán, sinh học tính toán và khám phá thuốc.
  • Mô phỏng vật chất lượng tử —Mô hình và thiết kế tính siêu dẫn nhiệt độ cao hoặc các trạng thái kỳ lạ khác của vật chất thể hiện hiệu ứng lượng tử nhiều vật thể.
  • Điều khiển lượng tử —Các mô hình lượng tử-cổ điển lai có thể được huấn luyện theo nhiều cách khác nhau để thực hiện điều khiển, hiệu chuẩn và giảm thiểu lỗi vòng mở hoặc vòng kín tối ưu. Điều này bao gồm các chiến lược phát hiện và sửa lỗi cho các thiết bị lượng tử và bộ xử lý lượng tử.
  • Mạng truyền thông lượng tử —Sử dụng máy học để phân biệt giữa các trạng thái lượng tử không trực giao, với ứng dụng thiết kế và xây dựng các bộ lặp lượng tử có cấu trúc, bộ thu lượng tử và các đơn vị tinh chế.
  • Đo lường lượng tử —Các phép đo có độ chính xác cao được tăng cường lượng tử như cảm biến lượng tử và hình ảnh lượng tử vốn được thực hiện trên các đầu dò là thiết bị lượng tử quy mô nhỏ và có thể được thiết kế hoặc cải tiến bằng các mô hình lượng tử biến phân.

Các mô hình cổ điển-lượng tử lai

Một mô hình lượng tử có thể biểu diễn và khái quát hóa dữ liệu có nguồn gốc cơ học lượng tử. Bởi vì các bộ xử lý lượng tử trong thời gian ngắn vẫn còn khá nhỏ và ồn ào nên các mô hình lượng tử không thể khái quát hóa dữ liệu lượng tử chỉ sử dụng bộ xử lý lượng tử. Bộ xử lý NISQ phải phối hợp với các bộ đồng xử lý cổ điển để hoạt động hiệu quả. Vì TensorFlow đã hỗ trợ tính toán không đồng nhất trên CPU, GPU và TPU nên nó được sử dụng làm nền tảng cơ sở để thử nghiệm các thuật toán cổ điển-lượng tử lai.

Mạng thần kinh lượng tử (QNN) được sử dụng để mô tả mô hình tính toán lượng tử được tham số hóa được thực thi tốt nhất trên máy tính lượng tử. Thuật ngữ này thường có thể thay thế được với mạch lượng tử tham số hóa (PQC).

Nghiên cứu

Trong kỷ nguyên NISQ, các thuật toán lượng tử với tốc độ tăng tốc đã biết so với các thuật toán cổ điển—như thuật toán phân tích nhân tử của Shor hoặc thuật toán tìm kiếm của Grover —chưa thể thực hiện được ở quy mô có ý nghĩa.

Mục tiêu của TensorFlow Quantum là giúp khám phá các thuật toán cho kỷ nguyên NISQ, đặc biệt quan tâm đến:

  1. Sử dụng học máy cổ điển để nâng cao thuật toán NISQ. Hy vọng rằng các kỹ thuật học máy cổ điển có thể nâng cao hiểu biết của chúng ta về điện toán lượng tử. Trong siêu học cho mạng thần kinh lượng tử thông qua mạng thần kinh tái phát cổ điển , mạng thần kinh tái phát (RNN) được sử dụng để khám phá rằng việc tối ưu hóa các tham số điều khiển cho các thuật toán như QAOA và VQE hiệu quả hơn các trình tối ưu hóa đơn giản có sẵn. Và học máy để kiểm soát lượng tử sử dụng học tăng cường để giúp giảm thiểu lỗi và tạo ra các cổng lượng tử chất lượng cao hơn.
  2. Mô hình dữ liệu lượng tử với các mạch lượng tử. Có thể lập mô hình dữ liệu lượng tử theo kiểu cổ điển nếu bạn có mô tả chính xác về nguồn dữ liệu—nhưng đôi khi điều này là không thể. Để giải quyết vấn đề này, bạn có thể thử lập mô hình trên chính máy tính lượng tử và đo/quan sát các số liệu thống kê quan trọng. Mạng nơ ron tích chập lượng tử cho thấy một mạch lượng tử được thiết kế với cấu trúc tương tự như mạng nơ ron tích chập (CNN) để phát hiện các giai đoạn tôpô khác nhau của vật chất. Máy tính lượng tử chứa dữ liệu và mô hình. Bộ xử lý cổ điển chỉ nhìn thấy các mẫu đo từ đầu ra của mô hình chứ không bao giờ nhìn thấy dữ liệu. Trong Tái chuẩn hóa vướng víu mạnh mẽ trên máy tính lượng tử ồn ào , các tác giả tìm hiểu cách nén thông tin về các hệ thống lượng tử nhiều vật thể bằng mô hình DMERA.

Các lĩnh vực quan tâm khác trong học máy lượng tử bao gồm: