量子机器学习概念

Google 的量子霸权实验使用了 53 个嘈杂量子位,证明一台量子计算机只需 200 秒就可以完成采用现有算法的最大传统计算机需要大约 10,000 年才能完成的一项计算。这标志着嘈杂中型量子 (NISQ) 计算时代正式开启。在未来几年中,具有数十乃至数百个嘈杂量子位的量子设备有望成为现实。

量子计算

量子计算依靠量子力学的属性来计算传统计算机无法解决的问题。量子计算机使用量子位。量子位就像计算机中的常规位,只不过它有两种附加能力,即被置于叠加态和相互纠缠

传统计算机执行确定性经典运算,也可以使用采样方法来模拟概率过程。通过利用叠加和纠缠,量子计算机可以执行难以用传统计算机大规模模拟的量子运算。利用 NISQ 量子计算的构想包括优化、量子模拟、密码学和机器学习。

量子机器学习

量子机器学习 (QML) 基于两个概念构建:量子数据混合量子经典模型

量子数据

量子数据是在自然或人工量子系统中出现的任何数据源。这可以是由量子计算机生成的数据,例如从用于证明 Google 的量子霸权的 Sycamore 处理器收集的样本。量子数据表现出叠加态和纠缠态,最终产生可能需要数量以指数级增长的经典计算资源来表示或存储的联合概率分布。量子霸权实验表明,可以从 2^53 个希尔伯特空间的极端复杂联合概率分布中进行采样。

NISQ 处理器生成的量子数据是嘈杂数据,而且通常在测量之前就发生纠缠。启发式机器学习技术可以创建最大程度地从嘈杂纠缠数据中提取有用经典信息的模型。TensorFlow Quantum (TFQ) 库提供了用于开发模型的基元,这类模型可以解开并归纳量子数据中的相关性,从而为改进现有量子算法或发现新的量子算法创造机会。

下面给出了可以在量子设备上生成或模拟的量子数据示例:

  • 化学模拟 - 提取有关化学结构和动力学的信息,并将其潜在地应用于材料科学、计算化学、计算生物学和药物发现等领域。
  • 量子物质模拟 - 对高温超导或表现出多体量子效应的其他奇特物质状态进行建模和设计。
  • 量子控制 - 可以对混合量子经典模型进行变分训练,以执行最佳的开环或闭环控制、校准和误差抑制。这包括用于量子设备和量子处理器的错误检测与纠正策略。
  • 量子通信网络 - 使用机器学习来区分非正交量子态,并将其应用于结构化量子中继器、量子接收器和纯化装置的设计与构造。
  • 量子计量 - 量子增强的高精度测量(例如量子传感和量子成像)本质上是在探针这种小型量子设备上完成的,可以通过变分量子模型来设计或改进。

混合量子经典模型

量子模型可以表示和归纳包含量子力学起源的数据。由于近期的量子处理器仍然很小且嘈杂,因此量子模型无法仅使用量子处理器来归纳量子数据。NISQ 处理器必须与传统的协处理器协同工作才能生效。由于 TensorFlow 已经支持跨 CPU、GPU 和 TPU 的异构计算,因此被用作试验混合量子经典算法的基础平台。

量子神经网络 (QNN) 用于描述最好在量子计算机上执行的参数化量子计算模型。此术语通常可与参数化量子电路 (PQC) 互换。

研究

在 NISQ 时代,尚且无法在有意义的规模上实现比经典算法(例如 Shor 的分解质因数算法Grover 的搜索算法)更快的量子算法。

TensorFlow Quantum 的目标是帮助发现 NISQ 时代的算法,特别关注以下方面:

  1. 使用经典机器学习来增强 NISQ 算法。希望来自于经典机器学习的技术可以增强我们对量子计算的理解。在通过经典循环神经网络进行量子神经网络的元学习中,循环神经网络 (RNN) 用于发现对 QAOA 和 VQE 等算法的控制参数进行优化比简单的现成优化器更加有效。而用于量子控制的机器学习则使用强化学习来帮助减少误差并产生质量更高的量子门。
  2. 使用量子电路对量子数据进行建模。如果您有数据源的精确描述,则可使用经典方式对量子数据进行建模,但有时无法实现。要解决此问题,您可以尝试在量子计算机上建模并测量/观测重要的统计数据。量子卷积神经网络给出了一种量子电路,这种电路采用类似于卷积神经网络 (CNN) 的结构设计,可以检测物质的不同拓扑相。量子计算机保存数据和模型。传统处理器只能从模型输出中看到测量样本,而无法看到数据本身。在 Robust entanglement renormalization on a noisy quantum computer 中,作者学习使用 DMERA 模型压缩有关量子多体系统的信息。

量子机器学习的其他关注领域包括: