此页面由 Cloud Translation API 翻译。
Switch to English

量子机器学习概念

Google的量子至上实验使用了53个嘈杂的量子比特,以证明它可以在一台量子计算机上执行200秒的计算,而在使用现有算法的最大经典计算机上,这将花费10,000年的时间。这标志着嘈杂的中级量子 (NISQ)计算时代的开始。在未来几年中,具有数十个数百个噪声量子比特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经典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,但具有叠加的功能并彼此共享纠缠

经典计算机执行确定性经典运算,或者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量子计算的想法包括优化,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)建立在两个概念上: 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Sycamore处理器收集的样本,用于Google演示量子至上。量子数据表现出叠加和纠缠,从而导致联合概率分布,这可能需要成倍数量的经典计算资源来表示或存储。量子至上实验表明,可以从2 ^ 53 Hilbert空间的极其复杂的联合概率分布中进行采样。

NISQ处理器生成的量子数据很嘈杂,通常在测量发生之前就被纠缠了。启发式机器学习技术可以创建模型,以最大程度地从嘈杂的纠缠数据中提取有用的经典信息。 TensorFlow Quantum(TFQ)库提供了用于开发模型的原语,该模型可解开并概括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提供了机会。

以下是可以在量子设备上生成或模拟的量子数据的示例:

  • 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。
  • 量子物质模拟 - 建模和设计高温超导或表现出多体量子效应的其他奇特物质状态。
  • 量子控制-混合量子经典模型可以进行变异训练,以执行最佳的开环或闭环控制,校准和错误缓解。这包括用于量子设备和量子处理器的错误检测和纠正策略。
  • 量子通信网络-使用机器学习来区分非正交量子状态,并应用于结构化量子中继器,量子接收器和纯化单元的设计和构建。
  • 量子计量 - 量子增强的高精度测量,例如量子感测和量子成像,本质上是在小规模量子设备的探头上完成的,可以通过变分量子模型进行设计或改进。

混合量子经典模型

量子模型可以表示和概括具有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概括量子数据。 NISQ处理器必须与经典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,因此它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。该术语通常可与参数化量子电路 (PQC)互换。

研究

在NISQ时代,尚无法在有意义的规模上实现比经典算法(例如Shor的分解算法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:

  1. 使用经典机器学习来增强NISQ算法。希望来自经典机器学习的技术可以增强我们对量子计算的理解。在通过经典递归神经网络进行的量子神经网络元学习中 ,使用递归神经网络(RNN)发现优化QAOA和VQE等算法的控制参数比简单的现成优化器更有效。 用于量子控制的机器学习使用强化学习来帮助减少错误并产生更高质量的量子门。
  2. 使用量子电路对量子数据进行建模。如果您对数据源有准确的描述,则可以经典地对量子数据进行建模,但是有时是不可能的。要解决此问题,您可以尝试在量子计算机本身上建模并测量/观察重要的统计数据。 量子卷积神经网络显示了一种量子电路,其结构类似于卷积神经网络(CNN),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,而不能看到数据本身。在嘈杂的量子计算机上的稳健纠缠重归一化中 ,作者学习了使用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感兴趣领域包括: