本頁面由 Cloud Translation API 翻譯而成。
Switch to English

量子機器學習概念

Google的量子至上實驗使用了53個嘈雜的量子比特,以證明它可以在一台量子計算機上執行200秒的計算,而在使用現有算法的最大經典計算機上,這將花費10,000年的時間。這標誌著嘈雜的中級量子 (NISQ)計算時代的開始。在未來幾年中,具有數十個數百個量子比特的量子器件有望成為現實。

量子計算

量子計算依靠量子力學的屬性來計算經典計算機無法解決的問題。量子計算機使用量子位 。量子位就像計算機中的常規位,但具有疊加的功能並彼此共享糾纏

古典計算機執行確定性古典操作,或者可以使用採樣方法來模擬概率過程。通過利用疊加和糾纏,量子計算機可以執行難以用傳統計算機大規模模擬的量子運算。利用NISQ量子計算的構想包括優化,量子模擬,密碼學和機器學習。

量子機器學習

量子機器學習 (QML)建立在兩個概念上: 量子數據混合量子經典模型

量子數據

量子數據是在自然或人工量子系統中出現的任何數據源。這可以是由量子計算機生成的數據,例如從Sycamore處理器收集的樣本,用於Google的量子至上論證。量子數據表現出疊加和糾纏,從而導致聯合概率分佈,這可能需要成倍數量的經典計算資源來表示或存儲。量子至上實驗表明,可以從2 ^ 53 Hilbert空間的極其複雜的聯合概率分佈中進行採樣。

由NISQ處理器生成的量子數據是嘈雜的,通常在測量發生之前就被糾纏了。啟發式機器學習技術可以創建模型,以最大程度地從嘈雜的糾纏數據中提取有用的經典信息。 TensorFlow Quantum(TFQ)庫提供了用於開發模型的原語,該模型可以解開並概括量子數據中的相關性,從而為改進現有量子算法或發現新的量子算法提供了機會。

以下是可以在量子設備上生成或模擬的量子數據的示例:

  • 化學模擬 -提取有關化學結構和動力學的信息,並將其潛在地應用於材料科學,計算化學,計算生物學和藥物發現。
  • 量子物質模擬 - 建模和設計高溫超導或表現出多體量子效應的其他奇特物質狀態。
  • 量子控制-混合量子經典模型可以進行變異訓練,以執行最佳的開環或閉環控制,校準和錯誤消除。這包括用於量子設備和量子處理器的錯誤檢測和糾正策略。
  • 量子通信網絡-使用機器學習來區分非正交量子狀態,並應用於結構化量子中繼器,量子接收器和純化單元的設計和構建。
  • 量子計量學量子增強的高精度測量,例如量子感測和量子成像,本質上是在小型量子設備的探針上完成的,可以通過變分量子模型進行設計或改進。

混合量子經典模型

量子模型可以表示和概括具有量子力學起源的數據。由於近期的量子處理器仍然很小且嘈雜,因此量子模型無法僅使用量子處理器來概括量子數據。 NISQ處理器必須與經典協處理器協同工作才能生效。由於TensorFlow已經支持跨CPU,GPU和TPU的異構計算,因此它被用作試驗混合量子經典算法的基礎平台。

量子神經網絡 (QNN)用於描述最好在量子計算機上執行的參數化量子計算模型。該術語通常可與參數化量子電路 (PQC)互換。

研究

在NISQ時代,尚無法在有意義的規模上實現比經典算法(例如Shor的分解算法Grover的搜索算法 )更快的量子算法。

TensorFlow Quantum的目標是幫助發現NISQ時代的算法,特別關注:

  1. 使用經典機器學習來增強NISQ算法。希望來自經典機器學習的技術可以增強我們對量子計算的理解。在通過經典遞歸神經網絡進行的量子神經網絡元學習中 ,使用遞歸神經網絡(RNN)發現,像QAOA和VQE這樣的算法的控制參數優化比簡單的現成優化器更有效。 用於量子控制的機器學習使用強化學習來幫助減少錯誤並產生更高質量的量子門。
  2. 使用量子電路對量子數據進行建模。如果您對數據源有準確的描述,則可以經典地對量子數據進行建模,但是有時是不可能的。要解決此問題,您可以嘗試在量子計算機本身上建模並測量/觀察重要的統計數據。 量子卷積神經網絡顯示了一種量子電路,其結構類似於卷積神經網絡(CNN),可檢測物質的不同拓撲相位。量子計算機保存數據和模型。傳統處理器只能從模型輸出中看到測量樣本,而不能看到數據本身。在嘈雜的量子計算機上的穩健糾纏重歸一化中 ,作者學習了使用DMERA模型壓縮有關量子多體系統的信息。

量子機器學習的其他感興趣領域包括: