TensorFlow Quantum (TFQ) NISQ-যুগের কোয়ান্টাম মেশিন লার্নিং-এর সমস্যাগুলির জন্য ডিজাইন করা হয়েছে। এটি কোয়ান্টাম কম্পিউটিং প্রিমিটিভ—যেমন কোয়ান্টাম সার্কিট তৈরি করা—TensorFlow ইকোসিস্টেমে নিয়ে আসে। TensorFlow দিয়ে তৈরি মডেল এবং অপারেশনগুলি শক্তিশালী কোয়ান্টাম-ক্লাসিক্যাল হাইব্রিড সিস্টেম তৈরি করতে এই প্রিমিটিভগুলি ব্যবহার করে।
TFQ ব্যবহার করে গবেষকরা একটি কোয়ান্টাম ডেটাসেট, একটি কোয়ান্টাম মডেল এবং ক্লাসিক্যাল কন্ট্রোল প্যারামিটার ব্যবহার করে একটি টেনসরফ্লো গ্রাফ তৈরি করতে পারেন। এই সবগুলোকে একটিমাত্র কম্পিউটেশনাল গ্রাফে টেনসর হিসেবে উপস্থাপন করা হয়। কোয়ান্টাম পরিমাপের ফলাফল—যা ক্লাসিক্যাল প্রোবাবিলিস্টিক ইভেন্টের জন্ম দেয়—টেনসরফ্লো অপস-এর মাধ্যমে পাওয়া যায়। স্ট্যান্ডার্ড কেরাস এপিআই (Keras API) ব্যবহার করে এর ট্রেনিং সম্পন্ন করা হয়। tfq.datasets মডিউলটি গবেষকদের নতুন এবং আকর্ষণীয় কোয়ান্টাম ডেটাসেট নিয়ে পরীক্ষা-নিরীক্ষা করার সুযোগ দেয়।
সার্ক
Cirq হলো গুগলের একটি কোয়ান্টাম প্রোগ্রামিং ফ্রেমওয়ার্ক। এটি একটি কোয়ান্টাম কম্পিউটার বা সিমুলেটেড কোয়ান্টাম কম্পিউটারে কোয়ান্টাম সার্কিট তৈরি, পরিবর্তন এবং চালু করার জন্য কিউবিট, গেট, সার্কিট এবং পরিমাপের মতো সমস্ত মৌলিক অপারেশন সরবরাহ করে। TensorFlow Quantum ব্যাচ কম্পিউটেশন, মডেল বিল্ডিং এবং গ্রেডিয়েন্ট কম্পিউটেশনের জন্য TensorFlow-কে প্রসারিত করতে এই Cirq প্রিমিটিভগুলো ব্যবহার করে। TensorFlow Quantum-এর সাথে কার্যকর হতে হলে, Cirq-এর সাথে কার্যকর হওয়া একটি ভালো ধারণা।
TensorFlow কোয়ান্টাম আদিম উপাদান
TensorFlow Quantum, কোয়ান্টাম কম্পিউটিং হার্ডওয়্যারের সাথে TensorFlow-কে সমন্বিত করার জন্য প্রয়োজনীয় উপাদানগুলো বাস্তবায়ন করে। এই উদ্দেশ্যে, TFQ দুটি ডেটাটাইপ প্রিমিটিভ প্রবর্তন করে:
- কোয়ান্টাম সার্কিট : এটি TensorFlow-এর মধ্যে Cirq- দ্বারা সংজ্ঞায়িত কোয়ান্টাম সার্কিট (
cirq.Circuit)-কে নির্দেশ করে। বিভিন্ন বাস্তব-মানযুক্ত ডেটাপয়েন্টের ব্যাচের মতোই, এটি বিভিন্ন আকারের সার্কিটের ব্যাচ তৈরি করতে সাহায্য করে। - পাউলি যোগফল : Cirq-এ সংজ্ঞায়িত পাউলি অপারেটরগুলির টেনসর গুণফলের রৈখিক সমন্বয় উপস্থাপন করে (
cirq.PauliSum)। সার্কিটের মতো, এটি বিভিন্ন আকারের অপারেটরের ব্যাচ তৈরি করে।
মৌলিক অপারেশন
tf.Tensor মধ্যে থাকা কোয়ান্টাম সার্কিট প্রিমিটিভগুলো ব্যবহার করে, TensorFlow Quantum এমন অপস (ops) বাস্তবায়ন করে যা এই সার্কিটগুলোকে প্রসেস করে এবং অর্থপূর্ণ আউটপুট তৈরি করে।
TensorFlow অপসগুলো অপ্টিমাইজড C++ এ লেখা হয়। এই অপসগুলো সার্কিট থেকে স্যাম্পল নেয়, প্রত্যাশিত মান (expectation values) গণনা করে এবং প্রদত্ত সার্কিট দ্বারা উৎপাদিত স্টেট আউটপুট করে। নমনীয় এবং উচ্চ পারফরম্যান্স সম্পন্ন অপস লেখার ক্ষেত্রে কিছু চ্যালেঞ্জ রয়েছে:
- সার্কিটগুলো একই আকারের হয় না। সিমুলেটেড সার্কিটের ক্ষেত্রে, আপনি স্ট্যাটিক অপারেশন (যেমন
tf.matmulবাtf.add) তৈরি করে ভিন্ন ভিন্ন আকারের সার্কিটের জন্য ভিন্ন ভিন্ন সংখ্যা প্রতিস্থাপন করতে পারবেন না। এই অপারেশনগুলোকে অবশ্যই ডাইনামিক আকারের সুযোগ দিতে হবে, যা স্ট্যাটিক্যালি সাইজড টেনসরফ্লো কম্পিউট গ্রাফ সমর্থন করে না। - কোয়ান্টাম ডেটা সম্পূর্ণ ভিন্ন একটি সার্কিট কাঠামো তৈরি করতে পারে। TFQ অপস-এ ডাইনামিক সাইজ সমর্থন করার এটি আরেকটি কারণ। কোয়ান্টাম ডেটা অন্তর্নিহিত কোয়ান্টাম অবস্থার একটি কাঠামোগত পরিবর্তনকে নির্দেশ করতে পারে, যা মূল সার্কিটের পরিবর্তনের মাধ্যমে প্রকাশ পায়। রানটাইমে যেহেতু নতুন ডেটাপয়েন্টগুলো যুক্ত ও অপসারণ করা হয়, তাই TensorFlow কম্পিউট গ্রাফটি একবার তৈরি হয়ে গেলে আর পরিবর্তন করা যায় না। একারণেই এই পরিবর্তনশীল কাঠামোগুলোর জন্য সমর্থনের প্রয়োজন হয়।
-
cirq.Circuitscompute graphs-এর মতোই, কারণ এগুলো হলো একাধিক অপারেশনের একটি সিরিজ—এবং কোনো কোনোটিতে সিম্বল/প্লেসহোল্ডার থাকতে পারে। এটিকে TensorFlow-এর সাথে যতটা সম্ভব সামঞ্জস্যপূর্ণ করে তোলা গুরুত্বপূর্ণ।
পারফরম্যান্সগত কারণে, আইগেন (অনেক টেনসরফ্লো অপস-এ ব্যবহৃত সি++ লাইব্রেরি) কোয়ান্টাম সার্কিট সিমুলেশনের জন্য খুব একটা উপযুক্ত নয়। এর পরিবর্তে, কোয়ান্টাম বিয়ন্ড-ক্লাসিক্যাল পরীক্ষায় ব্যবহৃত সার্কিট সিমুলেটরগুলোকে ভেরিফায়ার হিসেবে ব্যবহার করা হয় এবং টিএফকিউ অপস-এর ভিত্তি হিসেবে সেগুলোকে সম্প্রসারিত করা হয় (সবগুলোই এভিএক্স২ এবং এসএসই নির্দেশাবলী দিয়ে লেখা)। একই ফাংশনাল সিগনেচারযুক্ত অপস তৈরি করা হয়েছে যা একটি ভৌত কোয়ান্টাম কম্পিউটার ব্যবহার করে। একটি সিমুলেটেড এবং একটি ভৌত কোয়ান্টাম কম্পিউটারের মধ্যে পরিবর্তন করা কোডের একটি মাত্র লাইন পরিবর্তন করার মতোই সহজ। এই অপসগুলো circuit_execution_ops.py ফাইলে অবস্থিত।
স্তর
TensorFlow Quantum লেয়ারগুলো tf.keras.layers.Layer ইন্টারফেস ব্যবহার করে ডেভেলপারদের জন্য স্যাম্পলিং, এক্সপেক্টেশন এবং স্টেট ক্যালকুলেশন সুবিধা প্রদান করে। ক্লাসিক্যাল কন্ট্রোল প্যারামিটার বা রিডআউট অপারেশনের জন্য একটি সার্কিট লেয়ার তৈরি করা সুবিধাজনক। এছাড়াও, আপনি ব্যাচ সার্কিট, ব্যাচ কন্ট্রোল প্যারামিটার ভ্যালু এবং ব্যাচ রিডআউট অপারেশন সমর্থনকারী উচ্চ মাত্রার জটিলতা সম্পন্ন একটি লেয়ার তৈরি করতে পারেন। একটি উদাহরণের জন্য tfq.layers.Sample দেখুন।
মডেল সংরক্ষণ এবং লোড করা
model.save() ব্যবহার করে একটি সম্পূর্ণ Keras মডেল সংরক্ষণ করা সেইসব মডেলের জন্য সমর্থিত নয় যেগুলিতে tfq.layers.PQC এবং tfq.layers.ControlledPQC সহ `TFQ` লেয়ার রয়েছে। এই লেয়ারগুলি cirq.Circuit , cirq.PauliSum , এবং sympy.Symbol এর মতো কোয়ান্টাম অবজেক্ট গ্রহণ করে, যেগুলি `JSON-serializable` নয়, এবং লেয়ারগুলি তাদের কনফিগারেশন সিরিয়ালাইজ করার জন্য get_config() প্রয়োগ করে না।
সিরিয়ালাইজেশন পাথের উপর নির্ভর করে, model.save() কল করলে একটি NotImplementedError দেখা দিতে পারে, যা নির্দেশ করে যে লেয়ারটিকে অবশ্যই get_config() ওভাররাইড করতে হবে; অথবা sympy.Symbol বা cirq.PauliSum এর মতো নন-JSON-সিরিয়ালাইজেবল call() আর্গুমেন্টের জন্য একটি TypeError ; কিংবা SavedModel এক্সপোর্টের জন্য লেয়ার call ডিফল্ট ট্রেস করার সময় একটি NotEncodableError দিতে পারে। এই সীমাবদ্ধতা কোনো নির্দিষ্ট TFQ, TensorFlow, বা Keras সংস্করণের জন্য প্রযোজ্য নয়।
বিকল্প হিসেবে, model.save_weights() সম্পূর্ণ মডেল কনফিগারেশন সংরক্ষণ না করেই মডেলের ওয়েটগুলো সংরক্ষণ করে। সংরক্ষিত ওয়েটগুলো লোড করার আগে একই মডেল আর্কিটেকচার পুনরায় তৈরি করুন। load_weights() কল করার আগে পুনরায় তৈরি করা মডেলটি অবশ্যই বিল্ড করতে হবে (এর ভেরিয়েবলগুলো তৈরি করতে হবে)।
model.save_weights("my_model.weights.h5")
new_model = build_model() # Recreate the same model architecture.
new_model.load_weights("my_model.weights.h5")
পার্থক্যকারী
TensorFlow-এর অনেক অপারেশনের বিপরীতে, কোয়ান্টাম সার্কিটের পর্যবেক্ষণযোগ্য রাশিগুলোর গ্রেডিয়েন্ট গণনার জন্য তুলনামূলকভাবে সহজ কোনো সূত্র নেই। এর কারণ হলো, একটি ক্লাসিক্যাল কম্পিউটার শুধুমাত্র কোয়ান্টাম কম্পিউটারে চালিত সার্কিটগুলো থেকে স্যাম্পল পড়তে পারে।
এই সমস্যা সমাধানের জন্য, tfq.differentiators মডিউলটি বেশ কিছু স্ট্যান্ডার্ড ডিফারেন্সিয়েশন কৌশল প্রদান করে। ব্যবহারকারীরা গ্রেডিয়েন্ট গণনা করার জন্য তাদের নিজস্ব পদ্ধতিও সংজ্ঞায়িত করতে পারেন—স্যাম্পল-ভিত্তিক এক্সপেক্টেশন গণনার "বাস্তব জগতের" প্রেক্ষাপটে এবং অ্যানালিটিক এক্সাক্ট জগতেও। ফাইনাইট ডিফারেন্সের মতো পদ্ধতিগুলো প্রায়শই একটি অ্যানালিটিক/এক্সাক্ট পরিবেশে সবচেয়ে দ্রুত (ওয়াল ক্লক টাইম) হয়। যদিও ধীরগতির (ওয়াল ক্লক টাইম), প্যারামিটার শিফট বা স্টোকাস্টিক পদ্ধতির মতো আরও ব্যবহারিক পদ্ধতিগুলো প্রায়শই বেশি কার্যকর হয়। একটি tfq.differentiators.Differentiator ইনস্ট্যানশিয়েট করা হয় এবং generate_differentiable_op ব্যবহার করে একটি বিদ্যমান op-এর সাথে সংযুক্ত করা হয়, অথবা tfq.layers.Expectation বা tfq.layers.SampledExpectation এর কনস্ট্রাক্টরে পাস করা হয়। একটি কাস্টম ডিফারেন্সিয়েটর প্রয়োগ করতে, tfq.differentiators.Differentiator ক্লাস থেকে ইনহেরিট করুন। স্যাম্পলিং বা স্টেট ভেক্টর গণনার জন্য একটি গ্রেডিয়েন্ট অপারেশন সংজ্ঞায়িত করতে, tf.custom_gradient ব্যবহার করুন।
ডেটাসেট
কোয়ান্টাম কম্পিউটিংয়ের ক্ষেত্রটি প্রসারিত হওয়ার সাথে সাথে আরও বেশি কোয়ান্টাম ডেটা এবং মডেলের সংমিশ্রণ তৈরি হবে, যা কাঠামোগত তুলনাকে আরও কঠিন করে তুলবে। কোয়ান্টাম মেশিন লার্নিংয়ের কাজগুলোর জন্য ডেটার উৎস হিসেবে tfq.datasets মডিউলটি ব্যবহৃত হয়। এটি মডেল এবং পারফরম্যান্সের জন্য কাঠামোগত তুলনা নিশ্চিত করে।
আশা করা যায় যে, কমিউনিটির ব্যাপক অবদানের মাধ্যমে tfq.datasets মডিউলটি আরও সমৃদ্ধ হবে এবং আরও স্বচ্ছ ও পুনরুৎপাদনযোগ্য গবেষণাকে সম্ভব করে তুলবে। কোয়ান্টাম কন্ট্রোল, ফার্মিওনিক সিমুলেশন, ফেজ ট্রানজিশনের কাছাকাছি ক্লাসিফিকেশন, কোয়ান্টাম সেন্সিং ইত্যাদি ক্ষেত্রের যত্নসহকারে নির্বাচিত সমস্যাগুলো tfq.datasets এ যুক্ত করার জন্য চমৎকার প্রার্থী। একটি নতুন ডেটাসেট প্রস্তাব করতে একটি GitHub ইস্যু খুলুন।