This page was translated by the Cloud Translation API.
Switch to English

টেনসরফ্লো কোয়ান্টাম ডিজাইন

টেনসরফ্লো কোয়ান্টাম (টিএফকিউ) এনআইএসকিউ-যুগের কোয়ান্টাম মেশিন লার্নিংয়ের সমস্যার জন্য ডিজাইন করা হয়েছে। এটি কোয়ান্টাম কম্পিউটিং আদিমগুলি যেমন কোয়ান্টাম সার্কিটগুলি বিল্ডিংয়ের মতো টেনসরফ্লো ইকোসিস্টেমকে নিয়ে আসে। টেনসরফ্লো দিয়ে নির্মিত মডেল এবং ক্রিয়াকলাপগুলি শক্তিশালী কোয়ান্টাম-ক্লাসিকাল হাইব্রিড সিস্টেম তৈরি করতে এই আদিমগুলি ব্যবহার করে।

টিএফকিউ ব্যবহার করে গবেষকরা কোয়ান্টাম ডেটাসেট, একটি কোয়ান্টাম মডেল এবং শাস্ত্রীয় নিয়ন্ত্রণের পরামিতি ব্যবহার করে একটি টেনসরফ্লো গ্রাফ তৈরি করতে পারেন। এগুলি সমস্তই একটি একক গণ্য গ্রাফের টেনেসর হিসাবে উপস্থাপিত হয়। কোয়ান্টাম পরিমাপের ফলাফল - যা শাস্ত্রীয় সম্ভাব্য ঘটনাগুলির দিকে পরিচালিত করে - টেনসরফ্লো অপ্স দ্বারা প্রাপ্ত। প্রশিক্ষণটি স্ট্যান্ডার্ড কেরাস এপিআই দিয়ে করা হয়। tfq.datasets মডিউলটি গবেষকদের নতুন এবং আকর্ষণীয় কোয়ান্টাম ডেটাসেটের সাথে পরীক্ষা করার অনুমতি দেয়।

cirq

সিরক গুগলের একটি কোয়ান্টাম প্রোগ্রামিং ফ্রেমওয়ার্ক। এটি কোয়ান্টাম কম্পিউটার, বা সিমুলেটেড কোয়ান্টাম কম্পিউটারে কোয়ান্টাম সার্কিট তৈরি, সংশোধন এবং আহ্বান করতে - যেমন কুইটস, গেটস, সার্কিট এবং পরিমাপের সমস্ত প্রাথমিক ক্রিয়াকলাপ সরবরাহ করে of টেনসরফ্লো কোয়ান্টাম এই সিরক আদিমগুলি ব্যাচের গণনা, মডেল বিল্ডিং এবং গ্রেডিয়েন্ট গণনার জন্য টেনসরফ্লো প্রসারিত করতে ব্যবহার করে। টেনসরফ্লো কোয়ান্টামের সাথে কার্যকর হতে, সিরকের সাথে কার্যকর হওয়া ভাল ধারণা।

টেনসরফ্লো কোয়ান্টাম আদিম

টেনসরফ্লো কোয়ান্টাম টেনসরফ্লো কোয়ান্টাম কম্পিউটিং হার্ডওয়্যারের সাথে সংহত করার জন্য প্রয়োজনীয় উপাদানগুলি কার্যকর করে। সে লক্ষ্যে, টিএফকিউ দুটি ডেটাটাইপ আদিমকে পরিচয় করিয়ে দেয়:

  • কোয়ান্টাম বর্তনী এই প্রতিনিধিত্ব করে Cirq কোয়ান্টাম সার্কিট (-defined cirq.Circuit ) TensorFlow মধ্যে। বিভিন্ন বাস্তব-মূল্যবান ডেটাপয়েন্টের ব্যাচগুলির মতো বিভিন্ন আকারের সার্কিটের ব্যাচগুলি তৈরি করুন।
  • পাওলি যোগফল : cirq.PauliSum ( cirq.PauliSum ) এ সংজ্ঞায়িত cirq.PauliSum অপারেটরগুলির টেনসর পণ্যগুলির লিনিয়ার সংমিশ্রণগুলি উপস্থাপন করুন। সার্কিটের মতো, বিভিন্ন আকারের অপারেটরগুলির ব্যাচগুলি তৈরি করুন।

মৌলিক অপ্স

একটি tf.Tensor মধ্যে কোয়ান্টাম সার্কিট আদিম ব্যবহার করে, tf.Tensor কোয়ান্টাম এমন tf.Tensor প্রয়োগ করে যা এই সার্কিটগুলি প্রক্রিয়া করে এবং অর্থবহ আউটপুট উত্পাদন করে।

টেনসরফ্লো অপ্সগুলি অনুকূলিত সি ++ তে লেখা আছে। এগুলি সার্কিট থেকে নমুনা, প্রত্যাশা মান গণনা করে এবং প্রদত্ত সার্কিটগুলির দ্বারা উত্পাদিত রাজ্যের আউটপুট দেয়। নমনীয় এবং পারফরম্যান্ট অপগুলি লেখার কিছু চ্যালেঞ্জ রয়েছে:

  1. সার্কিটগুলি একই আকার নয়। সিমুলেটেড সার্কিটগুলির জন্য, আপনি স্ট্যাটিক ক্রিয়াকলাপগুলি তৈরি করতে অক্ষম (যেমন tf.matmul বা tf.add ) এবং তারপরে বিভিন্ন আকারের সার্কিটের জন্য বিভিন্ন সংখ্যার বিকল্প দিন। এই অপটিকে অবশ্যই গতিশীল মাপের জন্য মঞ্জুর করতে হবে যা স্থির আকারের টেনসরফ্লো গণনা গ্রাফের অনুমতি দেয় না।
  2. কোয়ান্টাম ডেটা সম্পূর্ণরূপে একটি ভিন্ন সার্কিট কাঠামো প্ররোচিত করতে পারে। টিএফকিউ অপ্সে গতিশীল আকারগুলি সমর্থন করার এটি অন্য কারণ। কোয়ান্টাম ডেটা অন্তর্নিহিত কোয়ান্টাম রাজ্যে কাঠামোগত পরিবর্তনের প্রতিনিধিত্ব করতে পারে যা মূল সার্কিটের পরিবর্তনের মাধ্যমে প্রতিনিধিত্ব করে। রানটাইমের সময় নতুন ডেটাপয়েন্টগুলি অদলবদল করা এবং আউট হওয়ার পরে, টেনসরফ্লো গণনা গ্রাফটি তৈরির পরে পরিবর্তন করা যায় না, সুতরাং এই বিভিন্ন কাঠামোর জন্য সমর্থন প্রয়োজন।
  3. cirq.Circuits গণনা গ্রাফের অনুরূপ যে তারা cirq.Circuits ক্রিয়াকলাপ — এবং cirq.Circuits চিহ্ন বা স্থানধারক থাকতে পারে। এটি যতটা সম্ভব টেনসরফ্লোয়ের সাথে সামঞ্জস্য করা গুরুত্বপূর্ণ।

পারফরম্যান্সের কারণে, ইগেন (অনেক টেনসরফ্লো অপ্সে ব্যবহৃত সি ++ গ্রন্থাগার) কোয়ান্টাম সার্কিট সিমুলেশনের জন্য খুব উপযুক্ত নয়। পরিবর্তে, কোয়ান্টাম আধিপত্য পরীক্ষায় ব্যবহৃত সার্কিট সিমুলেটরগুলি ভেরিফায়ার হিসাবে ব্যবহৃত হয় এবং টিএফকিউ অপের ভিত্তি হিসাবে প্রসারিত হয় (সমস্ত এভিএক্স 2 এবং এসএসই নির্দেশাবলী সহ লিখিত)। অভিন্ন ফাংশনাল স্বাক্ষরযুক্ত অপস তৈরি করা হয়েছিল যা একটি শারীরিক কোয়ান্টাম কম্পিউটার ব্যবহার করে। সিমুলেটেড এবং ফিজিকাল কোয়ান্টাম কম্পিউটারের মধ্যে স্যুইচ করা কোডের একক লাইন পরিবর্তনের মতোই সহজ। এই circuit_execution_ops.py অবস্থিত।

স্তরসমূহ

টেনসরফ্লো কোয়ান্টাম স্তরগুলি tf.keras.layers.Layer ইন্টারফেস ব্যবহার করে বিকাশকারীদের জন্য স্যাম্পলিং, প্রত্যাশা এবং রাষ্ট্রের গণনা প্রকাশ করে। শাস্ত্রীয় নিয়ন্ত্রণ পরামিতিগুলির জন্য বা রিডআউট ক্রিয়াকলাপগুলির জন্য একটি সার্কিট স্তর তৈরি করা সুবিধাজনক। অতিরিক্তভাবে, আপনি ব্যাচ সার্কিট, ব্যাচ কন্ট্রোল প্যারামিটার মান, এবং ব্যাচ রিডআউট ক্রিয়াকলাপগুলি উচ্চতর জটিলতায় সমর্থন করে একটি স্তর তৈরি করতে পারেন। উদাহরণস্বরূপ tfq.layers.Sample দেখুন।

differentiators

অনেক টেনসরফ্লো অপারেশনের বিপরীতে, কোয়ান্টাম সার্কিটের পর্যবেক্ষণযোগ্যদের কাছে গণনা করা তুলনামূলকভাবে সহজ গ্রেডিয়েন্টগুলির জন্য সূত্রগুলি নেই। এটি কারণ একটি ক্লাসিকাল কম্পিউটার কেবলমাত্র কোয়ান্টাম কম্পিউটারে চালিত সার্কিটগুলি থেকে নমুনাগুলি পড়তে পারে।

এই সমস্যাটি সমাধান করার জন্য, tfq.differentiators মডিউলটি বিভিন্ন স্ট্যান্ডার্ড পার্থক্য কৌশল সরবরাহ করে। ব্যবহারকারীগণ গ্রেডিয়েন্টগুলি গণনা করতে তাদের নিজস্ব পদ্ধতিটিও নির্ধারণ করতে পারেন - নমুনা ভিত্তিক প্রত্যাশার গণনার "বাস্তব বিশ্বের" সেটিং এবং বিশ্লেষণী সঠিক পৃথিবী উভয়ই। সীমাবদ্ধ পার্থক্যের মতো পদ্ধতিগুলি বিশ্লেষণক / সঠিক পরিবেশে প্রায়শই দ্রুত (প্রাচীরের ঘড়ির সময়) are ধীর হওয়ার সময় (ওয়াল ক্লকের সময়), প্যারামিটার শিফ্ট বা স্টোকাস্টিক পদ্ধতিগুলির মতো আরও ব্যবহারিক পদ্ধতিগুলি প্রায়শই বেশি কার্যকর। একজন tfq.differentiators.Differentiator instantiated করা হয় এবং একটি বর্তমানে উপস্থিত অপ সংযুক্ত generate_differentiable_op বা কন্সট্রাকটর প্রেরণ tfq.layers.Expectation বা tfq.layers.SampledExpectation । একটি কাস্টম tfq.differentiators.Differentiator বাস্তবায়নের জন্য, tfq.differentiators.Differentiator বর্গ থেকে উত্তরাধিকারী হন। স্যাম্পলিং বা রাষ্ট্র ভেক্টর গণনার জন্য গ্রেডিয়েন্ট অপারেশন নির্ধারণ করতে, tf.custom_gradient ব্যবহার tf.custom_gradient

ডেটাসেট

কোয়ান্টাম কম্পিউটিংয়ের ক্ষেত্রটি বাড়ার সাথে সাথে আরও কোয়ান্টাম ডেটা এবং মডেল সংমিশ্রণগুলি উত্থিত হবে, যা কাঠামোগত তুলনা আরও জটিল করে তুলবে। tfq.datasets মডিউল কোয়ান্টাম মেশিন শেখার কাজে ডেটা উত্স হিসাবে ব্যবহৃত হয়। এটি মডেল এবং পারফরম্যান্সের জন্য কাঠামোগত তুলনা নিশ্চিত করে।

আশা করা যায় যে বৃহত জনগোষ্ঠীর অবদানের সাথে tfq.datasets মডিউলটি আরও স্বচ্ছ এবং পুনরুত্পাদনযোগ্য গবেষণা সক্ষম করতে সক্ষম হবে। এতে যত্ন সহকারে সমস্যার সমাধান হয়েছে: কোয়ান্টাম নিয়ন্ত্রণ, ফার্মিয়োনিক সিমুলেশন, ফেজ ট্রানজিশনের কাছে শ্রেণিবদ্ধকরণ, কোয়ান্টাম সেন্সিং ইত্যাদি tfq.datasets যোগ করার জন্য দুর্দান্ত প্রার্থী tfq.datasets নতুন ডেটাসেটের প্রস্তাব দেওয়ার জন্য একটি গিটহাব ইস্যু খুলুন।