O TensorFlow Quantum (TFQ) foi projetado para os problemas de aprendizado de máquina quântico da era NISQ. Ele traz primitivas de computação quântica — como a construção de circuitos quânticos — para o ecossistema TensorFlow. Modelos e operações construídos com o TensorFlow usam essas primitivas para criar sistemas híbridos quântico-clássicos poderosos.
Usando o TFQ, pesquisadores podem construir um grafo do TensorFlow utilizando um conjunto de dados quânticos, um modelo quântico e parâmetros de controle clássicos. Todos esses elementos são representados como tensores em um único grafo computacional. O resultado das medições quânticas — que levam a eventos probabilísticos clássicos — é obtido por meio de operações do TensorFlow. O treinamento é realizado com a API padrão do Keras . O módulo tfq.datasets permite que pesquisadores experimentem com conjuntos de dados quânticos novos e interessantes.
Cirq
O Cirq é um framework de programação quântica do Google. Ele fornece todas as operações básicas — como qubits, portas lógicas, circuitos e medições — para criar, modificar e invocar circuitos quânticos em um computador quântico ou em um computador quântico simulado. O TensorFlow Quantum usa essas primitivas do Cirq para estender o TensorFlow para computação em lote, construção de modelos e computação de gradientes. Para ser eficiente com o TensorFlow Quantum, é uma boa prática também com o Cirq.
Primitivas quânticas do TensorFlow
O TensorFlow Quantum implementa os componentes necessários para integrar o TensorFlow com hardware de computação quântica. Para isso, o TFQ introduz dois tipos primitivos de dados:
- Circuito quântico : Isso representa circuitos quânticos definidos pelo Cirq (
cirq.Circuit) dentro do TensorFlow. Crie lotes de circuitos de tamanhos variados, semelhantes a lotes de diferentes pontos de dados com valores reais. - Soma de Pauli : Representa combinações lineares de produtos tensoriais de operadores de Pauli definidos em Cirq (
cirq.PauliSum). Assim como os circuitos, cria lotes de operadores de tamanho variável.
Operações fundamentais
Utilizando as primitivas de circuitos quânticos dentro de um tf.Tensor , o TensorFlow Quantum implementa operações que processam esses circuitos e produzem saídas significativas.
As operações do TensorFlow são escritas em C++ otimizado. Essas operações extraem amostras de circuitos, calculam valores esperados e geram o estado produzido pelos circuitos fornecidos. Escrever operações que sejam flexíveis e eficientes apresenta alguns desafios:
- Os circuitos não têm o mesmo tamanho. Para circuitos simulados, não é possível criar operações estáticas (como
tf.matmuloutf.add) e depois substituir números diferentes para circuitos de tamanhos diferentes. Essas operações precisam permitir tamanhos dinâmicos, algo que o grafo de computação do TensorFlow, com tamanho estático, não permite. - Os dados quânticos podem induzir uma estrutura de circuito completamente diferente. Esta é mais uma razão para suportar tamanhos dinâmicos nas operações TFQ. Os dados quânticos podem representar uma mudança estrutural no estado quântico subjacente, que se manifesta por meio de modificações no circuito original. Como novos pontos de dados são inseridos e removidos em tempo de execução, o grafo de computação do TensorFlow não pode ser modificado após sua construção, sendo necessário, portanto, suporte para essas estruturas variáveis.
-
cirq.Circuitssão semelhantes aos grafos de computação, pois consistem em uma série de operações — e alguns podem conter símbolos/marcadores de posição. É importante torná-los o mais compatíveis possível com o TensorFlow.
Por razões de desempenho, a biblioteca Eigen (a biblioteca C++ usada em muitas operações do TensorFlow) não é adequada para simulação de circuitos quânticos. Em vez disso, os simuladores de circuitos usados no experimento quântico além do clássico são utilizados como verificadores e estendidos como base para as operações do TFQ (todas escritas com instruções AVX2 e SSE). Foram criadas operações com assinaturas funcionais idênticas que utilizam um computador quântico físico. Alternar entre um computador quântico simulado e um físico é tão simples quanto alterar uma única linha de código. Essas operações estão localizadas no arquivo circuit_execution_ops.py .
Camadas
As camadas do TensorFlow Quantum expõem amostragem, expectativa e cálculo de estado para desenvolvedores usando a interface tf.keras.layers.Layer . É conveniente criar uma camada de circuito para parâmetros de controle clássicos ou para operações de leitura. Além disso, você pode criar uma camada com um alto grau de complexidade que suporte circuitos em lote, valores de parâmetros de controle em lote e a execução de operações de leitura em lote. Veja tfq.layers.Sample para um exemplo.
Salvando e carregando modelos
Salvar um modelo Keras completo com model.save() não é suportado para modelos que contêm camadas TFQ, incluindo tfq.layers.PQC e tfq.layers.ControlledPQC . Essas camadas aceitam objetos quânticos, como cirq.Circuit , cirq.PauliSum e sympy.Symbol , que não são serializáveis em JSON, e as camadas não implementam get_config() para serializar suas configurações.
Dependendo do caminho de serialização, chamar model.save() pode gerar um NotImplementedError indicando que a camada deve sobrescrever get_config() , um ` TypeError para argumentos call() não serializáveis em JSON, como sympy.Symbol ou cirq.PauliSum , ou um NotEncodableError ao rastrear os valores padrão call da camada para exportação SavedModel . Essa limitação não é específica de uma versão particular do TFQ, TensorFlow ou Keras.
Como alternativa, model.save_weights() ` salva os pesos do modelo sem salvar a configuração completa do modelo. Recrie a mesma arquitetura do modelo antes de carregar os pesos salvos. O modelo recriado deve ser construído (suas variáveis devem ser criadas) antes de chamar load_weights() .
model.save_weights("my_model.weights.h5")
new_model = build_model() # Recreate the same model architecture.
new_model.load_weights("my_model.weights.h5")
Diferenciais
Diferentemente de muitas operações do TensorFlow, os observáveis em circuitos quânticos não possuem fórmulas para gradientes que sejam relativamente fáceis de calcular. Isso ocorre porque um computador clássico só consegue ler amostras dos circuitos que são executados em um computador quântico.
Para resolver esse problema, o módulo tfq.differentiators fornece diversas técnicas de diferenciação padrão. Os usuários também podem definir seus próprios métodos para calcular gradientes — tanto no cenário do "mundo real" de cálculo de expectativa baseado em amostras, quanto no mundo analítico exato. Métodos como diferenças finitas costumam ser os mais rápidos (em termos de tempo real) em um ambiente analítico/exato. Embora mais lentos (em termos de tempo real), métodos mais práticos, como deslocamento de parâmetros ou métodos estocásticos, costumam ser mais eficazes. Um tfq.differentiators.Differentiator é instanciado e associado a uma operação existente com generate_differentiable_op , ou passado para o construtor de tfq.layers.Expectation ou tfq.layers.SampledExpectation . Para implementar um diferenciador personalizado, herde da classe ` tfq.differentiators.Differentiator . Para definir uma operação de gradiente para amostragem ou cálculo de vetor de estado, use tf.custom_gradient .
Conjuntos de dados
Com o crescimento da computação quântica, surgirão mais combinações de dados e modelos quânticos, dificultando a comparação estruturada. O módulo tfq.datasets é utilizado como fonte de dados para tarefas de aprendizado de máquina quântico, garantindo comparações estruturadas entre modelos e desempenho.
Espera-se que, com grandes contribuições da comunidade, o módulo tfq.datasets cresça para possibilitar pesquisas mais transparentes e reproduzíveis. Problemas cuidadosamente selecionados em áreas como controle quântico, simulação fermiônica, classificação próxima a transições de fase, sensoriamento quântico, etc., são ótimos candidatos para serem adicionados ao tfq.datasets . Para propor um novo conjunto de dados, abra uma issue no GitHub .