Konsep pembelajaran mesin kuantum

Eksperimen kuantum luar klasik Google menggunakan 53 qubit berisik untuk menunjukkan bahwa ia dapat melakukan penghitungan dalam 200 detik pada komputer kuantum yang akan memakan waktu 10.000 tahun pada komputer klasik terbesar yang menggunakan algoritme yang ada. Ini menandai dimulainya era komputasi Noisy Intermediate-Scale Quantum (NISQ). Di tahun-tahun mendatang, perangkat kuantum dengan puluhan hingga ratusan qubit berisik diperkirakan akan menjadi kenyataan.

Komputasi kuantum

Komputasi kuantum bergantung pada sifat mekanika kuantum untuk menghitung masalah yang berada di luar jangkauan komputer klasik. Komputer kuantum menggunakan qubit . Qubit seperti bit biasa di komputer, tetapi dengan kemampuan tambahan untuk dimasukkan ke dalam superposisi dan berbagi keterikatan satu sama lain.

Komputer klasik melakukan operasi klasik deterministik atau dapat meniru proses probabilistik menggunakan metode pengambilan sampel. Dengan memanfaatkan superposisi dan keterjeratan, komputer kuantum dapat melakukan operasi kuantum yang sulit ditiru dalam skala besar dengan komputer klasik. Ide untuk memanfaatkan komputasi kuantum NISQ mencakup optimasi, simulasi kuantum, kriptografi, dan pembelajaran mesin.

Pembelajaran mesin kuantum

Pembelajaran mesin kuantum (QML) dibangun berdasarkan dua konsep: data kuantum dan model klasik kuantum hibrida .

Data kuantum

Data kuantum adalah sumber data apa pun yang terjadi dalam sistem kuantum alami atau buatan. Ini bisa berupa data yang dihasilkan oleh komputer kuantum, seperti sampel yang dikumpulkan dari prosesor Sycamore untuk demonstrasi supremasi kuantum Google. Data kuantum menunjukkan superposisi dan keterjeratan, yang mengarah pada distribusi probabilitas gabungan yang memerlukan sumber daya komputasi klasik dalam jumlah eksponensial untuk direpresentasikan atau disimpan. Eksperimen supremasi kuantum menunjukkan bahwa dimungkinkan untuk mengambil sampel dari distribusi probabilitas gabungan yang sangat kompleks pada ruang Hilbert 2^53.

Data kuantum yang dihasilkan oleh prosesor NISQ menimbulkan gangguan dan biasanya terjerat sesaat sebelum pengukuran dilakukan. Teknik pembelajaran mesin heuristik dapat membuat model yang memaksimalkan ekstraksi informasi klasik yang berguna dari data terjerat yang berisik. Pustaka TensorFlow Quantum (TFQ) menyediakan cara primitif untuk mengembangkan model yang menguraikan dan menggeneralisasi korelasi dalam data kuantum—membuka peluang untuk menyempurnakan algoritme kuantum yang ada atau menemukan algoritme kuantum baru.

Berikut ini adalah contoh data kuantum yang dapat dihasilkan atau disimulasikan pada perangkat kuantum:

  • Simulasi kimia —Mengekstraksi informasi tentang struktur dan dinamika kimia dengan penerapan potensial pada ilmu material, kimia komputasi, biologi komputasi, dan penemuan obat.
  • Simulasi materi kuantum —Memodelkan dan merancang superkonduktivitas suhu tinggi atau keadaan materi eksotik lainnya yang memperlihatkan efek kuantum banyak benda.
  • Kontrol kuantum —Model kuantum klasik hibrid dapat dilatih secara bervariasi untuk melakukan kontrol loop terbuka atau tertutup, kalibrasi, dan mitigasi kesalahan yang optimal. Ini termasuk strategi deteksi dan koreksi kesalahan untuk perangkat kuantum dan prosesor kuantum.
  • Jaringan komunikasi kuantum —Menggunakan pembelajaran mesin untuk membedakan keadaan kuantum non-ortogonal, dengan penerapan pada desain dan konstruksi repeater kuantum terstruktur, penerima kuantum, dan unit pemurnian.
  • Metrologi kuantum —Pengukuran presisi tinggi yang ditingkatkan kuantum seperti penginderaan kuantum dan pencitraan kuantum secara inheren dilakukan pada probe yang merupakan perangkat kuantum skala kecil dan dapat dirancang atau ditingkatkan dengan model kuantum variasional.

Model klasik kuantum hibrida

Model kuantum dapat merepresentasikan dan menggeneralisasi data yang berasal dari mekanika kuantum. Karena prosesor kuantum jangka pendek masih cukup kecil dan berisik, model kuantum tidak dapat menggeneralisasi data kuantum hanya dengan menggunakan prosesor kuantum. Prosesor NISQ harus bekerja sama dengan co-prosesor klasik agar menjadi efektif. Karena TensorFlow sudah mendukung komputasi heterogen di seluruh CPU, GPU, dan TPU, TensorFlow digunakan sebagai platform dasar untuk bereksperimen dengan algoritma hybrid kuantum klasik.

Jaringan saraf kuantum (QNN) digunakan untuk menggambarkan model komputasi kuantum berparameter yang paling baik dijalankan pada komputer kuantum. Istilah ini sering dapat dipertukarkan dengan rangkaian kuantum berparameter (PQC).

Riset

Selama era NISQ, algoritma kuantum dengan kecepatan yang diketahui melebihi algoritma klasik—seperti algoritma pemfaktoran Shor atau algoritma pencarian Grover —belum mungkin dilakukan pada skala yang berarti.

Tujuan TensorFlow Quantum adalah membantu menemukan algoritme untuk era NISQ, dengan minat khusus pada:

  1. Gunakan pembelajaran mesin klasik untuk menyempurnakan algoritma NISQ. Harapannya adalah teknik pembelajaran mesin klasik dapat meningkatkan pemahaman kita tentang komputasi kuantum. Dalam pembelajaran meta untuk jaringan saraf kuantum melalui jaringan saraf berulang klasik , jaringan saraf berulang (RNN) digunakan untuk menemukan bahwa pengoptimalan parameter kontrol untuk algoritme seperti QAOA dan VQE lebih efisien daripada pengoptimal biasa. Dan pembelajaran mesin untuk kontrol kuantum menggunakan pembelajaran penguatan untuk membantu mengurangi kesalahan dan menghasilkan gerbang kuantum berkualitas lebih tinggi.
  2. Modelkan data kuantum dengan sirkuit kuantum. Pemodelan data kuantum secara klasik dapat dilakukan jika Anda memiliki deskripsi yang tepat tentang sumber data—tetapi terkadang hal ini tidak memungkinkan. Untuk mengatasi masalah ini, Anda dapat mencoba membuat model pada komputer kuantum itu sendiri dan mengukur/mengamati statistik penting. Jaringan saraf konvolusional kuantum menunjukkan sirkuit kuantum yang dirancang dengan struktur yang analog dengan jaringan saraf konvolusional (CNN) untuk mendeteksi fase topologi materi yang berbeda. Komputer kuantum menyimpan data dan model. Prosesor klasik hanya melihat sampel pengukuran dari keluaran model dan tidak pernah melihat data itu sendiri. Dalam renormalisasi keterjeratan yang kuat pada komputer kuantum yang berisik , penulis belajar mengompresi informasi tentang sistem banyak benda kuantum menggunakan model DMERA.

Bidang minat lain dalam pembelajaran mesin kuantum meliputi: