Koncepcje kwantowego uczenia maszynowego

W nieklasycznym eksperymencie kwantowym Google wykorzystano 53 zaszumione kubity, aby wykazać, że na komputerze kwantowym można wykonać obliczenia w 200 sekund, co na największym klasycznym komputerze przy użyciu istniejących algorytmów zajęłoby 10 000 lat. Oznacza to początek ery obliczeń Noisy Intermediate-Scale Quantum (NISQ). Oczekuje się, że w nadchodzących latach urządzenia kwantowe zawierające od dziesiątek do setek zaszumionych kubitów staną się rzeczywistością.

Obliczenia kwantowe

Obliczenia kwantowe opierają się na właściwościach mechaniki kwantowej przy obliczaniu problemów, które byłyby poza zasięgiem klasycznych komputerów. Komputer kwantowy wykorzystuje kubity . Kubity działają jak zwykłe bity w komputerze, ale mają dodatkową możliwość superpozycji i wzajemnego splątania .

Klasyczne komputery wykonują deterministyczne operacje klasyczne lub mogą emulować procesy probabilistyczne przy użyciu metod próbkowania. Wykorzystując superpozycję i splątanie, komputery kwantowe mogą wykonywać operacje kwantowe, które są trudne do emulacji na dużą skalę za pomocą klasycznych komputerów. Pomysły na wykorzystanie obliczeń kwantowych NISQ obejmują optymalizację, symulację kwantową, kryptografię i uczenie maszynowe.

Kwantowe uczenie maszynowe

Kwantowe uczenie maszynowe (QML) opiera się na dwóch koncepcjach: danych kwantowych i hybrydowych modelach kwantowo-klasycznych .

Dane kwantowe

Dane kwantowe to dowolne źródło danych występujące w naturalnym lub sztucznym układzie kwantowym. Mogą to być dane wygenerowane przez komputer kwantowy, np. próbki pobrane z procesora Sycamore na potrzeby demonstracji przez Google supremacji kwantowej. Dane kwantowe wykazują superpozycję i splątanie, co prowadzi do wspólnych rozkładów prawdopodobieństwa, które do reprezentacji lub przechowywania mogą wymagać wykładniczej ilości klasycznych zasobów obliczeniowych. Eksperyment z supremacją kwantową pokazał, że możliwe jest pobieranie próbek z niezwykle złożonego łącznego rozkładu prawdopodobieństwa w przestrzeni Hilberta 2^53.

Dane kwantowe generowane przez procesory NISQ są zaszumione i zazwyczaj są splątane tuż przed wystąpieniem pomiaru. Heurystyczne techniki uczenia maszynowego mogą tworzyć modele, które maksymalizują ekstrakcję użytecznych klasycznych informacji z zaszumionych, splątanych danych. Biblioteka TensorFlow Quantum (TFQ) udostępnia elementy podstawowe umożliwiające opracowywanie modeli rozplątujących i uogólniających korelacje w danych kwantowych, co otwiera możliwości udoskonalania istniejących algorytmów kwantowych lub odkrywania nowych algorytmów kwantowych.

Poniżej znajdują się przykłady danych kwantowych, które można wygenerować lub symulować na urządzeniu kwantowym:

  • Symulacja chemiczna — wyodrębniaj informacje o strukturach chemicznych i dynamice z potencjalnymi zastosowaniami w materiałoznawstwie, chemii obliczeniowej, biologii obliczeniowej i odkrywaniu leków.
  • Symulacja materii kwantowej — Modeluj i projektuj nadprzewodnictwo wysokotemperaturowe lub inne egzotyczne stany materii, które wykazują wielociałowe efekty kwantowe.
  • Sterowanie kwantowe — hybrydowe modele kwantowo-klasyczne można trenować w sposób zmienny, aby zapewniały optymalną kontrolę, kalibrację i łagodzenie błędów w pętli otwartej lub zamkniętej. Obejmuje to strategie wykrywania i korygowania błędów w urządzeniach kwantowych i procesorach kwantowych.
  • Kwantowe sieci komunikacyjne — Wykorzystaj uczenie maszynowe do rozróżniania nieortogonalnych stanów kwantowych, mając zastosowanie do projektowania i budowy strukturalnych wzmacniaczy kwantowych, odbiorników kwantowych i jednostek oczyszczających.
  • Metrologia kwantowa — ulepszone kwantowo pomiary o wysokiej precyzji, takie jak wykrywanie kwantowe i obrazowanie kwantowe, są z natury wykonywane przy użyciu sond, które są urządzeniami kwantowymi na małą skalę i można je projektować lub udoskonalać za pomocą wariacyjnych modeli kwantowych.

Hybrydowe modele kwantowo-klasyczne

Model kwantowy może reprezentować i uogólniać dane pochodzenia kwantowo-mechanicznego. Ponieważ krótkoterminowe procesory kwantowe są nadal dość małe i hałaśliwe, modele kwantowe nie mogą uogólniać danych kwantowych przy użyciu samych procesorów kwantowych. Aby procesory NISQ były skuteczne, muszą współpracować z klasycznymi koprocesorami. Ponieważ TensorFlow obsługuje już przetwarzanie heterogeniczne na procesorach, procesorach graficznych i TPU, jest używany jako podstawowa platforma do eksperymentowania z hybrydowymi algorytmami kwantowo-klasycznymi.

Kwantowa sieć neuronowa (QNN) służy do opisu sparametryzowanego kwantowego modelu obliczeniowego, który najlepiej wykonać na komputerze kwantowym. Termin ten jest często wymienny z określeniem sparametryzowanego obwodu kwantowego (PQC).

Badania

W erze NISQ algorytmy kwantowe ze znanym przyspieszeniem w stosunku do algorytmów klasycznych – takich jak algorytm faktoryzacji Shora lub algorytm wyszukiwania Grovera – nie były jeszcze możliwe w znaczącej skali.

Celem TensorFlow Quantum jest pomoc w odkrywaniu algorytmów dla ery NISQ, ze szczególnym uwzględnieniem:

  1. Wykorzystaj klasyczne uczenie maszynowe, aby ulepszyć algorytmy NISQ. Mamy nadzieję, że techniki klasycznego uczenia maszynowego poprawią naszą wiedzę na temat obliczeń kwantowych. W metauczeniu kwantowych sieci neuronowych za pośrednictwem klasycznych rekurencyjnych sieci neuronowych rekurencyjna sieć neuronowa (RNN) jest wykorzystywana do odkrycia, że ​​optymalizacja parametrów kontrolnych dla algorytmów takich jak QAOA i VQE jest bardziej wydajna niż proste, gotowe optymalizatory. Natomiast uczenie maszynowe do kontroli kwantowej wykorzystuje uczenie się przez wzmacnianie, aby pomóc w łagodzeniu błędów i tworzeniu bramek kwantowych wyższej jakości.
  2. Modeluj dane kwantowe za pomocą obwodów kwantowych. Klasycznie modelowanie danych kwantowych jest możliwe, jeśli masz dokładny opis źródła danych, ale czasami nie jest to możliwe. Aby rozwiązać ten problem, możesz spróbować modelować na samym komputerze kwantowym i zmierzyć/obserwować ważne statystyki. Kwantowe splotowe sieci neuronowe to obwód kwantowy zaprojektowany ze strukturą analogiczną do splotowej sieci neuronowej (CNN) w celu wykrywania różnych topologicznych faz materii. Komputer kwantowy przechowuje dane i model. Klasyczny procesor widzi tylko próbki pomiarowe z wyjścia modelu, a nigdy same dane. W Robust Renormalization splątania na hałaśliwym komputerze kwantowym autorzy uczą się kompresować informacje o kwantowych układach wielu ciał przy użyciu modelu DMERA.

Inne obszary zainteresowań kwantowym uczeniem maszynowym obejmują: