استخدمت تجربة Google الكمومية غير التقليدية 53 كيوبتًا صاخبة لإثبات قدرتها على إجراء عملية حسابية في 200 ثانية على جهاز كمبيوتر كمي قد يستغرق 10000 عام على أكبر جهاز كمبيوتر كلاسيكي باستخدام الخوارزميات الموجودة. يمثل هذا بداية عصر الحوسبة الكمية المتوسطة الحجم (NISQ). وفي السنوات المقبلة، من المتوقع أن تصبح الأجهزة الكمومية التي تحتوي على عشرات إلى مئات من الكيوبتات المزعجة حقيقة واقعة.
الاحصاء الكمية
تعتمد الحوسبة الكمومية على خصائص ميكانيكا الكم لحساب المشكلات التي قد تكون بعيدة عن متناول أجهزة الكمبيوتر الكلاسيكية. يستخدم الكمبيوتر الكمي الكيوبتات . تشبه البتات الكمومية البتات العادية في الكمبيوتر، ولكن مع إمكانية إضافية لوضعها في حالة تراكب ومشاركة التشابك مع بعضها البعض.
تقوم أجهزة الكمبيوتر الكلاسيكية بعمليات كلاسيكية حتمية أو يمكنها محاكاة العمليات الاحتمالية باستخدام طرق أخذ العينات. من خلال تسخير التراكب والتشابك، يمكن لأجهزة الكمبيوتر الكمومية إجراء عمليات كمومية يصعب محاكاتها على نطاق واسع باستخدام أجهزة الكمبيوتر الكلاسيكية. تشمل أفكار الاستفادة من الحوسبة الكمومية NISQ التحسين والمحاكاة الكمومية والتشفير والتعلم الآلي.
التعلم الآلي الكمي
يعتمد التعلم الآلي الكمي (QML) على مفهومين: البيانات الكمومية والنماذج الكمومية الكلاسيكية الهجينة .
البيانات الكمومية
البيانات الكمومية هي أي مصدر بيانات يحدث في نظام كمي طبيعي أو اصطناعي. يمكن أن تكون هذه بيانات يتم إنشاؤها بواسطة كمبيوتر كمي، مثل العينات التي تم جمعها من معالج Sycamore لإثبات جوجل للتفوق الكمي. تُظهر البيانات الكمومية التراكب والتشابك، مما يؤدي إلى توزيعات احتمالية مشتركة قد تتطلب كمية هائلة من الموارد الحسابية الكلاسيكية لتمثيلها أو تخزينها. أظهرت تجربة التفوق الكمي أنه من الممكن أخذ عينة من توزيع احتمالي مشترك معقد للغاية يبلغ 2^53 من مساحة هيلبرت.
تكون البيانات الكمومية التي تولدها معالجات NISQ صاخبة ومتشابكة عادة قبل إجراء القياس مباشرة. يمكن لتقنيات التعلم الآلي الإرشادية إنشاء نماذج تزيد من استخلاص المعلومات الكلاسيكية المفيدة من البيانات المتشابكة الصاخبة. توفر مكتبة TensorFlow Quantum (TFQ) أساسيات لتطوير نماذج تعمل على تفكيك الارتباطات وتعميمها في البيانات الكمومية، مما يتيح فرصًا لتحسين الخوارزميات الكمومية الحالية أو اكتشاف خوارزميات كمومية جديدة.
فيما يلي أمثلة للبيانات الكمومية التي يمكن إنشاؤها أو محاكاتها على جهاز كمي:
- المحاكاة الكيميائية - استخراج معلومات حول الهياكل والديناميكيات الكيميائية مع التطبيقات المحتملة لعلوم المواد، والكيمياء الحاسوبية، والبيولوجيا الحاسوبية، واكتشاف الأدوية.
- محاكاة المادة الكمومية – نموذج وتصميم الموصلية الفائقة في درجات الحرارة العالية أو الحالات الغريبة الأخرى للمادة التي تظهر تأثيرات كمومية متعددة الجسم.
- التحكم الكمي - يمكن تدريب النماذج الكمومية الكلاسيكية الهجينة بشكل مختلف لأداء التحكم الأمثل في الحلقة المفتوحة أو المغلقة، والمعايرة، وتخفيف الأخطاء. يتضمن ذلك استراتيجيات اكتشاف الأخطاء وتصحيحها للأجهزة الكمومية والمعالجات الكمومية.
- شبكات الاتصالات الكمومية - استخدم التعلم الآلي للتمييز بين الحالات الكمومية غير المتعامدة، مع التطبيق على تصميم وبناء مكررات كمومية منظمة، وأجهزة استقبال كمومية، ووحدات تنقية.
- علم القياس الكمي - يتم إجراء قياسات عالية الدقة معززة كميًا مثل الاستشعار الكمي والتصوير الكمي بطبيعتها على مجسات عبارة عن أجهزة كمومية صغيرة الحجم ويمكن تصميمها أو تحسينها بواسطة نماذج كمومية متباينة.
النماذج الكمومية الكلاسيكية الهجينة
يمكن للنموذج الكمي تمثيل وتعميم البيانات ذات الأصل الميكانيكي الكمي. ونظرًا لأن المعالجات الكمومية على المدى القريب لا تزال صغيرة الحجم وصاخبة إلى حدٍ ما، فإن النماذج الكمومية لا يمكنها تعميم البيانات الكمومية باستخدام المعالجات الكمومية وحدها. يجب أن تعمل معالجات NISQ بالتنسيق مع المعالجات المشتركة الكلاسيكية لتصبح فعالة. نظرًا لأن TensorFlow يدعم بالفعل الحوسبة غير المتجانسة عبر وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسومات (GPU) ووحدات TPU (TPU)، فإنه يتم استخدامه كمنصة أساسية لتجربة الخوارزميات الكمومية الكلاسيكية الهجينة.
تُستخدم الشبكة العصبية الكمومية (QNN) لوصف النموذج الحسابي الكمي ذو المعلمات الذي يتم تنفيذه بشكل أفضل على جهاز كمبيوتر كمي. غالبًا ما يكون هذا المصطلح قابلاً للتبديل مع الدائرة الكمومية ذات المعلمات (PQC).
بحث
خلال عصر NISQ، لم تكن الخوارزميات الكمومية ذات التسريعات المعروفة مقارنة بالخوارزميات الكلاسيكية - مثل خوارزمية Shor للتخصيم أو خوارزمية بحث Grover - ممكنة بعد على نطاق ذي معنى.
هدف TensorFlow Quantum هو المساعدة في اكتشاف الخوارزميات لعصر NISQ، مع الاهتمام بشكل خاص بما يلي:
- استخدم التعلم الآلي الكلاسيكي لتحسين خوارزميات NISQ. الأمل هو أن تقنيات التعلم الآلي الكلاسيكي يمكن أن تعزز فهمنا للحوسبة الكمومية. في التعلم التلوي للشبكات العصبية الكمومية عبر الشبكات العصبية المتكررة الكلاسيكية ، يتم استخدام الشبكة العصبية المتكررة (RNN) لاكتشاف أن تحسين معلمات التحكم للخوارزميات مثل QAOA وVQE أكثر كفاءة من مُحسِّنات الرفوف البسيطة. ويستخدم التعلم الآلي للتحكم الكمي التعلم المعزز للمساعدة في تخفيف الأخطاء وإنتاج بوابات كمومية عالية الجودة.
- نموذج البيانات الكمومية باستخدام الدوائر الكمومية. من الممكن إجراء نمذجة للبيانات الكمومية بشكل كلاسيكي إذا كان لديك وصف دقيق لمصدر البيانات، لكن هذا غير ممكن في بعض الأحيان. لحل هذه المشكلة، يمكنك تجربة النمذجة على الكمبيوتر الكمي نفسه وقياس/ملاحظة الإحصائيات المهمة. تُظهر الشبكات العصبية التلافيفية الكمومية دائرة كمومية مصممة ببنية مشابهة للشبكة العصبية التلافيفية (CNN) لاكتشاف المراحل الطوبولوجية المختلفة للمادة. يحتفظ الكمبيوتر الكمي بالبيانات والنموذج. يرى المعالج الكلاسيكي عينات القياس فقط من مخرجات النموذج ولا يرى البيانات نفسها أبدًا. في عملية إعادة تطبيع التشابك القوية على حاسوب كمي صاخب ، تعلم المؤلفون ضغط المعلومات حول الأنظمة الكمومية متعددة الأجسام باستخدام نموذج DMERA.
تشمل مجالات الاهتمام الأخرى في التعلم الآلي الكمي ما يلي:
- نمذجة البيانات الكلاسيكية البحتة على أجهزة الكمبيوتر الكمومية.
- الخوارزميات الكلاسيكية المستوحاة من الكم.
- التعلم الخاضع للإشراف باستخدام المصنفات الكمومية .
- التعلم التكيفي للطبقة للشبكة العصبية الكمومية.
- تعلم ديناميكيات الكم .
- النمذجة التوليدية للحالات الكمومية المختلطة .
- التصنيف مع الشبكات العصبية الكمومية على المعالجات قريبة المدى .