Concetti di apprendimento automatico quantistico

L'esperimento quantistico oltre il classico di Google ha utilizzato 53 qubit rumorosi per dimostrare che potrebbe eseguire un calcolo in 200 secondi su un computer quantistico che impiegherebbe 10.000 anni sul più grande computer classico utilizzando algoritmi esistenti. Ciò segna l’inizio dell’era del calcolo Noisy Intermediate-Scale Quantum (NISQ). Si prevede che nei prossimi anni i dispositivi quantistici con decine o centinaia di qubit rumorosi diventeranno realtà.

Informatica quantistica

L’informatica quantistica si basa sulle proprietà della meccanica quantistica per risolvere problemi che sarebbero fuori portata per i computer classici. Un computer quantistico utilizza i qubit . I qubit sono come i normali bit di un computer, ma con la capacità aggiuntiva di essere messi in sovrapposizione e condividere l'entanglement tra loro.

I computer classici eseguono operazioni classiche deterministiche o possono emulare processi probabilistici utilizzando metodi di campionamento. Sfruttando la sovrapposizione e l’entanglement, i computer quantistici possono eseguire operazioni quantistiche difficili da emulare su larga scala con i computer classici. Le idee per sfruttare l’informatica quantistica NISQ includono l’ottimizzazione, la simulazione quantistica, la crittografia e l’apprendimento automatico.

Apprendimento automatico quantistico

L’apprendimento automatico quantistico (QML) si basa su due concetti: dati quantistici e modelli ibridi quantistici-classici .

Dati quantistici

I dati quantistici sono qualsiasi fonte di dati che si trova in un sistema quantistico naturale o artificiale. Possono essere dati generati da un computer quantistico, come i campioni raccolti dal processore Sycamore per la dimostrazione della supremazia quantistica di Google. I dati quantistici mostrano sovrapposizione ed entanglement, portando a distribuzioni di probabilità congiunte che potrebbero richiedere una quantità esponenziale di risorse computazionali classiche per essere rappresentate o archiviate. L'esperimento sulla supremazia quantistica ha dimostrato che è possibile campionare da una distribuzione di probabilità congiunta estremamente complessa dello spazio di Hilbert 2^53.

I dati quantistici generati dai processori NISQ sono rumorosi e tipicamente intrecciati appena prima che avvenga la misurazione. Le tecniche euristiche di apprendimento automatico possono creare modelli che massimizzano l'estrazione di informazioni classiche utili da dati entangled rumorosi. La libreria TensorFlow Quantum (TFQ) fornisce primitive per sviluppare modelli che districano e generalizzano le correlazioni nei dati quantistici, aprendo opportunità per migliorare gli algoritmi quantistici esistenti o scoprire nuovi algoritmi quantistici.

Di seguito sono riportati esempi di dati quantistici che possono essere generati o simulati su un dispositivo quantistico:

  • Simulazione chimica : estrae informazioni su strutture e dinamiche chimiche con potenziali applicazioni alla scienza dei materiali, alla chimica computazionale, alla biologia computazionale e alla scoperta di farmaci.
  • Simulazione della materia quantistica: modella e progetta la superconduttività ad alta temperatura o altri stati esotici della materia che presentano effetti quantistici a molti corpi.
  • Controllo quantistico: i modelli ibridi quantistici-classici possono essere addestrati in modo variazionale per eseguire un controllo, una calibrazione e una mitigazione degli errori ottimali a circuito aperto o chiuso. Ciò include strategie di rilevamento e correzione degli errori per dispositivi e processori quantistici.
  • Reti di comunicazione quantistica : utilizzare l'apprendimento automatico per discriminare tra stati quantistici non ortogonali, con applicazione alla progettazione e costruzione di ripetitori quantistici strutturati, ricevitori quantistici e unità di purificazione.
  • Metrologia quantistica : misurazioni ad alta precisione potenziate dal punto di vista quantistico, come il rilevamento quantistico e l'imaging quantistico, vengono eseguite intrinsecamente su sonde che sono dispositivi quantistici su piccola scala e potrebbero essere progettate o migliorate mediante modelli quantistici variazionali.

Modelli ibridi quanto-classici

Un modello quantistico può rappresentare e generalizzare dati di origine quantomeccanica. Poiché i processori quantistici a breve termine sono ancora piuttosto piccoli e rumorosi, i modelli quantistici non possono generalizzare i dati quantistici utilizzando solo i processori quantistici. I processori NISQ devono lavorare di concerto con i coprocessori classici per diventare efficaci. Poiché TensorFlow supporta già il calcolo eterogeneo tra CPU, GPU e TPU, viene utilizzato come piattaforma di base per sperimentare algoritmi ibridi quantistici-classici.

Una rete neurale quantistica (QNN) viene utilizzata per descrivere un modello computazionale quantistico parametrizzato che viene eseguito al meglio su un computer quantistico. Questo termine è spesso intercambiabile con circuito quantistico parametrizzato (PQC).

Ricerca

Durante l’era NISQ, gli algoritmi quantistici con accelerazioni note rispetto agli algoritmi classici – come l’algoritmo di fattorizzazione di Shor o l’algoritmo di ricerca di Grover – non sono ancora possibili su scala significativa.

Uno degli obiettivi di TensorFlow Quantum è aiutare a scoprire algoritmi per l'era NISQ, con particolare interesse per:

  1. Utilizza l'apprendimento automatico classico per migliorare gli algoritmi NISQ. La speranza è che le tecniche dell’apprendimento automatico classico possano migliorare la nostra comprensione dell’informatica quantistica. Nel meta-apprendimento per reti neurali quantistiche tramite reti neurali ricorrenti classiche , viene utilizzata una rete neurale ricorrente (RNN) per scoprire che l'ottimizzazione dei parametri di controllo per algoritmi come QAOA e VQE è più efficiente dei semplici ottimizzatori standard. Inoltre , l’apprendimento automatico per il controllo quantistico utilizza l’apprendimento per rinforzo per contribuire a mitigare gli errori e produrre porte quantistiche di qualità superiore.
  2. Modella dati quantistici con circuiti quantistici. La modellazione classica dei dati quantistici è possibile se si dispone di una descrizione esatta dell'origine dati, ma a volte ciò non è possibile. Per risolvere questo problema, puoi provare a modellare il computer quantistico stesso e misurare/osservare le statistiche importanti. Le reti neurali convoluzionali quantistiche mostrano un circuito quantistico progettato con una struttura analoga a una rete neurale convoluzionale (CNN) per rilevare diverse fasi topologiche della materia. Il computer quantistico contiene i dati e il modello. Il processore classico vede solo i campioni di misurazione dall'output del modello e mai i dati stessi. In Rinormalizzazione dell’entanglement robusto su un computer quantistico rumoroso , gli autori imparano a comprimere le informazioni sui sistemi quantistici a molti corpi utilizzando un modello DMERA.

Altre aree di interesse nell'apprendimento automatico quantistico includono: