การทดลองควอนตัมที่เหนือกว่าแบบคลาสสิก ของ Google ใช้ 53 คิวบิต ที่มีเสียงดัง เพื่อแสดงให้เห็นว่าสามารถคำนวณได้ภายใน 200 วินาทีบนคอมพิวเตอร์ควอนตัมที่จะใช้เวลานาน 10,000 ปีบนคอมพิวเตอร์คลาสสิกที่ใหญ่ที่สุดโดยใช้อัลกอริธึมที่มีอยู่ นี่เป็นจุดเริ่มต้นของยุคการประมวล ผล Noisy Intermediate-Scale Quantum (NISQ) ในอีกไม่กี่ปีข้างหน้า อุปกรณ์ควอนตัมที่มีคิวบิตที่มีเสียงดังนับสิบถึงร้อยคาดว่าจะกลายเป็นความจริง
การคำนวณควอนตัม
การประมวลผลควอนตัมอาศัยคุณสมบัติของกลศาสตร์ควอนตัมในการคำนวณปัญหาที่คอมพิวเตอร์แบบคลาสสิกเข้าถึงไม่ได้ คอมพิวเตอร์ควอนตัมใช้ คิวบิต Qubit เป็นเหมือนบิตปกติในคอมพิวเตอร์ แต่มีความสามารถเพิ่มเติมในการ ซ้อนทับ และแบ่งปัน สิ่งกีดขวาง ระหว่างกัน
คอมพิวเตอร์คลาสสิกดำเนินการดำเนินการแบบคลาสสิกที่กำหนดขึ้นหรือสามารถจำลองกระบวนการความน่าจะเป็นโดยใช้วิธีการสุ่มตัวอย่าง ด้วยการควบคุมการซ้อนทับและการพัวพัน คอมพิวเตอร์ควอนตัมสามารถดำเนินการควอนตัมที่ยากต่อการเลียนแบบในขนาดด้วยคอมพิวเตอร์แบบคลาสสิก แนวคิดในการใช้ประโยชน์จากการประมวลผลควอนตัมของ NISQ ได้แก่ การเพิ่มประสิทธิภาพ การจำลองควอนตัม การเข้ารหัส และการเรียนรู้ของเครื่อง
การเรียนรู้ของเครื่องควอนตัม
การเรียนรู้ของเครื่องควอนตัม (QML) สร้างขึ้นจากสองแนวคิด: ข้อมูลควอนตัม และ โมเดลควอนตัมคลาสสิกแบบไฮบริด
ข้อมูลควอนตัม
ข้อมูลควอนตัม คือแหล่งข้อมูลใดๆ ที่เกิดขึ้นในระบบควอนตัมธรรมชาติหรือเทียม ข้อมูลนี้อาจเป็นข้อมูลที่สร้างโดยคอมพิวเตอร์ควอนตัม เช่น ตัวอย่างที่รวบรวมจาก โปรเซสเซอร์ Sycamore เพื่อการสาธิตอำนาจสูงสุดของควอนตัมของ Google ข้อมูลควอนตัมแสดงการซ้อนและการพัวพัน ซึ่งนำไปสู่การแจกแจงความน่าจะเป็นร่วมที่อาจต้องใช้ทรัพยากรการคำนวณแบบคลาสสิกจำนวนทวีคูณในการนำเสนอหรือจัดเก็บ การทดลองอำนาจสูงสุดของควอนตัมแสดงให้เห็นว่ามีความเป็นไปได้ที่จะสุ่มตัวอย่างจากการแจกแจงความน่าจะเป็นร่วมที่ซับซ้อนอย่างยิ่งของปริภูมิฮิลแบร์ต 2^53
ข้อมูลควอนตัมที่สร้างโดยโปรเซสเซอร์ NISQ จะมีเสียงดังและโดยทั่วไปจะพันกันก่อนที่จะทำการวัด เทคนิคการเรียนรู้ของเครื่องแบบศึกษาสำนึกสามารถสร้างแบบจำลองที่ดึงข้อมูลคลาสสิกที่เป็นประโยชน์สูงสุดจากข้อมูลที่พันกันที่มีเสียงดังได้ ไลบรารี TensorFlow Quantum (TFQ) จัดเตรียมข้อมูลเบื้องต้นเพื่อพัฒนาแบบจำลองที่แยกส่วนและสรุปความสัมพันธ์ในข้อมูลควอนตัม โดยเปิดโอกาสในการปรับปรุงอัลกอริทึมควอนตัมที่มีอยู่หรือค้นพบอัลกอริทึมควอนตัมใหม่
ต่อไปนี้คือตัวอย่างของข้อมูลควอนตัมที่สามารถสร้างหรือจำลองบนอุปกรณ์ควอนตัมได้:
- การจำลองทางเคมี —ดึงข้อมูลเกี่ยวกับโครงสร้างทางเคมีและพลศาสตร์พร้อมการประยุกต์ใช้ที่เป็นไปได้ในด้านวัสดุศาสตร์ เคมีเชิงคำนวณ ชีววิทยาเชิงคอมพิวเตอร์ และการค้นคว้ายา
- การจำลองสสารควอนตัม — จำลองและออกแบบตัวนำยิ่งยวดที่อุณหภูมิสูงหรือสถานะแปลกใหม่อื่นๆ ของสสารซึ่งแสดงผลควอนตัมหลายส่วน
- การควบคุมควอนตัม — โมเดลควอนตัมคลาสสิกแบบไฮบริดสามารถฝึกได้หลากหลายเพื่อดำเนินการควบคุม การสอบเทียบ และการลดข้อผิดพลาดแบบเปิดหรือแบบปิดที่เหมาะสมที่สุด ซึ่งรวมถึงกลยุทธ์การตรวจจับและแก้ไขข้อผิดพลาดสำหรับอุปกรณ์ควอนตัมและโปรเซสเซอร์ควอนตัม
- เครือข่ายการสื่อสารควอนตัม ใช้การเรียนรู้ของเครื่องเพื่อแยกแยะสถานะควอนตัมที่ไม่ตั้งฉาก พร้อมการประยุกต์ใช้ในการออกแบบและสร้างตัวทำซ้ำควอนตัมที่มีโครงสร้าง ตัวรับควอนตัม และหน่วยการทำให้บริสุทธิ์
- มาตรวิทยาควอน ตัม — การวัดที่มีความแม่นยำสูงที่ปรับปรุงด้วยควอนตัม เช่น การตรวจจับควอนตัมและการถ่ายภาพควอนตัม จะทำบนโพรบที่เป็นอุปกรณ์ควอนตัมขนาดเล็ก และสามารถออกแบบหรือปรับปรุงได้ด้วยแบบจำลองควอนตัมแบบแปรผัน
โมเดลควอนตัมคลาสสิกแบบไฮบริด
แบบจำลองควอนตัมสามารถแสดงและสรุปข้อมูลด้วยต้นกำเนิดเชิงกลของควอนตัม เนื่องจากตัวประมวลผลควอนตัมในระยะสั้นยังมีขนาดค่อนข้างเล็กและมีเสียงรบกวน โมเดลควอนตัมจึงไม่สามารถสรุปข้อมูลควอนตัมโดยใช้ตัวประมวลผลควอนตัมเพียงอย่างเดียวได้ โปรเซสเซอร์ NISQ ต้องทำงานร่วมกับโปรเซสเซอร์ร่วมแบบคลาสสิกจึงจะมีประสิทธิภาพ เนื่องจาก TensorFlow รองรับการประมวลผลที่แตกต่างกันใน CPU, GPU และ TPU แล้ว จึงถูกใช้เป็นแพลตฟอร์มพื้นฐานในการทดลองกับอัลกอริธึมควอนตัมคลาสสิกแบบไฮบริด
เครือข่ายประสาทควอนตัม (QNN) ใช้เพื่ออธิบายแบบจำลองการคำนวณควอนตัมแบบกำหนดพารามิเตอร์ซึ่งทำงานได้ดีที่สุดบนคอมพิวเตอร์ควอนตัม คำนี้มักจะใช้แทนกันได้กับ วงจรควอนตัมแบบกำหนดพารามิเตอร์ (PQC)
วิจัย
ในช่วงยุค NISQ อัลกอริธึมควอนตัมที่มีการเร่งความเร็วเหนืออัลกอริธึมแบบคลาสสิก เช่น อัลกอริธึมการแยกตัวประกอบของ Shor หรือ อัลกอริธึมการค้นหาของ Grover ยังเป็นไปไม่ได้ในระดับที่มีความหมาย
เป้าหมายของ TensorFlow Quantum คือการช่วยค้นหาอัลกอริทึมสำหรับยุค NISQ โดยมีความสนใจเป็นพิเศษใน:
- ใช้การเรียนรู้ของเครื่องแบบคลาสสิกเพื่อปรับปรุงอัลกอริทึม NISQ ความหวังก็คือเทคนิคจากการเรียนรู้ของเครื่องแบบคลาสสิกสามารถช่วยเพิ่มความเข้าใจเกี่ยวกับการคำนวณควอนตัมของเราได้ ใน การเรียนรู้เมตาสำหรับเครือข่ายประสาทควอนตัมผ่านโครงข่ายประสาทเทียมแบบคลาสสิก เครือข่ายประสาทที่เกิดซ้ำ (RNN) ถูกนำมาใช้เพื่อค้นหาว่าการปรับพารามิเตอร์ควบคุมให้เหมาะสมสำหรับอัลกอริทึม เช่น QAOA และ VQE นั้นมีประสิทธิภาพมากกว่าเครื่องมือเพิ่มประสิทธิภาพชั้นวางแบบธรรมดา และ การเรียนรู้ของเครื่องสำหรับการควบคุมควอนตัม ใช้การเรียนรู้แบบเสริมแรงเพื่อช่วยลดข้อผิดพลาดและสร้างประตูควอนตัมคุณภาพสูงขึ้น
- สร้างแบบจำลองข้อมูลควอนตัมด้วยวงจรควอนตัม การสร้างโมเดลข้อมูลควอนตัมแบบคลาสสิกเป็นไปได้หากคุณมีคำอธิบายที่แน่ชัดของแหล่งข้อมูล แต่บางครั้งก็ไม่สามารถทำได้ เพื่อแก้ปัญหานี้ คุณสามารถลองสร้างแบบจำลองบนคอมพิวเตอร์ควอนตัมและวัด/สังเกตสถิติที่สำคัญได้ เครือข่ายประสาทเทียมแบบควอนตัม แสดงวงจรควอนตัมที่ออกแบบให้มีโครงสร้างคล้ายคลึงกับโครงข่ายประสาทเทียมแบบหมุน (CNN) เพื่อตรวจจับเฟสทอพอโลยีต่างๆ ของสสาร คอมพิวเตอร์ควอนตัมเก็บข้อมูลและแบบจำลอง โปรเซสเซอร์แบบคลาสสิกจะเห็นเฉพาะตัวอย่างการวัดจากเอาต์พุตของโมเดลเท่านั้น และจะไม่เห็นข้อมูลในตัวมันเองเลย ใน การปรับสภาพความพัวพันอย่างแข็งแกร่งบนคอมพิวเตอร์ควอนตัมที่มีเสียงดัง ผู้เขียนเรียนรู้ที่จะบีบอัดข้อมูลเกี่ยวกับระบบควอนตัมหลายตัวโดยใช้แบบจำลอง DMERA
ประเด็นอื่นๆ ที่น่าสนใจเกี่ยวกับการเรียนรู้ของเครื่องควอนตัม ได้แก่ :
- การสร้างโมเดลข้อมูลคลาสสิกล้วนๆ บนคอมพิวเตอร์ควอนตัม
- อัลกอริธึมคลาสสิกที่ได้รับแรงบันดาลใจจากควอนตัม
- การเรียนรู้แบบมีผู้สอนด้วยตัวแยกประเภทควอนตัม
- การเรียนรู้แบบเลเยอร์ที่ปรับเปลี่ยนได้สำหรับเครือข่ายประสาทควอนตัม
- การเรียนรู้พลศาสตร์ควอนตัม
- การสร้างแบบจำลองเชิงกำเนิดของสถานะควอนตัมแบบผสม
- การจำแนกประเภทด้วยโครงข่ายประสาทเทียมควอนตัมบนตัวประมวลผลระยะใกล้