量子機械学習の概念

Google の古典的コンピュータを超える量子の実証実験では、ノイズの多い 53 量子ビットを使用して、既存のアルゴリズムを使用する最大の古典的なコンピュータでは 10,000 年かかる計算を量子コンピュータで 200 秒で実行できることを実証しました。これは、NISQ（ノイズあり中規模量子）コンピューティング時代の始まりを示しています。今後数年間で、数十から数百のノイズの多い量子ビットを備えた量子デバイスが実現することが予想されています。

量子コンピューティング

量子コンピューティングは量子力学の特性に依存し、古典的なコンピュータでは不可能な問題を計算します。量子コンピュータは量子ビットを使用します。量子ビットはコンピュータの通常のビットに似ていますが、重ね合わせを使って、量子絡み合い（エンタングルメント）を相互に共有する機能が追加されています。

古典的なコンピュータは、決定論的な古典的な演算を実行するか、サンプリング方法を使用して確率的なプロセスをエミュレートします。重ね合わせとエンタングルメントを利用することにより、量子コンピュータは、古典的なコンピュータでは大規模にエミュレートすることが難しい量子演算を実行できます。NISQ 量子コンピューティングは、最適化、量子シミュレーション、暗号化、機械学習などで活用できます。

量子機械学習

量子機械学習（QML）は、量子データとハイブリッド量子古典モデルの 2 つの概念に基づいて構築されています。

量子データ

量子データは、自然または人工の量子システムで発生する任意のデータソースです。Google が量子超越性を実証するために Sycamore プロセッサから収集したサンプルのように、量子コンピュータによって生成されたデータも量子データの例です。量子データは重ね合わせと絡み合いを示し、同時確率分布を導出します。古典的コンピュータではこのような表現や保存には指数関数的な量のリソースが必要とされます。量子超越性実証実験は 2^53 ヒルベルト空間の非常に複雑な同時確率分布からサンプリングすることが可能であることを示しました。

NISQ プロセッサによって生成された量子データはノイズが多く、通常、測定が行われる直前に絡み合っています。ヒューリスティックな機械学習手法は、ノイズの多い絡み合ったデータから有用な古典的情報を最大限に抽出するモデルを作成します。TensorFlow Quantum (TFQ) ライブラリは、量子データの相関を解き、一般化するモデルの開発のための原理を提供し、既存の量子アルゴリズムを改善したり、新しい量子アルゴリズムを発見したりする機会を開きます。

以下は、量子デバイスで生成またはシミュレーションできる量子データの例です。

  • 化学シミュレーション — 化学構造とダイナミクスに関する情報を抽出します。材料科学、計算化学、計算生物学、創薬への応用の可能性を秘めています。
  • 量子物質シミュレーション — 多体量子効果を示す高温超伝導またはその他のエキゾチックな物質の状態をモデル化および設計します。
  • 量子制御 — ハイブリッド量子古典モデルは、最適な開ループまたは閉ループの制御、キャリブレーション、およびエラー軽減を実行するように変分的にトレーニングできます。これには、量子デバイスと量子プロセッサのエラー検出および訂正戦略が含まれます。
  • 量子通信ネットワーク — 機械学習を使用して、非直交量子状態を区別します。構造化された量子リピーター、量子レシーバー、および精製ユニットの設計と構築に適用できます。
  • 量子計測 —量子センシングや量子イメージングなどの量子的に強化されたされた高精度測定は、本質的に小規模な量子デバイスであるプローブで行われ、変分量子モデルによって設計または改善することができます。

量子古典ハイブリッドモデル

量子モデルは、量子力学的な起源を持つデータを表現および一般化することができます。短期的な量子プロセッサはまだ小型でノイズが多いため、量子モデルは量子プロセッサだけを使用して量子データを一般化することはできません。NISQ プロセッサは、効果を発揮するために、従来のコプロセッサと連携して動作する必要があります。TensorFlow は、CPU、GPU、TPU 全体のヘテロジニアスコンピューティングをすでにサポートしているため、ベースプラットフォームとして量子古典ハイブリッドアルゴリズムを実験するために使用できます。

量子ニューラルネットワーク（QNN）は、量子コンピュータで最適に実行されるパラメータ化された量子計算モデルを記述するために使用されます。量子ニューラルネットワークは、多くの場合、PQC（パラメータ化された量子回路）とも呼ばれています。

研究

NISQ 時代では、古典的アルゴリズムよりも高速化された既知の量子アルゴリズム (Shor の因数分解アルゴリズムや Grover の検索アルゴリズムなど) は、まだ実用的な規模では使用できません。

TensorFlow Quantum の目標は、NISQ 時代のアルゴリズムの発見を支援することであり、特に次のことに関心があります。

  1. 古典的な機械学習を使用して NISQ アルゴリズムを強化。古典的な機械学習の手法によって、量子コンピューティングの理解が深まることが期待されます。古典的なリカレントニューラルネットワークを介した量子ニューラルネットワークのメタ学習では、リカレントニューラルネットワーク（RNN）を使用して QAOA や VQE などのアルゴリズムの制御パラメータの最適化が、単純な既製のオプティマイザよりも効率的であることを明らかにします。また、量子制御向けの機械学習では強化学習を使用してエラーを軽減し、より高品質な量子ゲートを生成します。
  2. 量子回路で量子データをモデル化。古典的な量子データのモデリングはデータソースの正確な説明がある場合にのみ可能ですが、これらが提供されていない場合もあります。この問題を解決するには量子コンピュータ自体でモデリングを試して、重要な統計を測定/観測します。量子畳み込みニューラルネットワークは、物質のさまざまなトポロジカル相を検出するために、畳み込みニューラルネットワーク（CNN）に類似した構造で設計された量子回路を示します。量子コンピュータはデータとモデルを保持します。 古典的なプロセッサは、モデル出力からの測定サンプルのみを認識し、データ自体は認識しません。Robust entanglement renormalization on a noisy quantum computer（ノイズの多い量子コンピュータでのロバストなエンタングルメント再正規化）では、著者は DMERA モデルを使用して量子多体システムに関する情報を圧縮する方法を紹介します。

量子機械学習のその他の関心分野。