Kuantum makine öğrenimi kavramları

Google'ın klasik ötesi kuantum deneyinde, mevcut algoritmaları kullanarak en büyük klasik bilgisayarda 10.000 yıl sürecek bir hesaplamayı kuantum bilgisayarda 200 saniyede gerçekleştirebildiğini göstermek için 53 gürültülü kübit kullanıldı. Bu, Gürültülü Orta Ölçekli Kuantum (NISQ) bilgi işlem çağının başlangıcını işaret ediyor. Önümüzdeki yıllarda onlarca ila yüzlerce gürültülü kubit içeren kuantum cihazlarının gerçeğe dönüşmesi bekleniyor.

Kuantum hesaplama

Kuantum hesaplama, klasik bilgisayarların erişemeyeceği sorunları hesaplamak için kuantum mekaniğinin özelliklerine dayanır. Bir kuantum bilgisayarı kübitleri kullanır. Qubit'ler bilgisayardaki normal bitler gibidir, ancak süperpozisyona yerleştirilebilme ve birbirleriyle dolaşıklığı paylaşabilme gibi ek yeteneklere sahiptirler.

Klasik bilgisayarlar deterministik klasik işlemleri gerçekleştirir veya örnekleme yöntemlerini kullanarak olasılıksal süreçleri taklit edebilir. Kuantum bilgisayarlar, süperpozisyon ve dolaşıklıktan yararlanarak, klasik bilgisayarlarla aynı ölçekte taklit edilmesi zor olan kuantum işlemlerini gerçekleştirebilir. NISQ kuantum hesaplamasından yararlanmaya yönelik fikirler arasında optimizasyon, kuantum simülasyonu, kriptografi ve makine öğrenimi yer alır.

Kuantum makine öğrenimi

Kuantum makine öğrenimi (QML) iki kavram üzerine kuruludur: kuantum verileri ve hibrit kuantum-klasik modeller .

Kuantum verileri

Kuantum verileri, doğal veya yapay bir kuantum sisteminde meydana gelen herhangi bir veri kaynağıdır. Bu, Google'ın kuantum üstünlüğünü göstermesi için Sycamore işlemcisinden toplanan örnekler gibi bir kuantum bilgisayar tarafından oluşturulan veriler olabilir. Kuantum verileri, süperpozisyon ve dolaşma sergileyerek, temsil edilmesi veya saklanması için üstel miktarda klasik hesaplama kaynağı gerektirebilecek ortak olasılık dağılımlarına yol açar. Kuantum üstünlüğü deneyi, 2^53 Hilbert uzayının son derece karmaşık birleşik olasılık dağılımından örnekleme yapmanın mümkün olduğunu gösterdi.

NISQ işlemcileri tarafından üretilen kuantum verileri gürültülüdür ve genellikle ölçüm gerçekleşmeden hemen önce karışır. Sezgisel makine öğrenimi teknikleri, gürültülü dolaşık verilerden yararlı klasik bilgilerin çıkarılmasını en üst düzeye çıkaran modeller oluşturabilir. TensorFlow Quantum (TFQ) kitaplığı, kuantum verilerindeki korelasyonları çözen ve genelleştiren modeller geliştirmek için temel öğeler sağlar; mevcut kuantum algoritmalarını iyileştirme veya yeni kuantum algoritmalarını keşfetme fırsatlarının önünü açar.

Aşağıdakiler, bir kuantum cihazında oluşturulabilen veya simüle edilebilen kuantum verilerinin örnekleridir:

  • Kimyasal simülasyon — Malzeme bilimi, hesaplamalı kimya, hesaplamalı biyoloji ve ilaç keşfine yönelik potansiyel uygulamalarla kimyasal yapılar ve dinamikler hakkında bilgi çıkarın.
  • Kuantum madde simülasyonu — Yüksek sıcaklıktaki süper iletkenliği veya çok cisimli kuantum etkileri sergileyen maddenin diğer egzotik durumlarını modelleyin ve tasarlayın.
  • Kuantum kontrolü — Hibrit kuantum-klasik modeller, optimum açık veya kapalı döngü kontrolü, kalibrasyonu ve hata azaltmayı gerçekleştirmek için değişken olarak eğitilebilir. Buna kuantum cihazları ve kuantum işlemciler için hata tespiti ve düzeltme stratejileri de dahildir.
  • Kuantum iletişim ağları — Yapılandırılmış kuantum tekrarlayıcıların, kuantum alıcılarının ve saflaştırma birimlerinin tasarımı ve inşasına yönelik uygulamalarla, ortogonal olmayan kuantum durumları arasında ayrım yapmak için makine öğrenimini kullanın.
  • Kuantum metrolojisi — Kuantum algılama ve kuantum görüntüleme gibi kuantumla geliştirilmiş yüksek hassasiyetli ölçümler, doğası gereği küçük ölçekli kuantum cihazları olan ve değişken kuantum modelleri tarafından tasarlanabilen veya geliştirilebilen problar üzerinde yapılır.

Hibrit kuantum-klasik modeller

Bir kuantum modeli, kuantum mekaniksel kökene sahip verileri temsil edebilir ve genelleştirebilir. Yakın vadeli kuantum işlemciler hâlâ oldukça küçük ve gürültülü olduğundan, kuantum modelleri yalnızca kuantum işlemcileri kullanarak kuantum verilerini genelleştiremez. NISQ işlemcilerinin etkili olabilmesi için klasik ortak işlemcilerle uyum içinde çalışması gerekir. TensorFlow zaten CPU'lar, GPU'lar ve TPU'lar arasında heterojen hesaplamayı desteklediğinden, hibrit kuantum-klasik algoritmalarla denemeler yapmak için temel platform olarak kullanılıyor.

Bir kuantum sinir ağı (QNN), bir kuantum bilgisayarda en iyi şekilde yürütülen parametreli bir kuantum hesaplama modelini tanımlamak için kullanılır. Bu terim genellikle parametreli kuantum devresi (PQC) ile değiştirilebilir.

Araştırma

NISQ döneminde, Shor'un faktoring algoritması veya Grover'ın arama algoritması gibi klasik algoritmalara göre bilinen hızlanmalara sahip kuantum algoritmaları henüz anlamlı bir ölçekte mümkün değil.

TensorFlow Quantum'un bir hedefi, özellikle aşağıdaki konulara ilgi göstererek NISQ çağına yönelik algoritmaların keşfedilmesine yardımcı olmaktır:

  1. NISQ algoritmalarını geliştirmek için klasik makine öğrenimini kullanın. Umudumuz, klasik makine öğreniminden elde edilen tekniklerin kuantum hesaplama anlayışımızı geliştirebilmesidir. Klasik tekrarlayan sinir ağları aracılığıyla kuantum sinir ağları için meta-öğrenmede , QAOA ve VQE gibi algoritmalar için kontrol parametrelerinin optimizasyonunun basit kullanıma hazır optimize edicilerden daha verimli olduğunu keşfetmek için bir tekrarlayan sinir ağı (RNN) kullanılır. Kuantum kontrolü için makine öğrenimi, hataların azaltılmasına ve daha kaliteli kuantum geçitlerinin üretilmesine yardımcı olmak için takviyeli öğrenmeyi kullanır.
  2. Kuantum verilerini kuantum devreleriyle modelleyin. Veri kaynağının tam bir açıklamasına sahipseniz klasik olarak kuantum verilerini modellemek mümkündür ancak bazen bu mümkün olmayabilir. Bu sorunu çözmek için kuantum bilgisayarın kendisinde modelleme yapmayı deneyebilir ve önemli istatistikleri ölçebilir/gözlemleyebilirsiniz. Kuantum evrişimli sinir ağları, maddenin farklı topolojik aşamalarını tespit etmek için evrişimli sinir ağına (CNN) benzer bir yapıyla tasarlanmış bir kuantum devresini gösterir. Kuantum bilgisayar verileri ve modeli tutar. Klasik işlemci yalnızca model çıktısındaki ölçüm örneklerini görür, verilerin kendisini asla görmez. Gürültülü bir kuantum bilgisayarında Sağlam dolaşıklığın yeniden normalleştirilmesinde , yazarlar bir DMERA modeli kullanarak kuantum çoklu cisim sistemleri hakkındaki bilgileri sıkıştırmayı öğreniyorlar.

Kuantum makine öğreniminin diğer ilgi alanları şunlardır: