Conceptos de aprendizaje automático cuántico

De Google cuántica allá-clásico experimento utiliza 53 qubits ruidosos para demostrar que podría realizar un cálculo en 200 segundos en un ordenador cuántico que tomaría 10.000 años en el equipo más grande clásica utilizando algoritmos existentes. Esto marca el comienzo de la ruidosa a escala intermedia Quantum (NISQ) era de la computación. En los próximos años, se espera que los dispositivos cuánticos con decenas a cientos de qubits ruidosos se conviertan en una realidad.

Computación cuántica

La computación cuántica se basa en las propiedades de la mecánica cuántica para calcular problemas que estarían fuera del alcance de las computadoras clásicas. Un ordenador cuántico utiliza qubits. Qubits son como trozos regulares en un ordenador, pero con la posibilidad añadida de ser puestos en una superposición y compartir el entrelazamiento entre sí.

Las computadoras clásicas realizan operaciones clásicas deterministas o pueden emular procesos probabilísticos utilizando métodos de muestreo. Al aprovechar la superposición y el entrelazamiento, las computadoras cuánticas pueden realizar operaciones cuánticas que son difíciles de emular a escala con las computadoras clásicas. Las ideas para aprovechar la computación cuántica NISQ incluyen optimización, simulación cuántica, criptografía y aprendizaje automático.

Aprendizaje automático cuántico

Quantum aprendizaje automático (QML) se basa en dos conceptos: los datos cuánticos y los modelos híbridos cuánticos-clásicos.

Datos cuánticos

Datos de Quantum es cualquier fuente de datos que se produce en un sistema cuántico natural o artificial. Esto puede ser datos generados por un ordenador cuántico, al igual que las muestras recogidas desde el procesador de Sycamore para la demostración de la supremacía de Google cuántica. Los datos cuánticos exhiben superposición y entrelazamiento, lo que lleva a distribuciones de probabilidad conjuntas que podrían requerir una cantidad exponencial de recursos computacionales clásicos para representar o almacenar. El experimento de supremacía cuántica mostró que es posible muestrear a partir de una distribución de probabilidad conjunta extremadamente compleja del espacio de Hilbert 2 ^ 53.

Los datos cuánticos generados por los procesadores NISQ son ruidosos y, por lo general, se entrelazan justo antes de que se produzca la medición. Las técnicas heurísticas de aprendizaje automático pueden crear modelos que maximicen la extracción de información clásica útil a partir de datos enredados ruidosos. La biblioteca TensorFlow Quantum (TFQ) proporciona primitivas para desarrollar modelos que desenredan y generalizan correlaciones en datos cuánticos, lo que abre oportunidades para mejorar los algoritmos cuánticos existentes o descubrir nuevos algoritmos cuánticos.

Los siguientes son ejemplos de datos cuánticos que se pueden generar o simular en un dispositivo cuántico:

  • Simulación información -Extracto química sobre estructuras químicas y dinámica con potenciales aplicaciones a la ciencia de materiales, la química computacional, biología computacional, y el descubrimiento de fármacos.
  • Quantum importa simulación -Modelo y el diseño de la superconductividad de alta temperatura o de otros estados exóticos de la materia que exhibe efectos cuánticos de muchos cuerpos.
  • Modelos cuánticos-clásico -Hybrid de control Quantum pueden variacional capacitados para realizar un control óptimo de bucle cerrado abierto o, calibración, y mitigación de error. Esto incluye estrategias de detección y corrección de errores para dispositivos cuánticos y procesadores cuánticos.
  • Redes de comunicación cuántica -Uso de aprendizaje automático para discriminar entre los estados cuánticos no ortogonales, con aplicación al diseño y construcción de repetidores cuánticos estructurados, receptores cuánticos, y unidades de purificación.
  • Quantum metrología -Quantum-mejorada mediciones de alta precisión tales como detección cuántica y de formación de imágenes cuántica se hacen inherentemente en sondas que son dispositivos cuánticos a pequeña escala y se podría diseñar o mejoradas por los modelos cuánticos variacional.

Modelos híbridos cuánticos-clásicos

Un modelo cuántico puede representar y generalizar datos con un origen mecánico cuántico. Debido a que los procesadores cuánticos a corto plazo todavía son bastante pequeños y ruidosos, los modelos cuánticos no pueden generalizar datos cuánticos utilizando solo procesadores cuánticos. Los procesadores NISQ deben trabajar en conjunto con los coprocesadores clásicos para ser efectivos. Dado que TensorFlow ya admite la computación heterogénea en CPU, GPU y TPU, se utiliza como plataforma base para experimentar con algoritmos híbridos cuánticos-clásicos.

Una red neural cuántica (QNN) se utiliza para describir un modelo computacional cuántica parametrizada que mejor se ejecuta en un ordenador cuántico. Este término es a menudo intercambiable con circuito cuántico parametrizado (PQC).

Investigar

Durante el NISQ-era, algoritmos cuánticos con aceleraciones más conocidos algoritmos clásicos-como algoritmo de factorización de Shor o algoritmo de búsqueda de Grover aún no -son posibles en una escala significativa.

Un objetivo de TensorFlow Quantum es ayudar a descubrir algoritmos para la era NISQ, con especial interés en:

  1. Utilice el aprendizaje automático clásico para mejorar los algoritmos NISQ. La esperanza es que las técnicas del aprendizaje automático clásico puedan mejorar nuestra comprensión de la computación cuántica. En el meta-aprendizaje para redes neuronales cuántica a través de redes neuronales recurrentes clásicos , una red neuronal recurrente (RNN) se utiliza para descubrir que la optimización de los parámetros de control de algoritmos como el QAOA y VQE son más eficientes que los optimizadores sencilla fuera de la plataforma. Y el aprendizaje automático para el control cuántico usos aprendizaje por refuerzo para ayudar a mitigar y errores producir puertas cuánticas de mayor calidad.
  2. Modele datos cuánticos con circuitos cuánticos. El modelado clásico de datos cuánticos es posible si tiene una descripción exacta de la fuente de datos, pero a veces esto no es posible. Para resolver este problema, puede intentar modelar en la propia computadora cuántica y medir / observar las estadísticas importantes. Quantum convolucionales redes neuronales muestra un circuito cuántico diseñado con un análogo estructura a una red neural convolucional (CNN) para detectar diferentes fases topológicas de la materia. La computadora cuántica contiene los datos y el modelo. El procesador clásico solo ve muestras de medición de la salida del modelo y nunca los datos en sí. En robusto renormalización enredo en un ordenador cuántico ruidosa , los autores aprenden a información compresa sobre los sistemas cuánticos de muchos cuerpos utilizando un modelo DMERA.

Otras áreas de interés en el aprendizaje automático cuántico incluyen: