Conceptos de aprendizaje automático cuántico

El experimento cuántico más allá de lo clásico de Google utilizó 53 qubits ruidosos para demostrar que podía realizar un cálculo en 200 segundos en una computadora cuántica que tomaría 10.000 años en la computadora clásica más grande usando algoritmos existentes. Esto marca el comienzo de la era de la informática cuántica ruidosa de escala intermedia (NISQ). En los próximos años se espera que se hagan realidad los dispositivos cuánticos con decenas a cientos de qubits ruidosos.

Computación cuántica

La computación cuántica se basa en propiedades de la mecánica cuántica para calcular problemas que estarían fuera del alcance de las computadoras clásicas. Una computadora cuántica usa qubits . Los qubits son como bits normales de una computadora, pero con la capacidad adicional de superponerse y compartir entrelazamientos 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

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

Datos cuánticos

Los datos cuánticos son cualquier fuente de datos que se produce en un sistema cuántico natural o artificial. Estos pueden ser datos generados por una computadora cuántica, como las muestras recolectadas del procesador Sycamore para la demostración de supremacía cuántica de Google. 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 demostró que es posible tomar muestras 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 normalmente 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 ruidosos y entrelazados. La biblioteca TensorFlow Quantum (TFQ) proporciona primitivas para desarrollar modelos que desenredan y generalizan correlaciones en datos cuánticos, abriendo 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 química: extraiga información sobre estructuras y dinámicas químicas con posibles aplicaciones a la ciencia de materiales, la química computacional, la biología computacional y el descubrimiento de fármacos.
  • Simulación de materia cuántica: modela y diseña superconductividad de alta temperatura u otros estados exóticos de la materia que exhiben efectos cuánticos de muchos cuerpos.
  • Control cuántico: los modelos híbridos cuánticos-clásicos se pueden entrenar de forma variable para realizar un control, calibración y mitigación de errores óptimos de bucle abierto o cerrado. Esto incluye estrategias de detección y corrección de errores para dispositivos y procesadores cuánticos.
  • Redes de comunicación cuántica : utilice el aprendizaje automático para discriminar entre estados cuánticos no ortogonales, con aplicación al diseño y construcción de repetidores cuánticos estructurados, receptores cuánticos y unidades de purificación.
  • Metrología cuántica : las mediciones de alta precisión mejoradas con tecnología cuántica, como la detección cuántica y las imágenes cuánticas, se realizan inherentemente en sondas que son dispositivos cuánticos de pequeña escala y podrían diseñarse o mejorarse mediante modelos cuánticos variacionales.

Modelos híbridos cuánticos-clásicos.

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

Se utiliza una red neuronal cuántica (QNN) para describir un modelo computacional cuántico parametrizado que se ejecuta mejor en una computadora cuántica. Este término suele ser intercambiable con circuito cuántico parametrizado (PQC).

Investigación

Durante la era NISQ, los algoritmos cuánticos con aceleraciones conocidas sobre los algoritmos clásicos, como el algoritmo de factorización de Shor o el algoritmo de búsqueda de Grover , aún no son posibles a 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 metaaprendizaje para redes neuronales cuánticas a través de redes neuronales recurrentes clásicas , se utiliza una red neuronal recurrente (RNN) para descubrir que la optimización de los parámetros de control para algoritmos como QAOA y VQE son más eficientes que los optimizadores simples disponibles en el mercado. Y el aprendizaje automático para el control cuántico utiliza el aprendizaje por refuerzo para ayudar a mitigar errores y producir puertas cuánticas de mayor calidad.
  2. Modelar datos cuánticos con circuitos cuánticos. Clásicamente, modelar datos cuánticos es posible si se 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. Las redes neuronales convolucionales cuánticas muestran un circuito cuántico diseñado con una estructura análoga a una red neuronal convolucional (CNN) para detectar diferentes fases topológicas de la materia. La computadora cuántica contiene los datos y el modelo. El procesador clásico sólo ve muestras de medición de la salida del modelo y nunca los datos en sí. En Renormalización robusta del entrelazamiento en una computadora cuántica ruidosa , los autores aprenden a comprimir información sobre sistemas cuánticos de muchos cuerpos utilizando un modelo DMERA.

Otras áreas de interés en el aprendizaje automático cuántico incluyen: