Спросите, что машинное обучение может сделать для квантовых вычислений
Квантовые вычисления и машинное обучение - одни из самых популярных словечек в наши дни. Помимо явной шумихи, есть реальная основа. С развитием традиционных вычислений мы можем достигать невероятных результатов в анализе изображений, основанном на машинном обучении и других областях. С другой стороны, квантовая физика была своего рода сложной мистической областью, ведущей к удивительному прогрессу в математике (и множестве псевдонаук, совершенно ненаучных). Квантовые вычисления появляются как новый путь к преодолению некоторых ограничений традиционных вычислений, включая физический предел миниатюризации транзисторов. В прошлом году люди включили квантовые вычисления как уровни нейронных сетей или рассматривали их как байесовские наивные классификаторы.
Смотрите здесь для получения дополнительной информации:
В марте 2020 года Google объявила о выпуске TensorFlow Quantum - серии инструментов, сочетающих в себе новейшие алгоритмы машинного обучения и квантовые вычисления.
Таким образом, идея состоит в том, чтобы использовать квантовые вычисления в качестве шага в системе классификации, но мы также можем подумать и наоборот.
Обратный путь был впервые предложен Q-CTRL, компанией, работающей между Сиднеем и Лос-Анджелесом и специализирующейся на квантовых вычислениях.
Проложенный путь - вместо этого сосредоточиться на квантовых вычислениях и использовать машинное обучение, эффективно подавляя влияние шума и несовершенства квантового оборудования.
Большая часть аппаратного обеспечения квантовых компьютеров может выполнять вычисления менее чем за одну миллисекунду, прежде чем потребуется перезагрузка из-за влияния шума, который на данный момент уступает недорогому ноутбуку. Результат намного хуже, чем кажется, и лучше объяснен в следующем разделе.
ДЕКОГЕРЕНЦИЯ
Когда кубиты, квантовая версия классического двоичного бита в квантовом компьютере, подвергаются воздействию аппаратного шума, информация в них очень легко ухудшается. Этот процесс известен как декогеренция. Это одна из причин, по которой мы все еще находимся в зачаточном состоянии квантовых вычислений. В приведенном ниже скринкасте я записал одну оценку одного кубита в идеальном случае и то же самое под влиянием аппаратного шума. Взгляд на один кубит может показаться не таким уж трагичным, но представление всех кубитов, необходимых для выполнения задачи, дает представление о том, насколько шумными будут результаты по сравнению даже с RaspberryPi или мобильным телефоном.
Как решить проблему декогеренции? С конца 90-х такие люди, как Эндрю Стейн и Питер Шор, предлагали модели, чтобы компенсировать это за счет введения некоторого вида избыточности, что на практике невозможно с нашими нынешними квантовыми компьютерами, если вы представите себе большое количество бит (вы будете нужно повторить каждый кубит несколько раз).
Решение Q-CTRL - создать прошивку на основе машинного обучения, которая может исправить декогеренцию без необходимости в дополнительном недопустимом оборудовании.
Аппаратные средства квантовых вычислений основаны на взаимодействии света и вещества (оптическое оборудование) для выполнения квантовых логических операций. Состав этих электромагнитных сигналов на практике представляет собой алгоритм, который может быть определен / уточнен с помощью инструментов машинного обучения. Этот громоздкий круг должен уменьшить декогеренцию. Чтобы по-настоящему понять этот подход, требуются приличные знания квантовых вычислений, которых нет у типичного специалиста по машинному обучению. Я постараюсь подвести итоги в следующем разделе.
Решение Q-CTRL называется BOULDER OPAL. Это пакет Python, который можно легко установить, набрав в терминале.
pip install qctrl
и просто импортируя его как
из qctrl импорт Qctrl
Остальное, как установить гамильтониан, фазу, управление и т.д. - это отдельная тема (которую, если вам интересно, вы можете изучить из учебника ниже или прочитать документацию). Ключевым аспектом является то, что для достижения контроля и, следовательно, уменьшения шума, можно получить сложные оптимизации на основе градиентов с помощью TensorFlow или других инструментов машинного обучения, и это обсуждается в следующем разделе, посвященном обучению с подкреплением.
ОБУЧЕНИЕ ПО УСИЛЕНИЮ
Среди оптимизаций, которые можно использовать для управления шумом, уже успешно применяется обучение с подкреплением. Обучение с подкреплением - это область машинного обучения, в которой интеллектуальные агенты действуют в среде, чтобы максимизировать совокупное вознаграждение.
Благодаря обучению с подкреплением в квантовых вычислениях учащийся создает оптимизированный импульс, проводя эксперименты с самим квантовым устройством. Кроме того, обучение с подкреплением может открывать и использовать новые физические механизмы, о которых мы не знаем. Однако недостатком этого является то, что учащийся не может сказать вам, как было найдено решение, поэтому мы не будем знать физику подавления шума в устройстве.
Для людей, более привыкших к машинному обучению, чем к квантовым вычислениям, я создам мост между терминологией, используемой в квантовой физике, и обучением с подкреплением: квантовый компьютер рассматривается как среда для обучающего агента. Агенту поручено достичь цели с помощью высокоточного гейта. Агент может производить различные действия с окружающей средой (в нашем случае подавать импульсы на квантовый компьютер).
Агент учится достигать своей цели, используя набор измеряемых наблюдаемых и вознаграждение в зависимости от того, насколько он близок к своей цели. Наша награда зависит от верности ворот. Алгоритм обучения использует эту информацию для повышения производительности агента после ряда экспериментов.
Подводя итоги
- Чтобы понять, что это за окружающая среда и состояние, агент отправляет серию импульсов на квантовый компьютер.
- Затем агент принимает это состояние и использует эту информацию, чтобы решить, какое действие предпринять дальше.
На практике агент принимает состояние и использует нейронную сеть, чтобы решить, какое действие предпринять в следующем сегменте импульса. Мы квантуем амплитуду импульса, чтобы учащийся мог выбрать из конечного набора вариантов.
Полный импульс ворот называется эпизодом, а вознаграждение (в терминах обучения с подкреплением) для агента в конце эпизода дается государством. Это позволяет нам усилить сигнал ошибки над шумом измерения.
Вышеупомянутое обучение с подкреплением может выполняться с широким кругом учащихся, включая глубокий градиент политики, двойник глубокого детерминированного градиента политики и мягкий критик действующих лиц. У всех этих учащихся есть гиперпараметры, которые необходимо настроить, прежде чем их можно будет использовать в реальном эксперименте.
Эксперименты можно проводить на квантовом компьютере IBM, сочетающем также хорошо известные инструменты квантовых вычислений (как QSkit) и инструменты машинного обучения (как SciKit-learn).
Этот подход, основанный на оптимизированных квантовых вычислениях на основе машинного обучения, показал, что он снижает количество аппаратных ошибок и улучшает точность гейта:
использованная литература
М. Хидары «Квантовые вычисления: прикладной подход »
Т. Якш, Р. Ортнер, П. Ауэр «Почти оптимальные границы сожаления для обучения с подкреплением »
