量子機器學習概念

Google 的 量子超越古典實驗 使用了 53 個含雜訊量子位元來證明，量子電腦可以在 200 秒內完成一項運算，而使用現有演算法的最大型古典電腦則需要 1 萬年才能完成。這標誌著含雜訊中介尺度量子 (NISQ) 運算時代的開始。在未來幾年，預計將出現擁有數十到數百個含雜訊量子位元的量子裝置。

量子運算

量子運算仰賴量子力學特性來運算古典電腦無法企及的問題。量子電腦使用量子位元。量子位元就像電腦中的一般位元，但額外具備疊加能力，並且能彼此分享量子糾纏。

古典電腦執行決定性古典運算，或可使用取樣方法模擬機率程序。透過運用疊加和量子糾纏，量子電腦可以執行古典電腦難以大規模模擬的量子運算。利用 NISQ 量子運算的想法包括最佳化、量子模擬、密碼學和機器學習。

量子機器學習

量子機器學習 (QML) 建構於兩個概念之上：量子資料和混合量子-古典模型。

量子資料

量子資料是指在自然或人工量子系統中發生的任何資料來源。這可以是量子電腦產生的資料，例如從 Sycamore 處理器 收集的樣本，用於 Google 的量子霸權示範。量子資料展現疊加和量子糾纏，導致聯合機率分佈可能需要指數級的古典運算資源才能表示或儲存。量子霸權實驗顯示，可以從 2^53 希爾伯特空間的極其複雜聯合機率分佈中取樣。

NISQ 處理器產生的量子資料含有雜訊，且通常在量測發生前不久才發生量子糾纏。啟發式機器學習技術可以建立模型，盡可能從含雜訊的量子糾纏資料中擷取實用的古典資訊。TensorFlow Quantum (TFQ) 程式庫提供基本功能，可開發能解開量子資料關聯性並將其廣泛化的模型，進而為改進現有量子演算法或探索新量子演算法開創機會。

以下是在量子裝置上產生或模擬的量子資料範例

  • 化學模擬 — 擷取化學結構與動力學的相關資訊，潛在應用領域包括材料科學、計算化學、計算生物學和藥物發現。
  • 量子物質模擬 — 建立高溫超導性或其他展現多體量子效應的奇異物質狀態的模型並進行設計。
  • 量子控制 — 混合量子-古典模型可以透過變分訓練來執行最佳的開迴路或閉迴路控制、校準和錯誤減輕。這包括量子裝置和量子處理器的錯誤偵測與修正策略。
  • 量子通訊網路 — 使用機器學習來區分非正交量子態，應用於結構化量子中繼器、量子接收器和純化單元的設計與建構。
  • 量子度量學 — 量子增強型高精準度量測 (例如量子感測和量子成像) 本質上是在小型量子裝置探針上完成，且可透過變分量子模型進行設計或改進。

混合量子-古典模型

量子模型可以表示量子力學起源的資料並將其廣泛化。由於近期量子處理器仍然相當小且雜訊多，因此量子模型無法單獨使用量子處理器將量子資料廣泛化。NISQ 處理器必須與古典協同處理器協同運作才能發揮效用。由於 TensorFlow 已支援跨 CPU、GPU 和 TPU 的異質運算，因此它被用作實驗混合量子-古典演算法的基礎平台。

量子神經網路 (QNN) 用於描述參數化量子計算模型，這種模型最適合在量子電腦上執行。此術語通常可與參數化量子電路 (PQC) 互換使用。

研究

在 NISQ 時代，相較於古典演算法具有已知加速效果的量子演算法 (例如 Shor 因數分解演算法 或 Grover 搜尋演算法) 在有意義的規模上仍然不可行。

TensorFlow Quantum 的目標是協助探索 NISQ 時代的演算法，特別關注：

  1. 使用古典機器學習來增強 NISQ 演算法。 我們希望古典機器學習的技術能增進我們對量子運算的理解。在透過古典遞迴神經網路進行量子神經網路的後設學習中，遞迴神經網路 (RNN) 用於探索 QAOA 和 VQE 等演算法的控制參數最佳化，結果顯示此方法比現成的簡易最佳化工具更有效率。而量子控制的機器學習則使用強化學習來協助減輕錯誤並產生更高品質的量子閘。
  2. 使用量子電路為量子資料建立模型。 如果您擁有資料來源的精確描述，則可以對量子資料進行古典建模，但有時這是不可能的。為了解決這個問題，您可以嘗試在量子電腦本身上建立模型，並量測/觀察重要的統計資料。量子卷積神經網路展示了量子電路，其設計結構類似於卷積神經網路 (CNN)，用於偵測物質的不同拓撲相。量子電腦保留資料和模型。古典處理器僅看到模型輸出的量測樣本，而從未看到資料本身。在在含雜訊量子電腦上進行穩健的量子糾纏重整化中，作者學習使用 DMERA 模型來壓縮量子多體系統的相關資訊。

量子機器學習的其他關注領域包括：