量子机器学习概念

Google 的 超越经典的量子实验 使用了 53 个有噪声量子比特，证明它可以在量子计算机上在 200 秒内执行一项计算，而使用现有算法在最大的经典计算机上需要 10,000 年。这标志着 有噪声中型量子 (NISQ) 计算时代的开始。在未来几年，预计具有几十到几百个有噪声量子比特的量子设备将成为现实。

量子计算

量子计算依赖于量子力学的特性来计算对经典计算机来说遥不可及的问题。量子计算机使用量子比特。量子比特就像计算机中的普通比特，但具有额外的能力，可以进入叠加状态并相互纠缠。

经典计算机执行确定性经典操作，或可以使用采样方法模拟概率过程。通过利用叠加和纠缠，量子计算机可以执行量子操作，而经典计算机很难大规模模拟这些操作。利用 NISQ 量子计算的想法包括优化、量子模拟、密码学和机器学习。

量子机器学习

量子机器学习 (QML) 基于两个概念：量子数据和混合量子经典模型。

量子数据

量子数据是发生在自然或人工量子系统中的任何数据源。这可以是量子计算机生成的数据，例如从 Google 量子霸权演示的 Sycamore 处理器 收集的样本。量子数据表现出叠加和纠缠，导致联合概率分布，可能需要指数数量的经典计算资源来表示或存储。量子霸权实验表明，可以从 2^53 希尔伯特空间的极其复杂的联合概率分布中进行采样。

NISQ 处理器生成的量子数据很嘈杂，并且通常在测量发生之前纠缠在一起。启发式机器学习技术可以创建模型，最大程度地从嘈杂的纠缠数据中提取有用的经典信息。TensorFlow Quantum (TFQ) 库提供了开发模型的基元，这些模型可以解开量子数据中的相关性并对其进行概括，从而为改进现有量子算法或发现新的量子算法创造机会。

以下是可以在量子设备上生成或模拟的量子数据示例

  • 化学模拟 — 提取有关化学结构和动力学的信息，可能应用于材料科学、计算化学、计算生物学和药物发现。
  • 量子物质模拟 — 对高温超导性或其他表现出多体量子效应的奇异物质状态进行建模和设计。
  • 量子控制 — 可以对混合量子经典模型进行变分训练，以执行最佳的开环或闭环控制、校准和错误缓解。这包括量子设备和量子处理器的错误检测和纠正策略。
  • 量子通信网络 — 使用机器学习来区分非正交量子态，应用于设计和构建结构化量子中继器、量子接收器和净化单元。
  • 量子计量学 — 量子增强的高精度测量（例如量子传感和量子成像）本质上是在小规模量子设备上进行的探测，并且可以通过变分量子模型进行设计或改进。

混合量子经典模型

量子模型能够用量子力学起源表示和概括数据。由于近期量子处理器仍然相当小且嘈杂，因此量子模型无法仅使用量子处理器概括量子数据。NISQ 处理器必须与经典协处理器协同工作才能变得有效。由于 TensorFlow 已经支持跨 CPU、GPU 和 TPU 的异构计算，因此它被用作试验混合量子经典算法的基础平台。

量子神经网络 (QNN) 用于描述参数化量子计算模型，该模型最适合在量子计算机上执行。此术语通常与参数化量子电路 (PQC) 互换使用。

研究

在 NISQ 时代，具有已知速度比经典算法更快的量子算法（如 肖氏分解算法 或 格罗弗搜索算法）在有意义的规模上尚未实现。

TensorFlow Quantum 的目标是帮助发现 NISQ 时代的算法，特别关注

  1. 使用经典机器学习来增强 NISQ 算法。希望经典机器学习中的技术可以增强我们对量子计算的理解。在 通过经典循环神经网络进行量子神经网络的元学习 中，循环神经网络 (RNN) 用于发现，对于 QAOA 和 VQE 等算法，控制参数的优化比简单的现成优化器更有效。而 量子控制的机器学习 使用强化学习来帮助减轻错误并产生更高质量的量子门。
  2. 使用量子电路对量子数据建模。如果你有数据源的确切描述，则可以对量子数据进行经典建模，但有时这是不可能的。为了解决这个问题，你可以尝试在量子计算机本身上进行建模并测量/观察重要统计数据。 量子卷积神经网络 展示了一个设计有类似于卷积神经网络 (CNN) 的结构的量子电路，以检测物质的不同拓扑相。量子计算机保存数据和模型。经典处理器仅从模型输出中看到测量样本，而看不到数据本身。在 嘈杂量子计算机上的鲁棒纠缠重整化 中，作者学习使用 DMERA 模型压缩有关量子多体系统的信息。

量子机器学习的其他感兴趣领域包括