Квантовое машинное обучение (Quantum Machine Learning)
Квантовая модель –алгоритм, способный представлять и обобщать данные квантово-механического происхождения. Для понимания термина необходимо ввести два вспомогательных понятия – квантовые данные и гибридные квантово-классические модели.
Квантовые данные демонстрируют суперпозицию и запутанность, что приводит к совместным распределениям вероятностей, для представления или хранения которых может потребоваться экспоненциальное количество классических вычислительных ресурсов.
Квантовые данные, которые могут быть сгенерированы / смоделированы на квантовых процессорах / датчиках / сетях, включают моделирование химических веществ и квантовой материи, квантовое управление, квантовые коммуникационные сети, квантовую метрологию и многое другое.
Технический, но ключевой момент заключается в том, что квантовые данные, генерируемые процессорами NISQ (Noisy Intermediate-Scale Quantum), зашумлены и обычно запутываются непосредственно перед измерением. Однако применение квантового машинного обучения к зашумленным запутанным квантовым данным может максимизировать извлечение полезной классической информации. Вдохновленная этими методами, библиотека TensorFlow Quantum предоставляет примитивы для разработки моделей, которые распутывают и обобщают корреляции в квантовых данных, открывая возможности для улучшения существующих квантовых алгоритмов или открытия новых квантовых алгоритмов.
Вторая концепция, которую следует ввести, – это гибридные квантово-классические модели. Поскольку краткосрочные квантовые процессоры все еще довольно малы и шумны, квантовые модели не могут использовать только квантовые процессоры - процессоры NISQ должны будут работать вместе с классическими процессорами, чтобы стать эффективными. Поскольку TensorFlow уже поддерживает гетерогенные вычисления на процессорах, графических процессорах и TPU, это естественная платформа для экспериментов с гибридными квантово-классическими алгоритмами.
Машинное обучение (Machine Learning), хотя оно не является точным моделированием систем в природе, способно изучать систему и прогнозировать ее поведение. За последние несколько лет классические модели показали себя многообещающими в решении сложных научных проблем, что привело к усовершенствованиям в обработке изображений для обнаружения рака, прогнозирования землетрясений, экстремальных погодных условий и обнаружения новых экзопланет. Благодаря недавнему прогрессу в развитии квантовых вычислений, разработка новых моделей квантового машинного обучения может оказать глубокое влияние на самые большие мировые проблемы, что приведет к прорывам в области медицины, материалов и связи. Однако на сегодняшний день не хватает исследовательских инструментов для открытия полезных моделей квантового машинного обучения, которые могут обрабатывать квантовые данные и выполняться на доступных сегодня квантовых компьютерах.
Программное обеспечение
На сегодняшний день Google и IBM предлагают фреймворки для работы с квантовым ML:
Фото: @pueblovista
Автор оригинальной статьи: Alan Ho
