TensorFlow Quantum: библиотека с открытым исходным кодом для квантового машинного обучения

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Сообщение Алана Хо, ведущего продукта, и Масуда Мохсени, технического руководителя Google Research “ " природа не является классической, черт возьми, поэтому, если вы хотите сделать симуляцию природы, вам лучше сделать ее квантово-механической.— Физик Ричард Фейнман Машинное обучение (мл), хотя и не является точным моделированием систем в природе, обладает способностью изучать модель системы и предсказывать ее поведение. За последние несколько лет классические модели мл показали многообещающие результаты в решении сложных научных проблем, что привело к прогрессу в обработке изображений для обнаружения рака, прогнозирования последствий землетрясений, прогнозирование экстремальных погодных условийи обнаружение новых экзопланет. С недавним прогрессом в развитии квантовых вычисленийразработка новых квантовых моделей ML может оказать глубокое влияние на крупнейшие мировые проблемы, что приведет к прорывам в области медицины, материалов, зондирования и связи. Однако на сегодняшний день существует нехватка исследовательских инструментов для обнаружения полезных квантовых моделей мл, которые могут обрабатывать квантовые данные и выполнять их на квантовых компьютерах, доступных сегодня. Сегодня в сотрудничестве с Университетом Ватерлоо, Xи Volkswagen, мы объявляем о выпуске TensorFlow Quantum (TFQ), библиотеки с открытым исходным кодом для быстрого прототипирования квантовых моделей ML. TFQ предоставляет инструменты, необходимые для объединения исследовательских сообществ квантовых вычислений и машинного обучения для управления и моделирования естественных или искусственных квантовых систем; например, шумные квантовые процессоры промежуточного масштаба (NISQ) с ~50-100 кубитами.

Под капотом TFQ интегрирует Cirq с TensorFlowи предлагает высокоуровневые абстракции для проектирования и реализации как дискриминантных, так и генеративных квантово-классических моделей, предоставляя примитивы квантовых вычислений, совместимые с существующими API TensorFlow, а также высокопроизводительные симуляторы квантовых схем. Что такое квантовая модель мл? Квантовая модель обладает способностью представлять и обобщать данные с квантово-механическим происхождением. Однако для понимания квантовых моделей необходимо ввести два понятия-квантовые данные и гибридные квантово-классические модели. Экспонаты квантовых данных суперпозиция и запутанность, приводящие к совместным распределениям вероятностей, которые могут потребовать экспоненциального количества классических вычислительных ресурсов для представления или хранения. Квантовые данные, которые могут быть сгенерированы / смоделированы на квантовых процессорах / датчиках / сетях, включают в себя моделирование химических веществ и квантовой материи, квантовый контроль, квантовые коммуникационные сети, квантовую метрологиюи многое другое. Технический, но ключевой вывод заключается в том, что квантовые данные, генерируемые процессорами NISQ, 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 TFQ 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. Второе понятие, которое нужно ввести, это гибридные квантово-классические модели. Поскольку краткосрочные квантовые процессоры все еще довольно малы и шумны, квантовые модели не могут использовать квантовые процессоры в одиночку — процессоры NISQ должны будут работать совместно с классическими процессорами, чтобы стать эффективными. Поскольку TensorFlow уже поддерживает гетерогенные вычисления между процессорами, графическими процессорами и ТПУ, это естественная платформа для экспериментов с гибридными квантово-классическими алгоритмами. TFQ содержит базовые структуры, такие как кубиты, элементы, схемы и операторы измерения, необходимые для задания квантовых вычислений. Заданные пользователем квантовые вычисления затем могут быть выполнены в симуляции или на реальном оборудовании. Cirq также содержит существенные механизмы, которые помогают пользователям разрабатывать эффективные алгоритмы для машин NISQ, такие как компиляторы и планировщики, и позволяют реализовать гибридные квантово-классические алгоритмы для запуска на квантовых схемных симуляторах и, в конечном счете, на квантовых процессорах. Мы использовали TensorFlow Quantum для гибридных квантово-классических сверточных нейронных сетей, машинного обучения для квантового управления, послойного обучения для квантовых нейронных сетей, обучения квантовой динамике, генеративного моделирования смешанных квантовых состояний и обучения обучению с квантовыми нейронными сетями с помощью классических рекуррентных нейронных сетей. Мы приводим обзор этих квантовых приложений в Белой книге TFQ; каждый пример может быть запущен в браузере через Colab из нашего исследовательского репозитория. Как работает TFQ TFQ позволяет исследователям строить квантовые наборы данных, квантовые модели и классические параметры управления в виде тензоров в одном вычислительном графе. Результат квантовых измерений, приводящий к классическим вероятностным событиям, получается с помощью тензорного потока Ops. Обучение может проводиться с использованием стандартных функций Keras. Чтобы дать некоторое представление о том, как использовать квантовые данные, можно рассмотреть контролируемую классификацию квантовых состояний с использованием квантовой нейронной сети. Как и в классической мл, Ключевой задачей квантовой мл является классификация "зашумленных данных". Чтобы построить и обучить такую модель, исследователь может сделать следующее:

  1. Подготовьте квантовый набор данных-квантовые данные загружаются в виде тензоров (многомерного массива чисел). Каждый тензор квантовых данных задается как квантовая схема, записанная в Cirq, которая генерирует квантовые данные на лету. Тензор выполняется TensorFlow на квантовом компьютере для генерации квантового набора данных.
  2. Оценка квантовой нейросетевой модели - Исследователь может создать прототип квантовой нейронной сети с помощью Cirq, который они позже встроят в вычислительный граф TensorFlow. Параметризованные квантовые модели могут быть выбраны из нескольких широких категорий, основанных на знании структуры квантовых данных. Цель модели состоит в том, чтобы выполнить квантовую обработку для извлечения информации, скрытой в типичном запутанном состоянии. Другими словами, квантовая модель существенно распутывает входные квантовые данные, оставляя скрытую информацию, закодированную в классических корреляциях, что делает ее доступной для локальных измерений и классической постобработки.
  3. Выборочное или среднее - измерение квантовых состояний извлекает классическую информацию в виде выборок из классической случайной величины. Распределение значений этой случайной величины обычно зависит от самого квантового состояния и от измеряемого наблюдаемого. Поскольку многие вариационные алгоритмы зависят от средних значений измерений, также известных как математические ожидания, TFQ предоставляет методы усреднения по нескольким прогонам, включающим шаги (1) и (2).
  4. Оцените классическую модель нейронных сетей - как только классическая информация была извлечена, она находится в формате, поддающемся дальнейшей классической постобработке. Поскольку извлеченная информация все еще может быть закодирована в классических корреляциях между измеренными ожиданиями, классические глубокие нейронные сети могут быть применены для дистилляции таких корреляций.
  5. Оценка функции затрат-учитывая результаты классической постобработки, оценивается функция затрат. Это может быть основано на том, насколько точно модель выполняет задачу классификации, если квантовые данные были помечены, или на других критериях, если задача не контролируется.
  6. Оценить градиенты и обновить параметры - после оценки функции затрат свободные параметры в конвейере должны быть обновлены в направлении, ожидаемом для снижения затрат. Чаще всего это делается с помощью градиентного спуска.
Высокоуровневый абстрактный обзор вычислительных шагов, участвующих в сквозном конвейере для вывода и обучения гибридной квантово-классической дискриминантной модели для квантовых данных в TFQ. Чтобы увидеть код для сквозного примера, пожалуйста, проверьте пример "Hello Many-Worlds", учебник по квантовым сверточным нейронным сетям и наше руководство.

Ключевой особенностью TensorFlow Quantum является возможность одновременно обучать и выполнять множество квантовых схем. Это достигается благодаря способности TensorFlow распараллеливать вычисления в кластере компьютеров и моделировать относительно большие квантовые схемы на многоядерных компьютерах. Чтобы достичь последнего, мы также объявляем о выпуске qsim (GitHub link), нового высокопроизводительного симулятора квантовых схем с открытым исходнымкодом , который продемонстрировал возможность моделировать 32-кубитную квантовую схему с глубиной затвора 14 за 111 секунд на одном узле Google Cloud (n1-ultramem-160) (Подробнее см. Эту статью). Симулятор особенно оптимизирован для многоядерных процессоров Intel. В сочетании с TFQ мы продемонстрировали 1 миллион схем моделирования для 20-кубитной квантовой схемы на глубине затвора 20 за 60 минут на узле Google Cloud (n2-highcpu-80). Дополнительную информацию смотрите в Белой книге TFQ, Раздел II E о моделировании квантовых схем с помощью qsim. Глядя Вперед Сегодня TensorFlow Quantum в первую очередь ориентирован на выполнение квантовых схем на классических квантовых схемных симуляторах. В будущем TFQ сможет выполнять квантовые схемы на реальных квантовых процессорах, поддерживаемых Cirq, включая собственный процессор Google Sycamore. Чтобы узнать больше о TFQ, пожалуйста, прочтите нашу Белую книгу и посетите веб-сайт TensorFlow Quantum. Мы считаем, что объединение ML и квантовых сообществ приведет к захватывающим новым открытиям по всем направлениям и ускорит открытие новых квантовых алгоритмов для решения самых сложных мировых проблем. Этот проект с открытым исходным кодом возглавляется командой Google AI Quantum и был совместно разработан университетом Ватерлоо, Alphabet'S X и Volkswagen. Особая благодарность университету Ватерлоо, чьи студенты внесли значительный вклад в это программное обеспечение с открытым исходным кодом через несколько стажировок в квантовой лаборатории Google AI.


Источник: ai.googleblog.com

Комментарии: