معرفی تنسورفلو کوانتوم: یک کتابخانه یادگیری ماشین کوانتومی

منتشرشده در: وبلاگ هوش‌مصنوعی گوگل به تاریخ ۹ مارس ۲۰۲۰
نویسنده: Alan Ho و مسعود محسنی
لینک مقاله اصلی: https://ai.googleblog.com/2020/03/announcing-tensorflow-quantum-open.html

" طبیعت کلاسیک نیست، پس اگر می‌خواهید یک شبیه‌سازی از طبیعت انجام دهید، بهتر است آن را به مکانیک کوانتومی تبدیل کنید."
ریچارد فینمن برنده جایزه نوبل فیزیک ۱۹۶۵

یادگیری ماشین (یادگیری ماشین)، در حالی که به طور دقیق سیستم‌ها را در طبیعت شبیه‌سازی نمی‌کند، توانایی یادگیری یک مدل از یک سیستم و پیش‌بینی رفتار سیستم را دارد. در طول چند سال گذشته، مدل‌های کلاسیک یادگیری ماشین در مقابله با چالش‌های علمی، منجر به پیشرفت‌هایی در پردازش تصویر برای تشخیص سرطان، پیش‌بینی پس‌لرزه‌های زلزله، پیش‌بینی الگوهای آب و هوایی پیچیده و کشف سیاره‌های خارجی جدید شده‌اند. با پیشرفت اخیر در توسعه محاسبات کوانتومی، توسعه مدل‌های جدید کوانتومی یادگیری ماشین می‌تواند تاثیر عمیقی بر بزرگ‌ترین مشکلات جهان داشته باشد و منجر به پیشرفت در حوزه‌های پزشکی، مواد، سنجش و ارتباطات شود. با این حال، تا به امروز فقدان ابزارهای تحقیقاتی برای کشف مدل‌های کوانتومی مفید یادگیری ماشین وجود داشته‌است که بتواند داده‌های کوانتومی را پردازش کرده و بر روی کامپیوترهای کوانتومی موجود اجرا کند.

امروز با هم‌کاری دانشگاه واترلو، شرکت X، و فولکس‌واگن، انتشار تنسورفلو کوانتومی (TFQ)، یک کتابخانه متن‌باز برای نمونه اولیه سریع مدل‌های کوانتومی یادگیری ماشین را اعلام می‌کنیم. TFQ ابزارهای لازم برای کنار هم آوردن محاسبات کوانتومی و جوامع تحقیقاتی یادگیری ماشین، برای کنترل و مدل کردن سیستم‌های کوانتومی طبیعی یا مصنوعی را فراهم می‌کند.

تحت این عنوان، TFQ حاصل ادغام Cirq با تنسورفلو است، و مفاهیم سطح بالا را برای طراحی و پیاده‌سازی هر دو مدل کلاسیک متمایز و کوانتومی با ارایه محاسبات کوانتومی اولیه سازگار با تنسورفلو موجود، همراه با شبیه‌سازهای مدار کوانتومی با عملکرد بالا ارایه می‌دهد.

مدل یادگیری ماشین کوانتوم چیست؟

یک مدل کوانتومی توانایی نمایش و تعمیم داده‌ها با منشا مکانیک کوانتومی را دارد. با این حال، برای درک مدل‌های کوانتومی، دو مفهوم باید معرفی شوند: داده‌های کوانتومی و مدل‌های کوانتومی پیوندی.

داده‌های کوانتومی ابرموقعیت و درهم‌تنیدگی را نشان می‌دهند که منجر به توزیع‌های احتمالی مشترکی می‌شوند که می‌توانند برای نمایش یا ذخیره به مقدار نمایی از منابع محاسباتی کلاسیک نیاز داشته باشند. داده‌های کوانتومی که می‌توانند بر روی پردازنده‌های کوانتومی/سنسورها/شبکه‌ها تولید یا شبیه‌سازی شوند، شامل شبیه‌سازی مواد شیمیایی و کوانتومی، کنترل کوانتومی، شبکه‌های ارتباطی کوانتومی، هواشناسی کوانتومی و غیره هستند.

یک دیدگاه فنی اما کلیدی این است که داده‌های کوانتومی تولید شده توسط پردازشگرهای NISQ پر سر و صدا هستند و معمولا درست قبل از اینکه اندازه‌گیری رخ دهد درهم گره می‌خورند. با این حال، استفاده از یادگیری ماشین کوانتومی در داده‌های کوانتومی شلوغ و پر سر و صدا می‌تواند استخراج اطلاعات کلاسیک مفید را به حداکثر برساند. کتابخانه TFQ با الهام از این تکنیک‌ها، مقدمات توسعه مدل‌هایی را فراهم می‌کند که همبستگی در داده‌های کوانتومی را مجزا کرده و تعمیم می‌دهند و فرصت‌هایی را برای بهبود الگوریتم های کوانتومی موجود یا کشف الگوریتم های کوانتومی جدید ایجاد می‌کنند.

مفهوم دوم برای معرفی مدل‌های کوانتومی ترکیبی است. از آنجایی که پردازنده‌های کوانتومی کوتاه‌مدت هنوز هم کوچک و پر سر و صدا هستند، مدل‌های کوانتومی نمی‌توانند به تنهایی از پردازنده‌های کوانتومی استفاده کنند. همانطور که تنسورفلو از محاسبات ناهمگن در سرتاسر CPU ها، GPUها و TPUها پشتیبانی می‌کند، این یک بستر طبیعی برای آزمایش الگوریتم های کوانتومی ترکیبی است.

کتابخانه TFQ شامل ساختارهای اساسی مانند کیوبیت، گیت‌ها، مدارها و اپراتورهای اندازه‌گیری است که برای تعیین محاسبات کوانتومی مورد نیاز هستند. سپس محاسبات کوانتومی تعیین‌شده توسط کاربر می‌تواند در شبیه‌سازی یا بر روی سخت‌افزار واقعی اجرا شود. مدار همچنین شامل امکانات قابل‌توجهی است که به کاربران در طراحی الگوریتم های کارآمد برای ماشین‌های NISQ مانند کامپایلرها و زمانبندها کمک می‌کند و پیاده‌سازی الگوریتم‌های هیبریدی کوانتومی کلاسیک را قادر می‌سازد تا بر روی شبیه سازه‌ای مدار کوانتومی و در نهایت بر روی پردازنده‌های کوانتومی اجرا شود.

ما از تنسورفلو کوانتومی برای شبکه‌های عصبی کانولوشنی پیوندی کلاسیک کوانتومی، یادگیری ماشین برای کنترل کوانتومی، یادگیری لایه‌ای برای شبکه‌های عصبی کوانتومی، یادگیری دینامیک کوانتومی، مدل‌سازی مولد حالت‌های کوانتومی مختلط، و یادگیری با شبکه‌های عصبی کوانتومی از طریق شبکه‌های عصبی بازگشتی کلاسیک استفاده کرده‌ایم. ما مروری بر این کاربردهای کوانتومی در مقاله TFQ ارایه می‌دهیم؛ هر مثال می‌تواند از طریق Colab از مخزن تحقیقاتی ما در یک مرورگر داخلی اجرا شود.

نحوه کار TFQ

کتابخانه TFQ به محققان اجازه می‌دهد تا مجموعه داده‌های کوانتومی، مدل‌های کوانتومی و پارامترهای کنترل کلاسیک را به عنوان تانسور در یک گراف محاسباتی بسازند. نتیجه اندازه‌گیری‌های کوانتومی، که منجر به رویداده‌ای احتمالاتی کلاسیک می‌شود، توسط ضرایب تنسورفلو به دست می‌آید. آموزش می‌تواند با استفاده از توابع استاندارد Keras انجام شود.

توضیح مفهومی‌تر در مورد چگونگی استفاده از داده‌های کوانتومی، می‌توان یک طبقه‌بندی نظارت شده از حالت‌های کوانتومی را با استفاده از یک شبکه عصبی کوانتومی در نظر گرفت. درست مانند شیوه کلاسیک یادگیری ماشین، چالش اصلی کوانتوم یادگیری ماشین دسته‌بندی "داده‌های نویزی" است. برای ساخت و آموزش چنین مدلی، محقق می‌تواند کاره‌ای زیر را انجام دهد:

• یک مجموعه داده کوانتومی آماده کنید - داده‌های کوانتومی به عنوان تانسور بارگذاری می‌شوند (یک آرایه چند بعدی از اعداد). هر تانسور داده کوانتومی به عنوان یک مدار کوانتومی نوشته شده در مدار که داده‌های کوانتومی روی صفحه را تولید می‌کند، مشخص می‌شود. تانسور توسط تنسورفلو روی کامپیوتر کوانتومی برای تولید مجموعه داده کوانتومی اجرا می‌شود.
• ارزیابی یک مدل شبکه عصبی کوانتومی - محقق می‌تواند یک شبکه عصبی کوانتومی را با استفاده از Cirq که بعدا در داخل یک گراف محاسبه تنسورفلو تعبیه خواهند کرد، نمونه‌برداری کند. مدل‌های کوانتومی پارامتریزه را می توان از چندین گروه گسترده براساس دانش ساختار دیتای کوانتومی انتخاب کرد. هدف از این مدل انجام پردازش کوانتومی به منظور استخراج اطلاعات پنهان در یک حالت پیچیده است. به عبارت دیگر، مدل کوانتومی اساسا ورودی داده‌های کوانتومی را از هم جدا می‌کند، و اطلاعات پنهانی که در همبستگی‌های کلاسیک کد می‌شوند را رها می‌کند، بنابراین آن را برای اندازه‌گیری‌های محلی و پس‌پردازش کلاسیک قابل‌دسترس می‌سازد.
• نمونه یا میانگین - اندازه‌گیری حالات کوانتومی اطلاعات کلاسیک را به شکل نمونه‌های یک متغیر تصادفی کلاسیک استخراج می‌کند. توزیع مقادیر این متغیر تصادفی عموما به خود حالت کوانتومی و مشاهده‌پذیر اندازه‌گیری شده بستگی دارد. از آنجا که بسیاری از الگوریتم های متغیر به مقادیر میانگین اندازه‌گیری‌ها، که به عنوان مقادیر مورد انتظار نیز شناخته می‌شوند، وابسته هستند، TFQ روش‌هایی را برای میانگین گیری در چندین اجرا شامل مراحل (۱)و (۲) فراهم می‌کند.
• یک مدل شبکه‌های عصبی کلاسیک را ارزیابی کنید - زمانی که اطلاعات کلاسیک استخراج شد، در یک فرمت مناسب برای پس پردازش کلاسیک بیشتر است. از آنجا که اطلاعات استخراج‌شده هنوز هم ممکن است در همبستگی کلاسیک بین انتظارات اندازه‌گیری شده کدگذاری شوند، شبکه‌های عصبی عمیق کلاسیک می‌توانند برای تعیین این همبستگی‌ها به کار روند.
• ارزیابی عملکرد هزینه - با توجه به نتایج پس پردازش کلاسیک، یک تابع هزینه ارزیابی می‌شود. این می‌تواند براساس این باشد که مدل چقدر دقیق کار طبقه‌بندی را انجام می‌دهد اگر داده‌های کوانتومی برچسب دار باشند، یا معیارهای دیگر اگر کار تحت نظارت نباشد.
• پارامترهای به‌روزرسانی مناسب را ارزیابی کنید - بعد از ارزیابی تابع هزینه، پارامترهای آزاد در خط لوله باید در جهتی که انتظار می‌رود هزینه را کاهش دهد، به‌روز شوند. این کار معمولا از طریق نزول گرادیانی انجام می‌شود.

ویژگی کلیدی تنسورفلو کوانتومی، توانایی آموزش و اجرای همزمان بسیاری از مدارهای کوانتومی است. این امر با توانایی تنسورفلو برای موازی کردن محاسبات در میان خوشه‌ای از کامپیوترها و توانایی شبیه‌سازی مدارهای کوانتومی نسبتا بزرگ روی کامپیوترهای چند هسته‌ای به دست آمده است. برای رسیدن به این هدف، ما همچنین انتشار qsim (لینک در گیت‌هاب) را اعلام می‌کنیم، که یک شبیه‌ساز مدار کوانتومی است، که توانایی شبیه‌سازی یک مدار کوانتومی ۳۲ کیوبیت با عمق گیت ۱۴ در ۱۱۱ ثانیه بر روی یک تک‌گره ابر گوگل (n1-ultramem-160) را نشان داده‌است (این مقاله را برای جزئیات بیشتر ببینید). شبیه‌ساز به طور خاص برای پردازنده‌های چند هسته‌ای اینتل بهینه شده‌است. به همراه TFQ، ما یک میلیون شبیه‌سازی مداری را برای مدار کوانتومی ۲۰ کیوبیت در عمق گیت ۲۰ در ۶۰ دقیقه روی گره ابر گوگل (n2-highcpu-80) نشان داده‌ایم. برای اطلاعات بیشتر به مقاله TFQ، بخش II E در شبیه‌سازی مدار کوانتومی با qsim مراجعه کنید.

این مقاله به صورت خودکار با استفاده از موتور ترجمه مقالات هوش مصنوعی ترجمه شده و با حداقل بررسی انشانی منتشر شده است