Trong một thông báo trên blog chuyên về AI chính thức của mình Google đã ra mắt TensorFlow Quantum (TFQ), thư viện máy học lượng tử mã nguồn mở được kết hợp giữa điện toán lượng tử với học máy giúp đào tạo các mô hình lượng tử. Google cho biết mã nguồn mô hình máy học AI lượng tử này có thể xử lý dữ liệu lượng tử và thực thi trên máy tính lượng tử.
TFQ cho phép các nhà nghiên cứu xây dựng các bộ dữ liệu lượng tử, mô hình lượng tử và các tham số điều khiển cổ điển thành các thang đo trong biểu đồ tính toán duy nhất. TensorFlow Ops có các phép đo lượng tử xác suất cổ điển, sau đó được đào tạo bằng cách sử dụng các chức năng Keras tiêu chuẩn.
Đối với học máy cổ điển, thách thức chính đối với học máy lượng tử là phân loại "dữ liệu nhiễu". Các bước xây dựng và đào tạo mô hình máy học sẽ được tiến hành qua các bước chung như sau:
- Chuẩn bị tập dữ liệu lượng tử : Dữ liệu lượng tử được tải dưới dạng tenxơ (dãy số nhiều chiều). Mỗi tenxơ dữ liệu lượng tử được chỉ định là một mạch lượng tử viết bằng Cirq, Cirq là công cụ mã nguồn mở để mọi người đều có thể tiếp cận và chỉnh sử phần mềm ,tạo thành dữ liệu lượng tử trong thời gian thực. Các thang đo này được thực hiện bởi TensorFlow trên hệ thống máy tính lượng tử và tạo ra một tập dữ liệu lượng tử.
- Đánh giá mô hình mạng nơ-ron lượng tử: Các nhà nghiên cứu sử dụng Cirq để tạo ra các mạng nơ-ron lượng tử nguyên mẫu và sau đó nhúng chúng vào các biểu đồ tính toán của TensorFlow. Mô hình lượng tử về cơ bản lúc này là khử dữ liệu lượng tử đầu vào để thông tin ẩn được mã hóa được sử dụng đo lường cục bộ và xử lý hậu cổ điển.
- Mẫu - Trạng thái lượng tử trích xuất đo lường thông tin cổ điển dưới dạng mẫu từ các biến ngẫu nhiên lượng tử. Quá trình phân phối các giá trị từ biến ngẫu nhiên này phụ thuộc vào chính trạng thái lượng tử và các giá trị quan sát khi đo.
- Đánh giá các mô hình mạng nơ-ron lượng tử - Sau khi trích xuất thông tin lượng , định dạng của nó phù hợp để xử lý hậu lượng tử cổ điển nữa.
- Đánh giá hàm chi phí - Đánh hàm chi phí dựa trên kết quả của quá trình xử lý hậu cổ điển.
-Đánh giá độ dốc và cập nhật tham số - Sau khi đánh giá hàm chi phí, các tham số miễn phí trong đường ống phải được cập nhật theo hướng dự kiến sẽ giảm chi phí.
Một tính năng quan trọng của TensorFlow Quantum là khả năng huấn luyện và thực hiện đồng thời nhiều mạch lượng tử. Hiện tại, TensorFlow Quantum chủ yếu nhắm vào việc thực hiện các mạch lượng tử trên các mô phỏng mạch lượng tử cổ điển. Hy vọng của Google là trong tương lai TFQ sẽ có thể thực hiện các mạch lượng tử trên các bộ xử lý lượng tử thực tế được Cirq hỗ trợ.
TFQ cho phép các nhà nghiên cứu xây dựng các bộ dữ liệu lượng tử, mô hình lượng tử và các tham số điều khiển cổ điển thành các thang đo trong biểu đồ tính toán duy nhất. TensorFlow Ops có các phép đo lượng tử xác suất cổ điển, sau đó được đào tạo bằng cách sử dụng các chức năng Keras tiêu chuẩn.
Đối với học máy cổ điển, thách thức chính đối với học máy lượng tử là phân loại "dữ liệu nhiễu". Các bước xây dựng và đào tạo mô hình máy học sẽ được tiến hành qua các bước chung như sau:
- Chuẩn bị tập dữ liệu lượng tử : Dữ liệu lượng tử được tải dưới dạng tenxơ (dãy số nhiều chiều). Mỗi tenxơ dữ liệu lượng tử được chỉ định là một mạch lượng tử viết bằng Cirq, Cirq là công cụ mã nguồn mở để mọi người đều có thể tiếp cận và chỉnh sử phần mềm ,tạo thành dữ liệu lượng tử trong thời gian thực. Các thang đo này được thực hiện bởi TensorFlow trên hệ thống máy tính lượng tử và tạo ra một tập dữ liệu lượng tử.
- Đánh giá mô hình mạng nơ-ron lượng tử: Các nhà nghiên cứu sử dụng Cirq để tạo ra các mạng nơ-ron lượng tử nguyên mẫu và sau đó nhúng chúng vào các biểu đồ tính toán của TensorFlow. Mô hình lượng tử về cơ bản lúc này là khử dữ liệu lượng tử đầu vào để thông tin ẩn được mã hóa được sử dụng đo lường cục bộ và xử lý hậu cổ điển.
- Mẫu - Trạng thái lượng tử trích xuất đo lường thông tin cổ điển dưới dạng mẫu từ các biến ngẫu nhiên lượng tử. Quá trình phân phối các giá trị từ biến ngẫu nhiên này phụ thuộc vào chính trạng thái lượng tử và các giá trị quan sát khi đo.
- Đánh giá các mô hình mạng nơ-ron lượng tử - Sau khi trích xuất thông tin lượng , định dạng của nó phù hợp để xử lý hậu lượng tử cổ điển nữa.
- Đánh giá hàm chi phí - Đánh hàm chi phí dựa trên kết quả của quá trình xử lý hậu cổ điển.
-Đánh giá độ dốc và cập nhật tham số - Sau khi đánh giá hàm chi phí, các tham số miễn phí trong đường ống phải được cập nhật theo hướng dự kiến sẽ giảm chi phí.
Một tính năng quan trọng của TensorFlow Quantum là khả năng huấn luyện và thực hiện đồng thời nhiều mạch lượng tử. Hiện tại, TensorFlow Quantum chủ yếu nhắm vào việc thực hiện các mạch lượng tử trên các mô phỏng mạch lượng tử cổ điển. Hy vọng của Google là trong tương lai TFQ sẽ có thể thực hiện các mạch lượng tử trên các bộ xử lý lượng tử thực tế được Cirq hỗ trợ.
