量子機器學習``量子數據''

2020-08-27 工程學習

Skoltech的科學家表明，量子增強的機器學習可用於量子數據（與經典數據相反），克服了這些應用程式所存在的顯著速度下降，並為「開發量子系統的計算見解提供了沃土」。該論文發表在《物理評論》 A上。

量子計算機利用量子力學效應來存儲和處理信息。儘管通常認為量子效應是違反直覺的，但這種效應將使量子增強的計算大大優於最佳的超級計算機。在2019年，全世界都看到了谷歌展示的這種原型的量子計算優勢。

已經開發出量子算法來增強一系列不同的計算任務；最近，它已經包括量子增強的機器學習。量子機器學習部分是由Skoltech駐地量子信息處理實驗室首創的，該實驗室由本文的研究者Jacob Biamonte領導。他說：「機器學習技術已經成為查找數據模式的強大工具。量子系統產生的非典型模式被認為無法有效地產生於經典系統，因此在計算機學習任務上量子計算機的性能要優於傳統計算機也就不足為奇了。」

量子增強機器學習的標準方法是將量子算法應用於經典數據。換句話說，在可以利用量子效應之前，必須存儲經典數據（由1和0的位串表示）或由量子處理器表示。這稱為數據讀取問題。數據讀取用於限制使用量子增強型機器學習算法可能實現的加速。

Skoltech的一組研究人員將量子增強機器學習與量子增強模擬相結合，將他們的方法應用於研究多體量子磁問題中的相變。為此，他們僅使用量子態作為數據來訓練量子神經網絡。換句話說，作者通過提供物質的量子力學狀態來規避數據讀取問題。此類狀態通常似乎需要使用標準（非量子）方法表示的不可能的存儲量。

該研究的主要作者，Skoltech博士生Alexey Uvarov將這項研究描述為「邁向了解用於機器學習的量子設備的力量的一步。」 研究人員合併了各種各樣的技術，其中包括將張量網絡和糾纏理論中的一些想法應用到他們的方法分析中。

這項工作使用了一個稱為變分量子本徵求解器（VQE）的子例程，該子例程可迭代找到給定量子哈密頓量的基態的近似算法。該子例程的輸出是一組指令，用於在量子計算機上準備量子狀態。

但是，將狀態顯式地寫下來通常需要指數級的內存，因此最好通過在硬體中準備狀態來最好地檢查這種狀態的屬性。本文中的學習算法處理以下問題：給定VQE狀態解決量子自旋模型的基態問題，找出該狀態屬於物質的兩個相中的哪一個。

Biamonte指出：「雖然我們將方法聚焦於凝聚態物理問題，但這種量子增強算法同樣適用於材料科學和藥物發現面臨的挑戰。」

相關焦點

  • 量子計算機將如何革新人工智慧，機器學習和大數據
    如果我們將能夠處理我們生成的大量數據並解決非常複雜的問題，那將至關重要。成功的關鍵是將現實世界中的問題轉化為量子語言。我們數據集的複雜性和大小增長速度快於我們的計算資源，因此對我們的計算結構造成了很大的壓力。儘管當今的計算機苦苦掙扎或無法解決某些問題，但希望通過量子計算的力量在幾秒鐘內解決這些相同的問題。
  • 量子物理學機器學習:讓人工智慧學習與運用量子力學
    在剛出版的《 自然通訊 》上，發表了一篇科技論文，題為：「將機器學習和量子化學與分子波函數的深度神經網絡統一起來」，科學家們讓人工智慧學習與運用量子力學。在當代醫學和工業應用中的新型專用分子的化學計算設計過程中，需要求解一些方程。
  • 量子機器學習入門科普:解讀量子力學和機器學習的共生關係
    原作：Reena Shaw安妮 編譯自 KDnuggets量子位 出品 |量子機器學習（Quantum ML）是量子力學和機器學習的一門交叉學科。兩者間像一種共生關係，我們可以利用量子計算的力量生成機器學習算法的量子版本，並應用經典機器學習算法分析量子系統。
  • 「量子霸權」新招數?谷歌量子機器學習開源庫TFQ來了!
    2020年3月9日，谷歌人工智慧確認了TensorFlow Quantum （TFQ)的可用性，這是一個用於快速研發量子機器學習模型的開源庫。這是谷歌「量子霸權」的新招數嗎？其實，早先還有如Pennylane的其他幾個框架，但都沒有TFQ出色。TFQ作為工具箱出現在這個領域，依舊未被公開。筆者已經了解了一些其他框架，但是在研究過TFQ之後，不可否認TFQ是最好的。
  • 機器學習加快了量子化學計算的速度
    量子化學是對量子性質的化學性質和過程的研究，它為現代化學的研究和發現開闢了許多途徑。化學家無需操縱燒杯或試管，就可以通過研究給定原子或分子的電子結構，電子如何在軌道上排列以及它們如何與電子相互作用，來預測給定原子或分子的性質以及它將如何發生化學反應。其他化合物或原子的那些。
  • 很火的量子計算遇上更火的機器學習,能發生什麼
    通常認為其上運行的殺手級應用程式能夠解析大數據，這也是現代加密技術的關鍵問題。但這一技術要落地依舊還需要十多年的時間。在今天，初級量子處理器完全能夠匹配機器學習的需求，這種計算機通過對大量數據的操作，解析出傳統計算機無法識別的細微模式，並且不會因數據的不完整或不確定性而受到影響。
  • 揭秘量子計算機:仍存諸多瓶頸,首要工作是加速機器學習
    編者按：量子計算與機器學習的融合已經成為一個蓬勃發展的研究領域，它能否達到人們對其的期望呢？《量子》雜誌發表了一篇文章詳細介紹了量子計算機的發展狀況及其在機器學習中的運用。文章由36氪編譯。經過幾十年的研究，量子計算機已經有了足夠的計算能力，超越了地球上所有的計算機。它們的殺手級應用通常被認為是處理大量數據，這是現代加密技術的關鍵。不過，這至少還有10年的時間。但即使是今天最基本的量子處理器，也與機器學習的需求驚人地匹配。它們在一個步驟中處理大量數據，挑選出傳統的計算機所忽略的微妙模式，而且不會因不完整或不確定的數據而宕機。
  • 谷歌推出TFQ,一個可訓練量子模型的機器學習框架
    TFQ提供了必要的工具，將量子計算和機器學習技術結合起來，以控制並建模自然或人工的量子計算系統。該框架可構建量子數據集、混合量子模型和經典機器學習模型原型、支持量子電路模擬器，以及訓練判別和生成量子模型。隨著近些年量子計算技術的發展，量子機器學習模型的研發可能會在醫學、材料、傳感和通信領域取得突破，甚至產生深遠影響。不過迄今為止，業界缺乏發現量子機器學習模型的研究工具。該模型可以處理量子數據並在可用的量子計算機上執行。
  • 機器學習技術應用於量子力學基礎研究
    原標題：機器學習技術應用於量子力學基礎研究中科大郭光燦院士團隊李傳鋒、許金時等人與合作者最近將機器學習技術應用於研究量子力學基礎問題，首次實驗實現了基於機器學習算法的多重非經典關聯的同時分類。1935年，愛因斯坦、波多爾斯基和羅森發表了著名的質疑量子力學完備性的文章，後來被稱為EPR佯謬。隨著薛丁格和貝爾等眾多科學家對EPR佯謬的深入研究，人們逐漸理解愛因斯坦所指的「幽靈般的超距作用」來源於量子世界的非定域關聯，並且它還可以進一步細分為量子糾纏、量子導引、貝爾非定域性等層次。
  • 量子力學和量子機器學習緊密相連
    我個人是比較喜歡看書看學術文章的，從量子神經元到量子力學，再到量子機器學習我也把量子計算機學習梳理了一下。個人覺得比較新穎的地方有：量子力學和量子機器學習緊密相連（以量子神經元為例）量子計算機的量子態存儲怎麼計算出來的量子力學之間的關係量子機器學習的模型建立量子物理問題的求解到底是什麼，引起強烈關注以及超過通訊技術的量子力學對量子計算機的影響最重要的，量子技術的革命性，其實在1970s開始就在研究與量子力學相關，也就是電子論量子計算，後來才在物理學中有，比如量子力學標準場論量子材料，從量子力學到量子信息學
  • 「機器學習 + 量子力學」 ,助力探索新材料
    其化學的複雜性意味著，從數學上講，要使用量子力學預測由四元素構成的鉀冰晶石結構在理論上的所有可行組合幾乎是不可能的。| 機器學習助力統計分析依靠現代人工智慧技術，伯爾尼大學化學系 Anatole von Lilienfeld 教授組的博士生 Felix Faber 現在已經成功地解決了這種材料的設計問題。首先，他利用量子力學生成了數千種隨機化學成分構成的冰晶石晶體的預測。
  • 量子計算符合粒子物理學的LHC數據分析
    豐富的數據：對大型強子對撞機質子-質子碰撞中產生希格斯玻色子時產生的粒子軌跡的模擬。（由CERN提供）一項國際合作正在探索如何使用量子計算來分析CERN 的大型強子對撞機（LHC）上的實驗所產生的大量數據。
  • 量子計算符合粒子物理學的LHC數據分析
    （由CERN提供）一項國際合作正在探索如何使用量子計算來分析CERN 的大型強子對撞機（LHC）上的實驗所產生的大量數據。研究人員表明，「量子支持向量機」可以幫助物理學家從CERN產生的大量信息中理解。在LHC上進行的實驗可以從每秒約10億個粒子碰撞中產生驚人的每秒PB的數據。由於實驗只能專注於碰撞事件的子集，因此必須丟棄其中的許多數據。
  • 機器學習助力凝聚態物理研究:實現拓撲量子計算的新希望
    選自Wired、Nature Physics等機器之心編譯參與：微胖、李亞洲發表在 Nature Physics 上的兩篇研究證實，機器學習算法或許可以在識別凝聚物質相變上扮演重要角色，也為量子計算機研究帶來新的曙光。把一盤水放到冰箱裡，它暫時呈現的是液體。然後水的分子堆積成小六邊形，就形成了冰。
  • 量子化學機器學習模擬:提供了誘人的化學前景
    量子化學是應用量子力學的規律和方法來研究化學問題的一門交叉學科。將量子理論應用於原子體系還是分子體系是區分量子物理學與量子化學的標準之一。最早的量子化學計算是1927年布勞（.Burrau）對H+2離子以及同年瓦爾特·海特勒和弗裡茨·倫敦對H2分子的計算，開創量子化學這一交叉學科。經過近八十年發展之後，量子化學已經成為化學家們廣泛應用的一種理論方法。
  • 基於複數神經網絡首發量子機器學習開發工具 「量槳」,飛槳布局...
    人工智慧三要素：算法、算力、數據，持續更進一步，讓AI的邊界不斷拓展。AI工業大生產時代到來，深度學習越來越肩負著人工智慧技術突破與行業落地的重任。特別值得一提的是，峰會現場飛槳率先宣布支持複數神經網絡，支持跨學科的機器學習研究。事實上，去年11月百度大腦就曾發布基於複數CNN網絡語音增強及聲學建模的「一體化」端到端建模技術，前瞻性遙遙領先。此次峰會，百度再次基於複數神經網絡，首發量子機器學習開發工具量槳。飛槳賦能量子計算，成為國內首個、目前也是唯一一個支持量子機器學習開發工具的深度學習平臺。
  • 量子計算+人工智慧?量子智能或將定義人類未來社會的技術圖景
    莫斯科Skolkovo科學與技術學院的量子物理學家Jacob Biamonte說：「機器學習正在成為一個流行詞，而且當你把它和量子混合在一起時，它就成了一個超級流行詞。」不同於數十年前初創時的無人問津，現在量子計算領域可謂鮮花著錦，烈火烹油：谷歌，微軟，IBM等科技巨頭紛紛投入到量子機器學習中，多倫多大學的一家創業孵化公司也致力於此。
  • 英特爾聚焦全棧量子研究，量子計算能給我們帶來什麼
    重要意義：隨著量子計算硬體的不斷發展，機器學習技術將在量子門（quantum gates）的設計優化和部署中大顯身手。 研究重點：將經典數據集有效地加載到量子計算機中論文標題：高效的量子電路可用於準備平穩、可微函數的精確狀態 概述：為了使機器學習能夠利用量子技術實現計算的指數級加速，需要將經典數據有效地加載到量子系統中以便執行。
  • 英特爾全棧量子研究：發布多項重磅量子計算研究成果
    在使用這種技術的商業級量子計算機上需要高保真的多量子比特門。該研究展示了將深度學習框架可成功用於模擬設計量子點量子比特系統的高保真多量子比特門（multi-qubit gates）。重要意義：隨著量子計算硬體的不斷發展，機器學習技術將在量子門（quantum gates）的設計優化和部署中大顯身手。
  • 英特爾聚焦全棧量子研究：發布多項重磅量子計算研究成果
    該研究展示了將深度學習框架成功用於模擬設計量子點量子比特系統的高保真多量子比特門（multi-qubit gates），對於機器學習，機器學習技術將在量子門（quantum gates），需要將經典數據有效地加載到量子系統中以便執行。