EITC/AI/TFQML TensorFlow Quantum Machine Learning

Das Quantencomputing begann in den frühen 1980er Jahren, als der Physiker Paul Benioff ein quantenmechanisches Modell der Turing-Maschine vorschlug. Richard Feynman und Yuri Manin schlugen später vor, dass ein Quantencomputer das Potenzial habe, Dinge zu simulieren, die ein klassischer Computer nicht könnte. 1994 entwickelte Peter Shor einen Quantenalgorithmus zum Faktorisieren von ganzen Zahlen, der das Potenzial hatte, RSA-verschlüsselte Kommunikation zu entschlüsseln. Trotz des anhaltenden experimentellen Fortschritts seit Ende der neunziger Jahre glauben die meisten Forscher, dass "fehlertolerantes Quantencomputing immer noch ein weit entfernter Traum ist". In den letzten Jahren haben die Investitionen in die Quantencomputerforschung sowohl im öffentlichen als auch im privaten Sektor zugenommen. Am 1990. Oktober 23 gab Google AI in Zusammenarbeit mit der US-amerikanischen National Aeronautics and Space Administration (NASA) an, eine Quantenberechnung durchgeführt zu haben, die auf keinem klassischen Computer möglich ist (sogenanntes Quantenüberlegenheitsergebnis).

Es gibt verschiedene Modelle von Quantencomputern (oder vielmehr Quantencomputersystemen), einschließlich des Quantenschaltungsmodells, der Quanten-Turing-Maschine, des adiabatischen Quantencomputers, des Einweg-Quantencomputers und verschiedener quantenzellulärer Automaten. Das am weitesten verbreitete Modell ist die Quantenschaltung. Quantenschaltungen basieren auf dem Quantenbit oder "Qubit", das dem Bit in der klassischen Berechnung etwas analog ist. Qubits können sich in einem 1- oder 0-Quantenzustand befinden oder sie können sich in einer Überlagerung der 1- und 0-Zustände befinden. Wenn jedoch Qubits gemessen werden, ist das Ergebnis der Messung immer entweder eine 0 oder eine 1; Die Wahrscheinlichkeiten dieser beiden Ergebnisse hängen vom Quantenzustand ab, in dem sich die Qubits unmittelbar vor der Messung befanden.

Die Fortschritte beim Aufbau eines physikalischen Quantencomputers konzentrieren sich auf Technologien wie Transmons, Ionenfallen und topologische Quantencomputer, die darauf abzielen, qualitativ hochwertige Qubits zu erzeugen. Diese Qubits können abhängig vom Rechenmodell des vollständigen Quantencomputers unterschiedlich ausgelegt sein, unabhängig davon, ob es sich um Quantenlogikgatter, Quantenglühen oder adiabatische Quantenberechnung handelt. Derzeit gibt es eine Reihe bedeutender Hindernisse beim Aufbau nützlicher Quantencomputer. Insbesondere ist es schwierig, die Quantenzustände von Qubits aufrechtzuerhalten, da sie unter Quantendekohärenz und Zustandstreue leiden. Quantencomputer erfordern daher eine Fehlerkorrektur. Jedes Rechenproblem, das mit einem klassischen Computer gelöst werden kann, kann auch mit einem Quantencomputer gelöst werden. Umgekehrt kann jedes Problem, das von einem Quantencomputer gelöst werden kann, auch von einem klassischen Computer gelöst werden, zumindest im Prinzip, wenn genügend Zeit zur Verfügung steht. Mit anderen Worten, Quantencomputer gehorchen der Church-Turing-These. Während dies bedeutet, dass Quantencomputer keine zusätzlichen Vorteile gegenüber klassischen Computern hinsichtlich der Berechenbarkeit bieten, weisen Quantenalgorithmen für bestimmte Probleme eine erheblich geringere Zeitkomplexität auf als entsprechende bekannte klassische Algorithmen. Insbesondere wird angenommen, dass Quantencomputer in der Lage sind, bestimmte Probleme, die kein klassischer Computer in einer realisierbaren Zeitspanne lösen kann, schnell zu lösen - eine Leistung, die als „Quantenüberlegenheit“ bekannt ist. Die Untersuchung der rechnerischen Komplexität von Problemen in Bezug auf Quantencomputer ist als Quantenkomplexitätstheorie bekannt.

Im Jahr 2019 erledigte Sycamore eine Aufgabe in 200 Sekunden, von der Google in einem Nature-Artikel behauptete, dass die Fertigstellung eines hochmodernen Supercomputers 10,000 Jahre dauern würde. So behauptete Google, die Quantenüberlegenheit erreicht zu haben. Um die Zeit abzuschätzen, die ein klassischer Supercomputer benötigen würde, hat Google Teile der Quantenschaltungssimulation auf dem Summit, dem leistungsstärksten klassischen Computer der Welt, ausgeführt. Später machte IBM ein Gegenargument und behauptete, dass die Aufgabe auf einem klassischen System wie Summit nur 2.5 Tage dauern würde. Wenn die Behauptungen von Google bestätigt werden, würde dies einen exponentiellen Sprung in der Rechenleistung bedeuten.

Im August 2020 berichteten Quanteningenieure, die für Google arbeiteten, über die größte chemische Simulation auf einem Quantencomputer - eine Hartree-Fock-Näherung mit Sycamore in Kombination mit einem klassischen Computer, der die Ergebnisse analysierte, um neue Parameter für das 12-Qubit-System bereitzustellen.

Im Dezember 2020 erreichte der von USTC entwickelte chinesische photonenbasierte Jiuzhang-Prozessor eine Verarbeitungsleistung von 76 Qubits und war 10 Milliarden Mal schneller als Sycamore. Damit war er der zweite Computer, der die Quantenüberlegenheit erlangte.

Das Quantum AI Lab wurde von Google Research am 16. Mai 2013 in einem Blogbeitrag angekündigt. Zum Zeitpunkt des Starts verwendete das Lab den fortschrittlichsten kommerziell erhältlichen Quantencomputer, D-Wave Two von D-Wave Systems.

Am 20. Mai 2013 wurde bekannt gegeben, dass sich Personen für die Nutzung der Zeit auf der D-Wave Two im Labor bewerben können. Am 10. Oktober 2013 veröffentlichte Google einen Kurzfilm, der den aktuellen Stand des Quantum AI Lab beschreibt. Am 18. Oktober 2013 gab Google bekannt, dass es die Quantenphysik in Minecraft integriert hat.

Im Januar 2014 berichtete Google über Ergebnisse, in denen die Leistung des D-Wave Two im Labor mit der von klassischen Computern verglichen wurde. Die Ergebnisse waren nicht eindeutig und lösten im Internet heftige Diskussionen aus. Am 2. September 2014 wurde bekannt gegeben, dass das Quantum AI Lab in Zusammenarbeit mit der UC Santa Barbara eine Initiative zur Schaffung von Quanteninformationsprozessoren auf der Basis supraleitender Elektronik starten wird.

Am 23. Oktober 2019 gab das Quantum AI Lab in einem Papier bekannt, dass es die Quantenüberlegenheit erreicht hat.

Quantum Computing soll bei der Entwicklung der Innovationen von morgen, einschließlich der KI, helfen. Aus diesem Grund setzt Google erhebliche Ressourcen für den Aufbau dedizierter Quantenhardware und -software ein.

Quantum Computing ist ein neues Paradigma, das eine große Rolle bei der Beschleunigung von Aufgaben für die KI spielen wird. Google möchte Forschern und Entwicklern Zugriff auf Open Source-Frameworks und Rechenleistung bieten, die über die klassischen Rechenfunktionen hinausgehen können.

Die Hauptschwerpunkte von Google AI Quantum sind

• Supraleitende Qubit-Prozessoren: Supraleitende Qubits mit chipbasierter skalierbarer Architektur für einen Zwei-Qubit-Gate-Fehler <0.5%.
• Qubit-Metrologie: Die Reduzierung des Zwei-Qubit-Verlusts unter 0.2% ist für die Fehlerkorrektur von entscheidender Bedeutung. Wir arbeiten an einem Quantenüberlegenheitsexperiment, um eine Quantenschaltung zu testen, die über die Fähigkeiten moderner klassischer Computer und Algorithmen hinausgeht.
• Quantensimulation: Die Simulation physikalischer Systeme gehört zu den am meisten erwarteten Anwendungen des Quantencomputers. Wir konzentrieren uns insbesondere auf Quantenalgorithmen zur Modellierung von Systemen wechselwirkender Elektronen mit Anwendungen in Chemie und Materialwissenschaften.
• Quantenunterstützte Optimierung: Wir entwickeln hybride quantenklassische Löser für die ungefähre Optimierung. Thermische Sprünge in klassischen Algorithmen zur Überwindung von Energiebarrieren könnten durch Aufrufen von Quantenaktualisierungen verbessert werden. Wir sind insbesondere an einem kohärenten Bevölkerungsaustausch interessiert.
• Quantenneurale Netze: Wir entwickeln ein Framework zur Implementierung eines quantenneuralen Netzes auf Kurzzeitprozessoren. Wir sind daran interessiert zu verstehen, welche Vorteile sich aus der Erzeugung massiver Überlagerungszustände während des Betriebs des Netzwerks ergeben können.

Die wichtigsten von Google AI Quantum entwickelten Tools sind Open-Source-Frameworks, die speziell für die Entwicklung neuartiger Quantenalgorithmen entwickelt wurden, um kurzfristige Anwendungen für praktische Probleme zu lösen. Diese schließen ein:

• Cirq: Ein Open-Source-Quanten-Framework zum Erstellen und Experimentieren mit verrauschten NISQ-Algorithmen (Intermediate Scale Quantum) auf kurzfristigen Quantenprozessoren
• OpenFermion: Eine Open-Source-Plattform zur Übersetzung von Problemen in Chemie und Materialwissenschaften in Quantenschaltungen, die auf vorhandenen Plattformen ausgeführt werden können

Zu den kurzfristigen Anwendungen von Google AI Quantum gehören:

Quantensimulation

Das Design neuer Materialien und die Aufklärung komplexer Physik durch genaue Simulationen von Chemie- und Kondensationsmodellen gehören zu den vielversprechendsten Anwendungen des Quantencomputers.

Techniken zur Fehlerminderung

Wir arbeiten an der Entwicklung von Methoden auf dem Weg zur vollständigen Quantenfehlerkorrektur, mit denen das Rauschen in aktuellen Geräten drastisch reduziert werden kann. Während fehlertolerantes Quantencomputing in vollem Umfang erhebliche Entwicklungen erfordern kann, haben wir die Quantum-Subraum-Expansionstechnik entwickelt, um Techniken aus der Quantenfehlerkorrektur zu nutzen und die Leistung von Anwendungen auf kurzfristigen Geräten zu verbessern. Darüber hinaus erleichtern diese Techniken das Testen komplexer Quantencodes auf kurzfristigen Geräten. Wir treiben diese Techniken aktiv in neue Bereiche und nutzen sie als Grundlage für die Gestaltung kurzfristiger Experimente.

Quantenmaschinelles Lernen

Wir entwickeln hybride quantenklassische Techniken des maschinellen Lernens auf kurzfristigen Quantengeräten. Wir untersuchen das universelle Lernen von Quantenschaltungen zur Klassifizierung und Clusterbildung von Quanten- und klassischen Daten. Wir sind auch an generativen und diskriminativen quantenneuralen Netzen interessiert, die als Quantenwiederholer und Zustandsreinigungseinheiten innerhalb von Quantenkommunikationsnetzen oder zur Verifizierung anderer Quantenschaltungen verwendet werden könnten.

Quantenoptimierung

Diskrete Optimierungen in der Luft- und Raumfahrt, in der Automobilindustrie und in anderen Branchen können von einer hybriden quantenklassischen Optimierung profitieren, z. B. simuliertes Tempern, quantenunterstützter Optimierungsalgorithmus (QAOA) und quantenverstärkter Populationstransfer können bei heutigen Prozessoren von Nutzen sein.