EITC/AI/TFQML TensorFlow Quantum Machine Learning

Kvantecomputering begyndte i begyndelsen af ​​1980'erne, da fysikeren Paul Benioff foreslog en kvantemekanisk model af Turing-maskinen. Richard Feynman og Yuri Manin foreslog senere, at en kvantecomputer havde potentialet til at simulere ting, som en klassisk computer ikke kunne. I 1994 udviklede Peter Shor en kvantealgoritme til factoring af heltal, der havde potentiale til at dekryptere RSA-krypteret kommunikation. På trods af igangværende eksperimentelle fremskridt siden slutningen af ​​1990'erne, mener de fleste forskere, at "fejltolerant kvanteberegning stadig er en ret fjern drøm." I de senere år er investeringerne i forskning i kvantecomputer steget i både den offentlige og den private sektor. Den 23. oktober 2019 hævdede Google AI i partnerskab med US National Aeronautics and Space Administration (NASA) at have udført en kvanteberegning, der er umulig på enhver klassisk computer (såkaldt quantum supremacy result).

Der er flere modeller af kvantecomputere (eller rettere kvantecomputersystemer), herunder kvantekredsløbsmodellen, kvanteturingmaskine, adiabatisk kvantecomputer, envejs kvantecomputer og forskellige kvantecelleautomater. Den mest anvendte model er kvantekredsløbet. Kvantekredsløb er baseret på kvantebiten eller "qubit", som er noget analog med biten i klassisk beregning. Qubits kan være i kvantetilstand 1 eller 0, eller de kan være i en superposition af tilstandene 1 og 0. Men når qubits måles, er resultatet af målingen altid enten 0 eller 1; sandsynligheden for disse to resultater afhænger af kvantetilstanden, som qubits var i umiddelbart før målingen.

Fremskridt hen imod opbygning af en fysisk kvantecomputer fokuserer på teknologier såsom transmoner, ionfælder og topologiske kvantecomputere, der sigter mod at skabe qubits af høj kvalitet. Disse qubits kan designes forskelligt, afhængigt af den fulde kvantecomputers computermodel, hvad enten kvantelogiske porte, kvanteudglødning eller adiabatisk kvanteberegning. Der er i øjeblikket en række væsentlige hindringer i vejen for konstruktion af nyttige kvantecomputere. Især er det vanskeligt at opretholde kvantetilstande for qubits, da de lider af kvantedekoherens og tilstandsfidelitet. Kvantecomputere kræver derfor fejlkorrektion. Ethvert beregningsproblem, der kan løses af en klassisk computer, kan også løses af en kvantecomputer. Omvendt kan ethvert problem, der kan løses af en kvantecomputer, også løses af en klassisk computer, i det mindste i princippet givet tilstrækkelig tid. Med andre ord adlyder kvantecomputere Church-Turing-afhandlingen. Mens dette betyder, at kvantecomputere ikke giver yderligere fordele i forhold til klassiske computere med hensyn til beregningsevne, har kvantealgoritmer for visse problemer betydeligt lavere tidskompleksiteter end tilsvarende kendte klassiske algoritmer. Især menes kvantecomputere at være i stand til hurtigt at løse visse problemer, som ingen klassisk computer kunne løse på nogen mulig tid - en bedrift kendt som "kvanteherredømme". Undersøgelsen af ​​beregningskompleksiteten af ​​problemer med hensyn til kvantecomputere er kendt som kvantekompleksitetsteori.

I 2019 afsluttede Sycamore en opgave på 200 sekunder, som Google hævdede, i et Nature-papir, at det ville tage en avanceret supercomputer 10,000 år at afslutte. Google hævdede således at have opnået kvanteoverherredømme. For at estimere den tid, som en klassisk supercomputer ville tage, kørte Google dele af kvantekredsløbssimuleringen på topmødet, den mest magtfulde klassiske computer i verden. Senere fremsatte IBM et modargument og hævdede, at opgaven kun ville tage 2.5 dage på et klassisk system som Summit. Hvis Googles krav opretholdes, vil det repræsentere et eksponentielt spring i computerkraft.

I august 2020 rapporterede kvanteingeniører, der arbejder for Google, den største kemiske simulering på en kvantecomputer - en Hartree-Fock-tilnærmelse med Sycamore parret med en klassisk computer, der analyserede resultaterne for at give nye parametre til 12-qubit-systemet.

I december 2020 opnåede den kinesiske fotonbaserede Jiuzhang-processor, udviklet af USTC, en processorkraft på 76 qubits og var 10 milliarder gange hurtigere end Sycamore, hvilket gjorde det til den anden computer, der opnåede kvanteoverherredømme.

Quantum AI Lab blev annonceret af Google Research i et blogindlæg den 16. maj 2013. På tidspunktet for lanceringen brugte Lab den mest avancerede kommercielt tilgængelige kvantecomputer, D-Wave Two fra D-Wave Systems.

Den 20. maj 2013 blev det meddelt, at folk kunne ansøge om at bruge tid på D-Wave Two på Lab. Den 10. oktober 2013 udgav Google en kortfilm, der beskriver den aktuelle tilstand for Quantum AI Lab. Den 18. oktober 2013 meddelte Google, at det havde indarbejdet kvantefysik i Minecraft.

I januar 2014 rapporterede Google resultater, der sammenlignede ydeevnen for D-Wave Two i laboratoriet med den for klassiske computere. Resultaterne var tvetydige og fremkaldte heftig diskussion på Internettet. Den 2. september 2014 blev det meddelt, at Quantum AI Lab, i partnerskab med UC Santa Barbara, ville lancere et initiativ til at skabe kvanteinformationsprocessorer baseret på superledende elektronik.

Den 23. oktober 2019 meddelte Quantum AI Lab i et papir, at det havde opnået kvanteoverherredømme.

Quantum computing anses for at hjælpe med at udvikle morgendagens innovationer, herunder AI. Derfor afsætter Google betydelige ressourcer til at opbygge dedikeret kvantehardware og -software.

Quantum computing er et nyt paradigme, der vil spille en stor rolle i at fremskynde opgaver for AI. Google sigter mod at tilbyde forskere og udviklere adgang til open source-rammer og computerkraft, der kan fungere ud over klassiske beregningsfunktioner.

De vigtigste fokusområder i Google AI Quantum er

• Superledende qubit-processorer: Superledende qubits med chipbaseret skalerbar arkitektur, der målretter to-qubit gate-fejl <0.5%.
• Qubit-metrologi: At reducere tab på to qubit under 0.2% er afgørende for fejlkorrektion. Vi arbejder på et kvante-overherredømme-eksperiment for at tilnærme prøve et kvantekredsløb ud over mulighederne i moderne klassiske computere og algoritmer.
• Kvantesimulering: Simulering af fysiske systemer er blandt de mest forventede anvendelser af kvantecomputering. Vi fokuserer især på kvantealgoritmer til modellering af interagerende elektroner med applikationer inden for kemi og materialevidenskab.
• Kvanteassisteret optimering: Vi udvikler hybrid kvante-klassiske solvere til omtrentlig optimering. Termiske spring i klassiske algoritmer for at overvinde energibarrierer kunne forbedres ved at påberåbe sig kvanteopdateringer. Vi er især interesserede i sammenhængende befolkningsoverførsel.
• Kvante neurale netværk: Vi udvikler en ramme til implementering af et kvante neuralt netværk på kortvarige processorer. Vi er interesserede i at forstå, hvilke fordele der kan opstå ved at generere massive superpositionstilstande under driften af ​​netværket.

De vigtigste værktøjer, der er udviklet af Google AI Quantum, er open source-rammer, der er specielt designet til at udvikle nye kvantealgoritmer til at hjælpe med at løse kortvarige applikationer til praktiske problemer. Disse inkluderer:

• Cirq: en open source-kvanteramme til opbygning og eksperimentering med støjende kvantealgoritmer (NISQ) på kortvarige kvanteprocessorer
• OpenFermion: en open source-platform til oversættelse af problemer inden for kemi og materialevidenskab til kvantekredsløb, der kan udføres på eksisterende platforme

Google AI Quantum-kortvarige applikationer inkluderer:

Kvantesimulering

Designet af nye materialer og belysning af kompleks fysik gennem nøjagtige simuleringer af kemi og kondenseret materiale er blandt de mest lovende anvendelser af kvanteberegning.

Fejlafhjælpningsteknikker

Vi arbejder på at udvikle metoder på vejen til fuld korrektionsfejlkorrektion, der har mulighed for dramatisk at reducere støj i nuværende enheder. Selvom fejltolerant kvanteberegning i fuld skala kan kræve en betydelig udvikling, har vi udviklet kvanteundersides udvidelsesteknikken for at hjælpe med at udnytte teknikker fra kvantefejlkorrektion for at forbedre ydeevnen for applikationer på nærtidsenheder. Desuden letter disse teknikker test af komplekse kvantekoder på kortvarige enheder. Vi skubber aktivt disse teknikker ind i nye områder og udnytter dem som grundlag for design af kortvarige eksperimenter.

Kvantemaskinelæring

Vi udvikler hybrid kvante-klassisk maskinlæringsteknikker på kortvarige kvanteenheder. Vi studerer universel kvantekredslæring for klassificering og gruppering af kvante- og klassiske data. Vi er også interesserede i generative og diskriminerende kvante neurale netværk, der kan bruges som kvante-repeatere og tilstandsrensningsenheder inden for kvantekommunikationsnetværk eller til verifikation af andre kvantekredsløb.

Kvanteoptimering

Diskrete optimeringer i luftfarts-, bil- og andre industrier kan drage fordel af hybrid kvante-klassisk optimering, for eksempel kan simuleret annealing, kvanteassisteret optimeringsalgoritme (QAOA) og kvanteforbedret befolkningsoverførsel have nytte med nutidens processorer.