COMPARTIR ARTICLE
PER
Carles Ramon Escandell
Enginyer Quàntic Júnior
Tota la indústria genera ara més d ženy de la que pot processar fàcilment, i els models d'aprenentatge automàtic que l'analitzen no paren de més car d'entrenar i executar. L'aprenentatge automàtic quàntic explora si els sistemes quàntics poden assumir algunes d'aquestes tasques d'aprenentatge utilitzant menys recursos.
Una de les tasques més habituals d'aquestes és previsiódonat un flux de dades que es desenvolupa al llarg del temps, com ara lectures de sensors, demanda energètica o senyals financers, l'objectiu és predir què ve a continuació a partir dels patrons del passat recent. Per a això es va crear el «Quantum Reservoir Computing» (QRC). A diferència de la majoria d'enfocaments d'aprenentatge automàtic quàntic, el QRC no entren el sistema quàntic: la seva dinàmica es manté fixa i només s'entrena una lectura lineal, la qual cosa facilita la seva implementació en el maquinari quàntic actual.
El problema de la formació
La majoria dels algorismes d'aprenentatge automàtic quàntic segueixen la mateixa estratègia. Dissenyeu un circuit quàntic amb portes d'un i dos qubits ajustables, executeu-lo, mesureu-ne la sortida, compareu-la amb la resposta que volíeu, ajusteu els paràmetres i torneu-ho a començar. Milers de vegades. Cada ajust significa tornar a executar el maquinari quàntic, així que l'entrenament és lent i costós.
Aquests algorismes també s'enfronten a un repte més gran conegut com a replans estèrils. L'entrenament avança seguint petites millores pas a pas, com caminar avall a la recerca del punt més baix d'una vall. A mesura que aquests circuits creixen, el paisatge es torna pla gairebé a tot arreu. No hi ha cap pendent a seguir, res indica com ajustar els paràmetres i l'entrenament es queda encallat abans de trobar res útil.
Altres models quàntics mantenen la part entrenable dins del sistema quàntic, no pas en les portes, sinó en les interaccions entre els qubits. Una màquina de Boltzmann quàntica, l'exemple estàndard, aprèn exactament d'aquesta manera. La dificultat rau a entrenar aquestes interaccions. Els mètodes per fer-ho existeixen sobre el paper, però necessiten maquinari quàntic més enllà del que està disponible avui dia, de manera que entrenar aquests models a una escala útil continua sent impossible. A més a més, les interaccions que el model necessita potser no són les que el dispositiu pot oferir.
El patró darrere de tots dos problemes és el mateix. Mentre allò que s'està entrenant visqui dins del sistema quàntic, cada pas d'entrenament ha de passar pel maquinari quàntic, amb tot el seu cost i les complicacions de manipular i ajustar un dispositiu quàntic. El Computatge de Reservori Quàntic adopta el punt de vista contrari. L'entrenament es manté completament en el costat clàssic, mentre que els paràmetres del sistema quàntic romanen fixos.
Com funciona
Un dipòsit quàntic processa una sèrie temporal pas a pas. En cada pas, el següent valor del senyal s'escriu al sistema quàntic, el el sistema llavors evoluciona sota la seva dinàmica fixa, barrejant aquesta entrada en el seu estat intern, i després es pren un conjunt de mesures. Aquestes mesures no són més que números, una instantània del sistema en aquell moment, i es converteixen en els ingredients a partir dels quals es construeix la predicció. Aquests números s'introdueixen a l'única part de tot l'esquema que s'arriba a entrenar, una regressió lineal que aprèn a combinar-les en la predicció. Aquesta formació és econòmica, troba sempre la millor combinació possible i ho fa en un sol càlcul..
El sistema quàntic contribueix allò que una regressió lineal no podria fer mai per si sola. La seva dinàmica barreja cada nova entrada amb les que van arribar anteriorment, i això és el que proporciona la memòria de reserva. L'estat del sistema no depèn només de l'última entrada sinó també de les anteriors, de manera que les mesures preses a cada pas porten informació sobre el passat recent. És per això que el mètode és molt adequat per a la previsió. Una corba de demanda energètica, els cicles de càrrega i descàrrega d'una cel·la de bateria, les lectures de sensors d'una línia de producció, totes aquestes senyals porten el seu futur en les correlacions del seu passat recent, i exactament aquí és on un reservori quàntic és útil.
On encaixa el treball de Qilimanjaro
La computació de dipòsit quàntic és especialment adequada per a hardware quàntic analògic. Els processadors analògics evolucionen contínuament sota un hamiltonià en lloc d'executar seqüències de portes discretes, coincidint amb la dinàmica fixa de la qual depèn un reservori quàntic. El dispositiu evoluciona sota la seva dinàmica natural i es mesura, sense que s'optimitzi ni s'ajusti res a l'interior del sistema quàntic.
L'equip d'investigació de Qilimanjaro està desenvolupant mètodes QRC en maquinari analògic com a part d'un programa més ampli sobre aprenentatge automàtic quàntic per a aplicacions industrials. Aplicacions com previsió energètica, optimització de la xarxa i fabricació de bateries proporcionen casos de prova ideals perquè generen fluxos continus de dades de sèries temporals, exactament el tipus de problemes per als quals el reservoir computing està dissenyat per resoldre.
Aquest article ha presentat els principis del Computing de Reservori Quàntic. El següent mostrarà com construir i simular un dipòsit quàntic utilitzant QiliSDK, el marc de codi obert de Qilimanjaro, amb simulacions que podeu executar vosaltres mateixos.
Publicacions científiques relacionades
Nature | Communication Physics
