qc ware自己定义为可在量子运算硬件运行的企业九游会官网真人游戏第一品牌的解决方案量子运算即服务(quantum computing-as-a-service,qcaas)公司,最近宣布量子机器学习(quantum machine learning,qml)方面有多项重大突破。
量子机器学习是传统机器学习和量子运算的交集,但由于目前量子运算技术的局限性,所以有用的机器学习主要限制于传统运算领域。目前无法进行量子机器学习的原因有几个:首先,没有可用的量子随机访问内存(qram)。相对传统ram,qram就是量子世界的专属ram,因此有必要将大量传统资料转换成相对应的量子态(quantum state)。
即使已有可用的qram,qram所需的量子位元(qubit)数量也将远远超过任何量子计算机的可用数量。其次,撇开qram的量子位元要求不谈,现今有噪人气子计算机的量子位元数量,不足以完成机器学习所需的复杂运算。
data loaders成为执行距离估测的有效方法,有效缩短qml实际应用时间表
qc ware研究人员开发了data loaders资料加载组件,其为可以有效轻松地将传统资料加载到量子硬件上的qram替代品。它们也是量子计算机上执行距离估测(distance estimation)的有效方法。距离估测是机器学习中使用的一种算法,它试图将每个人信息料点与其他点或具有相似属性的集群进行分组。
qc ware的data loaders可在其名为forge的云计算平台使用。forge支持量子硬件的量子算法、量子硬件模拟器,以及让企业可构建、编辑和执行量子算法之经典模拟器的访问与使用。
“根据qc ware估计,借助forge data loaders,整个产业原本对qml预估还要10~15年才有实际应用出现的时间表将可大大缩短,”qc ware产品和业务开发负责人yianni gamvros表示:“我们的算法团队在量子运算产业取得的成就,相当于量子硬件制造商推出速度比之前产品快10~100倍的芯片。”
qc ware开发两类型的data loaders,一种是平行式data loaders,另一种是优化data loaders,都能将传统资料转换成机器学习应用的量子态。如前所述,qc ware提供了优化的距离估测算法。与qc ware data loaders选项相比,qram硬件和qram量子启发式电路所需的量子位元数量和电路深度(circuit depth)之间存在显著差异。
“想要在近期量子计算机实现性能加速,重要的是要不断推进现有硬件和算法的极限,”qc ware量子算法国际部门负责人iordanis kerenidis指出:“我们一直在努力通过创新算法实现以更少的量子位元和更浅的电路来达到更高性能的目标。”
通过gpu加速,让量子算法测试速度从小时级降至秒级
除了机器学习data loaders,forge最新版本还包括用于gpu加速量子算法的工具。通过gpu加速,根据拍摄数量,算法测试可以减少到几秒钟而不是几小时。
新版本forge包含了各种统包(turnkey)算法实例。考虑到今后预计会进入该领域的新量子开发者数量,以及算法的易用性,这会是一大优势。每个实例都提供了独特的性能优势和功能,例如,现在用户可以针对比以前更大的问题运行量子分类、回归(regression)及集群算法,这是因为这些实例采用了forge data loaders和距离估测。同时提升d-wave平台上针对更大问题之量子退火(quantum annealing)技术的性能达到10到100倍。而且,该算法也可在传统cpu/gpu模拟器等后端上执行。
由于有用的量子机器学习还需要很多年的时间,因此qc ware新产品不仅对qml,乃至整个量子运算发展都提供了积极的贡献。forge添加功能与实例将促进更多能加快qml发展速度的各种研究。
(首图来源:pixabay)