Tensorflow: Google bringt Machine-Learning auf Quantenrechner
Die Forschung an Machine-Learning sowie an Quantencomputern will Google mit Tensorflow Quantum zusammenbringen. Dabei hilft auch Volkswagen.
Google hat die Machine-Learning-Plattform Tensorflow Quantum (TFQ) als Open Source veröffentlicht, wie das Unternehmen in seinem AI-Blog mitteilt. Entwickelt wird die TFQ-Bibliothek unter anderem zusammen mit dem deutschen Autohersteller Volkswagen. Daran beteiligt sind außerdem noch die Universität von Waterloo und das von Google gegründete Unternehmen X.
Die Bibliothek ermöglicht ein schnelles Prototyping von Machine-Learning-Modellen für Quantenrechner. Diese müssen in der Lage sein, Daten quantenmechanischen Ursprungs zu verarbeiten (Quantum Data), die sich auf Quantenrechnern erzeugen und simulieren lassen. Die von den derzeitigen NISQ-Prozessoren mit 50 bis 100 Qubit erzeugten Daten sind allerdings mit Rauschen behaftet und typischerweise verschränkt.
Signale aus dem Rauschen ziehen
Sie mit Quanten-Machine-Learning-Algorithmen zu behandeln, erhöht laut dem Blogpost die Menge an klassischen Informationen, die sich aus diesen Quanten-Daten ziehen lassen. Die TFQ hilft dabei, Modelle zu entwickeln, um die verschränkten Daten aufzubrechen und zuzuordnen. Dabei unterstützt das Quanten-Machine-Learning die Forscher vor allem dabei, die mit Rauschen behafteten Daten zu klassifizieren. Am Ende hilft das dabei, existierende Quanten-Algorithmen zu optimieren und neue zu finden.
Neben dem Umgang mit Quantendaten soll die TFQ-Bibliothek auch bei hybriden Quanten-klassischen Modellen helfen. Hier geht es um Brücken-Algorithmen, die klassisches mit Quanten-Computing verbinden. Weil die aktuellen Quanten-Prozessoren wie der erwähnte NISQ noch vergleichsweise wenige Qubits liefern und viel Rauschen erzeugen, können sich die Quanten-Modelle nicht allein darauf verlassen. Sie müssen zugleich klassische Prozessoren einbeziehen. Weil Tensorflow solche vielfältigen Compute-Umgebungen, die CPUs, GPUs und TPUs verwenden, bereits unterstützt, bietet sich die Plattform auch für hybride Quanten-klassische Algorithmen an.
Unter der Haube verbindet die TFQ-Bibliothek CIRQ, Googles Open-Source-Framework für NISQ-Algorithmen, mit Tensorflow. TFQ bringt grundlegende Strukturen wie Qubits, Gates, Schaltkreise und Mess-Operatoren mit, die für Quantenberechnungen nötig sind. Die benutzerspezifischen Berechnungen lassen sich dann in Simulationen oder auch echter Hardware ausführen. Ein Whitepaper zu TFQ zeigt im Detail und anhand von Quanten-Anwendungen, wie Google die neue Bibliothek einsetzt.
Oder nutzen Sie das Golem-pur-Angebot
und lesen Golem.de
- ohne Werbung
- mit ausgeschaltetem Javascript
- mit RSS-Volltext-Feed
