Mit Tensorflow Quantum (TFQ) veröffentlicht Google eine Open-Source-Bibliothek, die unter anderem Machine Learning aus rausch-behafteten Quanten-Daten ermöglicht.

Quantenrechner befinden sich nach wie vor auf einem längeren Weg aus den Forschungslaboren in die Industrie. Tatsächlich lassen sich einige Probleme mit speziellen Algorithmen für Quantenrechner deutlich schneller lösen als mit herkömmlichen Rechnern. So meldete Google im Oktober letzten Jahres in Nature, dass der hauseigene Quantenprozessor Sycamore mit seinen 53 Qubits ein Problem in 200 Sekunden gelöst habe, für das der “herkömmliche” Superrechner Summit von IBM 10 000 Jahre brauchen würden.

Diese Aussage wollte IBM so nicht auf sich sitzen lassen. Klar ist jedoch, dass die physikalischen Eigenschaften der Qubits, wie Verschränkung und Superposition, dafür sorgen, dass Nutzer von Quantenrechnern neue und andere Algorithmen benötigen, um diese zu programmieren. Diese zu finden und zu optimieren, lässt sich mit Hilfe von Machine Learning vereinfachen.

Ein Quantum Trost

Hier kommt Tensor Flow Quantum ins Spiel, eine neue Open-Source-Bibliothek für den Einsatz mit Googles Machine-Learning-Plattform Tensorflow. Entwickelt wird die TFQ-Bibliothek, so die Kurzform, auch zusammen mit einem deutschen Unternehmen: Neben VW sind noch die Universität von Waterloo und die von Google gegründete X an Bord.

Die Bibliothek erlaubt 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 auf diese 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.

TFQ Bordmittel

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.