Nhà vật lý Richard Feynman từng nói: “Tự nhiên không chỉ có thuyết lượng tử và thuyết tương đối. Nếu muốn làm một bản mô phỏng của tự nhiên, thì hãy biến nó thành cơ học lượng tử.”

Mặc dù không mô phỏng hoàn toàn chính xác các hệ thống trong tự nhiên, nhưng machine learning (ML) có khả năng học hỏi và dự đoán hành vi của các hệ thống đó. Trong vài năm qua, các mô hình ML ngày càng phát triển, và đã giải quyết được các vấn đề hóc búa như xử lý hình ảnh phục vụ chẩn đoán ung thư, dự báo dư chấn động đất, dự báo các kiểu thời tiết khắc nghiệt hay phát hiện các ngoại hành tinh mới. Hơn nữa, với sự phát triển của điện toán lượng tử (quantum computing), các mô hình ML lượng tử (quantum ML) cũng đang dần phát triển, mở ra những đột phá mới trong các lĩnh vực như y học, vật liệu, cảm biến và truyền thông. Tuy nhiên, hiện nay, do vẫn còn thiếu các công cụ nghiên cứu, nên việc khám phá các mô hình ML lượng tử giúp xử lý dữ liệu lượng tử và dành riêng cho máy tính lượng tử còn chưa hoàn thiện.

Vì vậy, Google đã hợp tác cùng Đại học Waterloo, X và Volkswagen, cho ra mắt TensorFlow Quantum (TFQ), một thư viện mã nguồn mở cho các mô hình học máy lượng tử nguyên mẫu. TFQ cung cấp các công cụ hữu ích cho cộng đồng nghiên cứu máy tính và máy học lượng tử, nhằm kiểm soát và mô hình hóa các hệ lượng tử tự nhiên và nhân tạo. Ví dụ như: Noisy Intermediate Scale Quantum (NISQ) processor với khoảng 50 – 100 qubit.

TFQ tích hợp Cirq vào TensorFlow, cung cấp các nguyên hàm điện toán lượng tử tương thích với các API mô phỏng lượng tử hiện có, cùng với các mô phỏng mạch lượng tử hiệu suất cao, từ đó, đưa ra ý tưởng cho quá trình thiết kế và thực hiện các mô hình lượng tử sinh mẫu và phân biệt.

Mô hình ML lượng tử (Quantum ML Model) là gì?

Một mô hình lượng tử có khả năng thể hiện và khái quát hóa dữ liệu với nguồn gốc cơ học lượng tử. Tuy nhiên, để hiểu hơn về mô hình lượng tử, cần nắm rõ hai khái niệm về dữ liệu lượng tử và mô hình lượng tử hybrid.

Đầu tiên, dữ liệu lượng tử có thể được tạo hay được mô phỏng trên bộ xử lý, cảm biến hay mạng lượng tử. Dữ liệu lượng tử bao gồm mô phỏng hóa chất và vật chất lượng tử, kiểm soát lượng tử, mạng truyền thông lượng tử, đo lường lượng tử,…

Dữ liệu lượng tử được tạo ra bởi NISQ – một bộ xử lý khá ồn và thường bị vướng trước khi đo. Tuy nhiên, áp dụng ML lượng tử vào dữ liệu lượng tử vướng lại có thể khai thác tối đa các thông tin hữu ích. Vì vậy, thư viện TFQ đã cung cấp các nguyên mẫu để phát triển các mô hình giải quyết và khái quát hóa các mối tương quan trong dữ liệu lượng tử, mở ra cơ hội cải thiện các thuật toán lượng tử hiện có và tìm ra các thuật toán lượng tử mới.

Thứ hai là định nghĩa về mô hình lượng tử hybrid. Do bộ xử lý lượng tử ngắn hạn vẫn còn khá nhỏ và ồn, nên các mô hình lượng tử không thể chỉ sử dụng bộ xử lý lượng tử. Vì vậy, bộ xử lý NISQ sẽ cần phối hợp với bộ xử lý cổ điển để đạt được hiệu quả mong muốn. Do TensorFlow hỗ trợ tính toán không đồng nhất trên CPU, GPU và TPU, đây là một nền tảng để thử nghiệm các thuật toán lượng tử hybrid.

TFQ chứa các cấu trúc cơ bản, như qubit, cổng, mạch và toán tử đo lường để chỉ định tính toán lượng tử. Tính toán lượng tử sau đó được thực hiện trong mô phỏng hoặc trên phần cứng thực. Cirq cũng góp phần giúp người dùng thiết kế các thuật toán hiệu quả cho các máy NISQ, chẳng hạn như trình biên dịch và lập lịch, và cho phép thực hiện các thuật toán lượng tử cổ điển hybrid chạy trên các trình mô phỏng mạch lượng tử và cuối cùng là trên các bộ xử lý lượng tử.

Google sử dụng TensorFlow Quantum cho các mạng nơ-ron tích chập lượng tử cổ điển hybrid, machine learning cho kiểm soát lượng tử, khả năng học hỏi cho mạng n- ron lượng tử, khả năng học hỏi động lực lượng tử, mô hình hóa các trạng thái lượng tử hỗn hợp và học cách học với mạng nơ ron lượng tử mạng lưới thần kinh tái phát cổ điển. Google cũng đưa ra một bản đánh giá về các ứng dụng lượng tử này trong sách trắng TFQ; mỗi ví dụ có thể được chạy trong trình duyệt thông qua Colab từ kho lưu trữ nghiên cứu của tập đoàn.

Cách thức hoạt động của TFQ

TFQ cho phép các nhà nghiên cứu xây dựng các bộ dữ liệu lượng tử, mô hình lượng tử và các tham số điều khiển cổ điển thành các thang đo trong biểu đồ tính toán duy nhất. TensorFlow Ops có các phép đo lượng tử xác suất cổ điển, sau đó được đào tạo bằng cách sử dụng các chức năng Keras tiêu chuẩn.

Đối với học máy cổ điển, thách thức chính đối với học máy lượng tử là phân loại “dữ liệu nhiễu”. Các bước xây dựng và đào tạo mô hình máy học như sau:

  • Chuẩn bị tập dữ liệu lượng tử: Dữ liệu lượng tử được tải dưới dạng tenxơ (dãy số nhiều chiều). Mỗi tenxơ dữ liệu lượng tử được chỉ định là một mạch lượng tử viết bằng Cirq, Cirq là công cụ mã nguồn mở để mọi người đều có thể tiếp cận và chỉnh sử phần mềm, tạo thành dữ liệu lượng tử trong thời gian thực. Các thang đo này được thực hiện bởi TensorFlow trên hệ thống máy tính lượng tử và tạo ra một tập dữ liệu lượng tử.
  • Đánh giá mô hình mạng nơ-ron lượng tử: Các nhà nghiên cứu sử dụng Cirq để tạo ra các mạng nơ-ron lượng tử nguyên mẫu và sau đó nhúng chúng vào các biểu đồ tính toán của TensorFlow. Mô hình lượng tử về cơ bản lúc này là khử dữ liệu lượng tử đầu vào để thông tin ẩn được mã hóa được sử dụng đo lường cục bộ và xử lý hậu cổ điển.
  • Mẫu: Trạng thái lượng tử trích xuất đo lường thông tin cổ điển dưới dạng mẫu từ các biến ngẫu nhiên lượng tử. Quá trình phân phối các giá trị từ biến ngẫu nhiên này phụ thuộc vào chính trạng thái lượng tử và các giá trị quan sát khi đo.
  • Đánh giá các mô hình mạng nơ-ron lượng tử: Sau khi trích xuất thông tin lượng, định dạng của nó phù hợp để xử lý hậu lượng tử cổ điển.
  • Đánh giá hàm chi phí: Đánh hàm chi phí dựa trên kết quả của quá trình xử lý hậu cổ điển.
  • Đánh giá độ dốc và cập nhật tham số: Sau khi đánh giá hàm chi phí, các tham số miễn phí trong đường ống phải được cập nhật theo hướng dự kiến sẽ giảm chi phí.
Tổng quan các bước tính toán nhằm suy luận và đào tạo mô hình lượng tử hybrid cho dữ liệu lượng tử trong TFQ.

Nhờ khả năng đồng thời tính toán trên một cụm máy tính và khả năng mô phỏng các mạch lượng tử tương đối lớn trên các máy tính đa lõi, TensorFlow Quantum có khả năng huấn luyện và thực hiện đồng thời nhiều mạch lượng tử. Google cũng cho ra mắt qsim (liên kết github), một trình mô phỏng mạch lượng tử nguồn mở hiệu suất cao mới, có khả năng mô phỏng mạch lượng tử 32 qubit với cổng sâu 14 trong 111 giây trên một nút Google Cloud (n1-ultramem-160). Trình mô phỏng được tối ưu hóa đặc biệt cho bộ xử lý Intel đa lõi. Kết hợp với TFQ, Google đã thực hiện 1 triệu mô phỏng mạch cho mạch lượng tử 20 qubit ở cổng sâu 20 trong 60 phút trên nút Google Cloud (n2-highcpu-80).

Hiện tại, TensorFlow Quantum chủ yếu nhắm vào việc thực hiện các mạch lượng tử trên các mô phỏng mạch lượng tử cổ điển. Google kỳ vọng trong tương lai TFQ sẽ có thể thực hiện các mạch lượng tử trên các bộ xử lý lượng tử thực tế hỗ trợ bởi Cirq, và cả trên bộ xử lý của Google – Sycamore. Để tìm hiểu thêm về TFQ, vui lòng đọc white paper và truy cập trang website của TensorFlow Quantum.

FPT TechInsight
Theo Google AI Blog

Tin liên quan: