Quantum Machine Learning with TensorFlow Quantum


Share this article

ถ้าหากลองคิดถึง Trend ที่กำลังมาแรงที่สุดในยุคนี้ก็คงจะหนีไม่พ้นเรื่องของ Data และ Machine Learning (ML) ศาสตร์ที่ว่ากันด้วยเรื่องของการนำข้อมูลมาสร้างแบบจำลองในการทำนายหรือเพื่อพัฒนาระบบ Automation Classical Machine Learning (Classical ML) ซึ่งคือ ML ที่เรารู้จักกันทุกวันนี้ถูกใช้อย่างแพร่หลายในการสร้างแบบจำลองของระบบหนึ่งๆ เพื่อทำนายพฤติกรรมของระบบนั้น ๆ และตลอดหลายปีที่ผ่านมานี้ Classical ML นั้นก็ได้แสดงให้ถึงประสิทธิภาพอันยอดเยี่ยมของมันในงานด้านวิทยาศาสตร์ ไม่ว่าจะเป็นการทำนาย Aftershock หลังการเกิดแผ่นดินไหว การทำนายสภาพอากาศ หรือแม้กระทั่งการเติมเต็มภาพถ่ายของหลุมดำ ซึ่งเป็นหนึ่งในเหตุการณ์ประวัติศาสตร์ของโลก แต่แท้จริงแล้วธรรมชาติเป็นสิ่งที่เราไม่อาจทำความเข้าใจมันได้อย่างสมบูรณ์แบบ การสร้างแบบจำลองใด ๆ เพื่อทำนายพฤติกรรมของธรรมชาตินั้น ย่อมเป็นเรื่องที่ยากและท้าทายเป็นอย่างมาก

 

ธรรมชาติไม่ใช่ระบบเชิงคลาสสิกหรอกนะ เพราะฉนั้นถ้าเราคิดจะสร้างแบบจำลองของธรรมชาติ เราก็ควรจะต้องสร้างแบบจำลองบนระบบที่เป็นกลศาสตร์เชิงควอนตัม (Quantum Mechanics) —Richard Feynman

 

นี่คือคำพูดของนักฟิสิกส์เจ้าของรางวัลโนเบลสาขาฟิสิกส์ในปี ค.ศ. 1965 ซึ่งเป็นแรงบันดาลใจให้กับงานวิจัยด้านฟิสิกส์เชิงควอนตัม (Quantum Physics) ในการใช้ระบบกลศาสตร์เชิงควอนตัม เพื่อใช้สร้างแบบจำลองทำนายพฤติกรรมของธรรมชาติ และในปัจจุบันงานวิจัยด้านการประมวลผลเชิงควอนตัม (Quantum Computing) ก็กำลังเป็นที่สนใจของผู้คนมากมายทั่วโลก และได้มีการพัฒนา Quantum Machine Learning (Quantum ML) ซึ่งอาจทำให้มนุษย์แก้โจทย์ที่ท้าทาย อย่างการสร้างยาต้านไวรัส หรืองานด้านการออกแบบวัสดุได้ แต่อย่างไรก็ตาม ในตอนนี้ Quantum ML ยังคงอยู่ในช่วงการวิจัยและพัฒนา ในปัจจุบันเครื่องมือสำหรับทำงานวิจัยด้านนี้ไม่ได้มีหลากหลายมากนัก ซึ่งหนึ่งในนั้นคือ TensorFlow Quantum (TFQ) ที่เพิ่งเปิดตัวโดย Google เพื่อใช้สร้างแบบจำลองของระบบที่เป็น Hybrid Quantum-Classical ML และวันนี้เราจึงจะมาทำความรู้จักกับเครื่องมือตัวนี้กัน

TensorFlow Quantum (TFQ) คือ Library สำหรับใช้งานในด้าน Quantum ML โดยมีพื้นฐานมาจาก TensorFlow ที่ใช้ใน Classical ML นั่นเอง โดย TFQ จะเน้นการทำงานสำหรับข้อมูลเชิงควอนตัม (Quantum Data) และ
การสร้าง Hybrid Quantum-Classical ML ส่วนการประมวลผลเชิงควอนตัม (ในที่นี้คือการออกแบบ Quantum Circuits ก็เปรียบเสมือนเป็น ML Models) นั้นจะใช้ Library ที่ชื่อว่า Cirq (ซึ่งถูกพัฒนาโดย Google เช่นกัน) มาสร้าง Quantum Circuits โดยหลักการทำงานคร่าวๆของ TFQ ในการใช้ Hybrid Quantum-Classical ML เพื่อพัฒนาแบบจำลองต่าง ๆ  Google ได้อธิบายลำดับการทำงานไว้ 6 ขั้นตอนดังนี้

 

1. การเตรียมชุดข้อมูลเชิงควอนตัม (Quantum Dataset)

ชุดข้อมูลเชิงควอนตัมจะถูกนำเข้าสู่ระบบเป็น Tensor (Multi-dimensional Array) โดยข้อมูลแต่ละตัวจะถูกแทนด้วย Quantum Circuit ที่เขียนด้วย Cirq หลังจากนั้นจึงนำข้อมูลไปประมวลผลด้วย TensorFlow บนควอนตัมคอมพิวเตอร์ (หรือเครื่องจำลองควอนตัมคอมพิวเตอร์)

 

2. Quantum Neural Network

ผู้ใช้งานสามารถทดลองสร้าง Quantum Neural Network ด้วย Cirq ซึ่งจะถูกนำไปใช้ใน TensorFlow Compute Graph และวัดผลแบบจำลองเชิงควอนตัม ผ่านการวัดเชิงควอนตัม (Quantum Measurement) ซึ่งเป็นวิธีการที่ใช้ในการตรวจสอบข้อมูลในระบบควอนตัมให้สามารถนำข้อมูลนั้นเข้าสู่ระบบคลาสสิกได้ โดยจะทำให้คุณสมบัติของความเป็นควอนตัมหายไปทั้งหมด แล้วจึงจะได้ผลลัพธ์ ที่จะนำไปประมวลผลต่อในระบบคอมพิวเตอร์แบบคลาสสิก (Classical Computing) ทั้งหมดนี้เพื่อวัดผลการทำงานของแบบจำลองเชิงควอนตัมอีกที่หนึ่ง

 

3. หาตัวอย่างจากตัวแปรสุ่มหรือหาค่าเฉลี่ย (Sample or Average)

การวัดเชิงควอนตัม หรือ Quantum Measurement จะทำให้ได้ข้อมูลในรูปแบบตัวอย่างจากตัวแปรสุ่มในระบบเชิงคลาสสิก การกระจายตัวของค่าจากตัวแปรสุ่มนี้ โดยทั่วไปจะขึ้นอยู่กับสถานะเชิงควอนตัมของตัวเอง และค่าที่ได้จากการวัด เนื่องจากอัลกอริทึมเชิงควอนตัมมีความแปรปรวนสูง ขึ้นอยู่กับค่าเฉลี่ยของการวัด หรือเรียกว่าการหาค่าคาดหวัง (Expectation Value)

 

4. Classical Neural Network

หลังจากที่ได้ข้อมูลจากการวัดเชิงควอนตัม (เป็นข้อมูลในระบบเชิงคลาสสิก) มาแล้ว จะนำเข้าไปยัง Classical Neural Network เพื่อทำการคำนวณในระบบเชิงคลาสสิก

 

5. การประเมิน Cost Function

หลังจากผ่านการประมวลผลในระบบเชิงคลาสสิก ก็จะทำให้สามารถวัดผลด้วย Cost Function ได้ ซึ่งค่าที่ได้ก็คือความสามารถในการทำนาย

 

6. การประเมิน Gradients และ อัพเดท Parameters

จากนั้น คำนวณหา Gradient แล้วอัพเดท Parameters เพื่อทำให้ได้ค่า Cost Function ลดลง ซึ่งก็คือการปรับแต่ง Quantum Circuits นั่นเอง

READ  5 บริษัทชั้นนำที่พิสูจน์แล้วว่า Big Data มีดี
ลำดับการทำ Hybrid quantum-classical ML

 

และนี่ก็คือก้าวเล็กๆ ของการวิจัยด้าน Quantum ML เพื่อช่วยให้นักวิจัยสามารถศึกษาและผลิตผลงานการวิจัยออกมาอย่างต่อเนื่อง ซึ่งในปัจจุบันนั้น TFQ ยังคงนำ Quantum Circuits ไปทำงานบน Classical Quantum Simulator อยู่ (เครื่องจำลองควอนตัมคอมพิวเตอร์) แต่ในอนาคต Google ได้ประกาศว่าจะพัฒนาให้สามารถนำมาใช้งานบนเครื่องควอนตัมคอมพิวเตอร์ของ Google ที่รองรับการใช้งาน Cirq อีกด้วย

 

Reference

Announcing TensorFlow Quantum: An Open Source Library for Quantum Machine Learning


Leave a Reply  

Your Email Required address will not be published. Required fields are marked *

ลงทะเบียนรับข่าวสาร

ไม่พลาดทุกการอัพเดทจาก Big Data Experience Center

Big Data Experience Center (BX)

ชั้น 14 อาคาร Knowledge Exchange Center (KX)
110/1 ถนนกรุงธนบุรี, แขวงบางลำภูล่าง เขตคลองสาน กรุงเทพฯ 10600
อีเมล์: [email protected]
Tel: 097-941-9889

ABOUT

SERVICES