구글이 양자 머신러닝 라이브러리 'TensorFlow Quantum'을 공개

 

Google은 워털루 대학, 폭스 바겐, 기밀 연구 기관 'X'와 공동으로 양자 머신러닝 라이브러리 TensorFlow Quantum (TFQ)을 공개했습니다. TFQ는 양자 컴퓨팅과 머신러닝 연구 커뮤니티를 결합하여 양자의 구조를 모델링하기 위한 도구입니다.

TensorFlow Quantum : A Software Framework for Quantum Machine Learning

Google AI Blog : Announcing TensorFlow Quantum

 

TensorFlow Quantum

TensorFlow Quantum

 

TFQ는 양자 노이즈가 존재하는 양자 프로세서 NISQ를 위한 Google이 개발한 프레임 워크 Cirq를 기존 TensorFlow 라이브러리에 통합한 것. 기존 TensorFlow API와의 호환성을 갖는 양자 컴퓨팅을 실현하고 있습니다.

Announcing Cirq: An Open Source Framework for NISQ Algorithms

 

양자 머신러닝 모델을 이해하기 위해서는 '양자 데이터'와 '양자 고전 하이브리드 모델'을 먼저 이해할 필요가 있습니다. 

 

양자 데이터는 양자가 서로 겹치거나 얽히거나 하는 '양자 얽힘'을 갖는 NISQ에 의해 생성된 데이터입니다. 양자 데이터에 노이즈가 포함되어 있지만, 양자 머신러닝을 노이즈가 많은 양자 데이터에 적용하면 고전적인 형식의 정보를 최대한 추출할 수 있는 것입니다. TFQ는 이 성질에서 착안한 라이브러리로 양자 데이터를 풀어서 일반화 하기 위한 기초를 제공합니다.

NISQ는 노이즈가 많고 규모가 작기 때문에 고전 프로세서와 함께 사용함으로써 효율적인 계산이 가능하지만 이러한 계산을 가능하게 하는 것이 양자 고전 하이브리드 모델입니다. TFQ는 양자 비트와 양자 게이트, 양자 회로등 지금까지의 양자 컴퓨팅에 이용되는 일반적인 구조 외에도 Cirq에 포함되어 있는 NISQ용 컴파일러와 스케줄러를 탑재하여 효율적으로 양자 고전 하이브리드 모델을 실현하고 있습니다.

 

TFQ 양자 데이터를 처리할 때, 우선 양자 모델에 의한 데이터의 평가가 이루어집니다. 여기에서는 양자 얽힘을 갖고 있는 양자 데이터를 풀어내, 그 중첩 속에 숨겨진 고전 형식의 정보를 추출합니다. 양자 상태를 나타내는 고전적인 형식의 임의 변수는 샘플링 또는 평균화되어, 신경망의 고전적인 컴퓨팅을 통해 데이터를 처리합니다. 그 후, 목적 함수를 최적화 하도록 각 변수가 업데이트됩니다.

 

TFQ의 특징은 다수의 양자 회로로 병렬 계산이 가능하며, 비교적 규모가 큰 양자 회로를 멀티코어 프로세서에서 시뮬레이션이 가능한 점입니다.특히 후자를 실현하기 위해 Intel의 멀티코어 프로세서에 최적화된 고성능 양자 회로 시뮬레이터인 qsim가 채용되었다고 합니다. 그러면 GCP의 N2 노드에서 vCPU를 80 코어로 설정한 경우 60분 동안 깊이가 20인 20개의 양자 회로에서 100만 회의 시뮬레이션을 할 수 있다고 보고되고 있습니다.

quantumlib/qsim

 

출시 단계에서는 TFQ는 기존에 존재하던 양자 회로 시뮬레이터를 이용하고 있습니다만, 장래에는 Google에서 개발한 양자 프로세서 Sycamore 등 실제 양자 프로세서도 지원하겠다는 코멘트가 있습니다.

또한 TFQ는 오픈소스 소프트웨어로 GitHub에 공개되어 있습니다.

GitHub - tensorflow / quantum : Hybrid Quantum-Classical Machine Learning in TensorFlow

tensorflow/quantum