چگونه یک مدل هوش مصنوعی کوانتومی بسازیم – با نمونه کدهای پایتون

یادگیری ماشینی (ML) یکی از مهمترین زیر حوزه های هوش مصنوعی است که در ساخت سیستم های هوش مصنوعی عالی استفاده می شود.

در ML، یادگیری عمیق یک منطقه باریک است که صرفاً متمرکز شده است روی شبکه های عصبی. از طریق زمینه یادگیری عمیق، سیستم هایی مانند ChatGPT و بسیاری از مدل های هوش مصنوعی دیگر می توانند ایجاد شوند. به عبارت دیگر، ChatGPT فقط یک سیستم غول پیکر است روی شبکه های عصبی.

با این حال، یک مشکل بزرگ در یادگیری عمیق وجود دارد: کارایی محاسباتی. ایجاد سیستم های هوش مصنوعی بزرگ و موثر با شبکه های عصبی اغلب به انرژی زیادی نیاز دارد که گران است.

بنابراین، هر چه سخت افزار کارآمدتر باشد، بهتر است. راه حل های زیادی برای حل این مشکل وجود دارد که یکی از آنها محاسبات کوانتومی است.

این مقاله امیدوار است به زبان انگلیسی ساده، ارتباط بین محاسبات کوانتومی و هوش مصنوعی را نشان دهد.

در مورد اینها صحبت خواهیم کرد:

• هوش مصنوعی و ظهور یادگیری عمیق
• مشکل بزرگ در یادگیری عمیق: کارایی محاسباتی
• یک راه حل: محاسبات کوانتومی
• مثال کد: یک مدل هوش مصنوعی کوانتومی برای شیمی کوانتومی
• نتیجه گیری: محدودیت های محاسبات و توسعه کوانتومی

هوش مصنوعی و ظهور یادگیری عمیق

یادگیری عمیق در هوش مصنوعی چیست؟

یادگیری عمیق زیر شاخه هوش مصنوعی است. از شبکه های عصبی استفاده می کند process الگوهای پیچیده، درست مانند استراتژی هایی که یک تیم ورزشی برای برنده شدن در یک مسابقه استفاده می کند.

هرچه شبکه عصبی بزرگتر باشد، توانایی بیشتری برای انجام کارهای عالی دارد – برای مثال ChatGPT که از پردازش زبان طبیعی برای پاسخ به سؤالات و تعامل با کاربران استفاده می کند.

برای درک واقعی اصول اولیه شبکه های عصبی – وجه اشتراک هر مدل هوش مصنوعی که آن را قادر به کار می کند – باید لایه های فعال سازی را درک کنیم.

یادگیری عمیق = آموزش شبکه های عصبی

هسته اصلی یادگیری عمیق، آموزش شبکه های عصبی است. این بدان معناست که از داده ها برای بدست آوردن مقادیر مناسب برای هر نورون استفاده می کنیم تا بتوانیم آنچه را که می خواهیم پیش بینی کنیم.

شبکه های عصبی از نورون هایی تشکیل شده اند که در لایه ها سازماندهی شده اند. هر لایه ویژگی های منحصر به فردی را از داده ها استخراج می کند.

این ساختار لایه ای به مدل های یادگیری عمیق اجازه می دهد تا داده های پیچیده را تجزیه و تحلیل و تفسیر کنند.

مشکل بزرگ در یادگیری عمیق: کارایی محاسباتی

یادگیری عمیق بسیاری از تحولات هوش مصنوعی را در جامعه ایجاد می کند. با این حال، با یک مشکل بزرگ همراه است: کارایی محاسباتی.

آموزش سیستم های هوش مصنوعی یادگیری عمیق به حجم عظیمی از داده ها و قدرت محاسباتی نیاز دارد. این می تواند از چند دقیقه تا چند هفته طول بکشد process، انرژی و منابع محاسباتی زیادی مصرف می کند.

راه حل های زیادی برای این مشکل وجود دارد، مانند کارایی الگوریتمی بهتر.

در مدل‌های زبان بزرگ، این مورد تمرکز بسیاری از تحقیقات هوش مصنوعی بوده است. برای ساخت مدل های کوچکتر عملکردی مشابه مدل های بزرگتر دارند.

راه حل دیگر، علاوه بر کارایی الگوریتمی، راندمان محاسباتی بهتر است. محاسبات کوانتومی یکی از راه حل های مربوط به بازده محاسباتی بهتر است.

یک راه حل: محاسبات کوانتومی

محاسبات کوانتومی یک راه حل امیدوارکننده برای مشکل کارایی محاسباتی در یادگیری عمیق است.

در حالی که کامپیوترهای معمولی در بیت کار می کنند (0 یا 1)، کامپیوترهای کوانتومی با کیوبیت کار می کنند – می توانند همزمان 0 و 1 باشند.

با کیوبیت هایی که همزمان 0 و 1 را نشان می دهند، این امکان وجود دارد process به لطف خاصیتی به نام برهم نهی در فیزیک کوانتوم، احتمالات زیادی به طور همزمان وجود دارد.

این امر باعث می‌شود که کامپیوترهای کوانتومی برای کارهای خاص بسیار کارآمدتر از کامپیوترهای معمولی باشند.

به این ترتیب، می‌توان الگوریتم‌های مبتنی بر کوانتومی را نیز داشت که کارآمدتر از الگوریتم‌های معمولی هستند. به این ترتیب، مصرف انرژی در هنگام ایجاد مدل‌های هوش مصنوعی کاهش می‌یابد.

چرا کامپیوترهای کوانتومی چندان مورد استفاده قرار نمی گیرند؟

مشکل محاسبات کوانتومی این است که نمایش فیزیکی خوب و ارزانی از کیوبیت ها وجود ندارد.

بیت‌ها با گیت‌های منطقی ساخته شده از ترانزیستورهای کوچک ساخته و مدیریت می‌شوند که به راحتی توسط میلیاردها می‌توان ایجاد کرد.

کیوبیت ها توسط مدارهای ابررسانا، یون های به دام افتاده و کیوبیت های توپولوژیکی ایجاد و مدیریت می شوند که همگی بسیار گران هستند.

این بزرگترین مشکل در محاسبات کوانتومی است. با این حال، آی‌بی‌ام، آمازون و بسیاری دیگر در سرویس‌های ابری به مردم اجازه می‌دهند کد را اجرا کنند روی کامپیوترهای کوانتومی آنها

مثال کد: یک مدل هوش مصنوعی کوانتومی برای شیمی کوانتومی

در این مثال کد، یک مسئله شیمی کوانتومی را حل می کنیم:

کمترین سطح انرژی مولکول H2 با استفاده از محاسبات کوانتومی چقدر است؟

قبل از درک مسئله مورد بحث، بیایید شیمی کوانتومی را مورد بحث قرار دهیم.

شیمی کوانتومی چیست؟

شیمی کوانتومی رشته‌ای از علم است که به چگونگی رفتار الکترون‌ها در اتم‌ها و مولکول‌ها می‌پردازد.

این در مورد استفاده از فیزیک کوانتومی برای درک چگونگی تعامل الکترون ها، اتم ها، مولکول ها و بسیاری از ذرات ریز دیگر و تشکیل مواد شیمیایی مختلف است.

مشکلی که می خواهیم حل کنیم

ما می خواهیم “انرژی حالت پایه” مولکول H2 را پیدا کنیم.

مولکول H2 به معنای گاز هیدروژن است که در موارد زیر وجود دارد:

• اب
• ترکیبات آلی
• ستاره ها

در واقع زندگی روی زمین بدون آن ممکن نخواهد بود.

با یافتن «انرژی حالت پایه» که کمترین انرژی ممکنی است که مولکول می تواند داشته باشد، می توانیم پایدارترین شکل و خواص آن را بشناسیم.

این به دانشمندان اجازه می دهد تا واکنش های شیمیایی مربوط به H2 را بهتر درک کنند.

با رایانه های کلاسیک، این مشکل به دلیل تعداد زیادی امکانات و تعاملات پیچیده می تواند بسیار پیچیده باشد.

در رایانه های کوانتومی، کیوبیت ها نمایش خوبی از الکترون ها هستند که می توانند مستقیماً رفتار الکترون ها را در مولکول ها شبیه سازی کنند.

تقریب با VQE (Variational Quantum Eigensolver (VQE)

حل ویژه کوانتومی متغیر (VQE) یک الگوریتم ترکیبی است که از محاسبات کوانتومی و کلاسیک استفاده می کند.

در این مثال، الگوریتم VQE برای یافتن انرژی حالت پایه یک مولکول H2 ساده استفاده می شود.

کد برای اجرا طراحی شده است روی یک شبیه ساز کوانتومی (که یک کامپیوتر کلاسیک است که یک الگوریتم کوانتومی را اجرا می کند).

با این حال، می توان آن را برای اجرا تطبیق داد روی سخت افزار کوانتومی واقعی از طریق یک سرویس محاسبات کوانتومی مبتنی بر ابر.

این شامل استفاده از منابع کوانتومی و کلاسیک در عمل است. بیایید گام به گام کد را مرور کنیم!

import pennylane as qml
import numpy as np
import matplotlib.pyplot as plt

# Define the molecule (H2 at bond length of 0.74 Å)
symbols = ["H", "H"]
coordinates = np.array([0.0, 0.0, 0.0, 0.0, 0.0, 0.74])

# Generate the Hamiltonian for the molecule
hamiltonian, qubits = qml.qchem.molecular_hamiltonian(
    symbols, coordinates
)

# Define the quantum device
dev = qml.device("default.qubit", wires=qubits)

# Define the ansatz (variational quantum circuit)
def ansatz(params, wires):
    qml.BasisState(np.array([0] * qubits), wires=wires)
    for i in range(qubits):
        qml.RY(params[i], wires=wires[i])
    for i in range(qubits - 1):
        qml.CNOT(wires=[wires[i], wires[i + 1]])

# Define the cost function
@qml.qnode(dev)
def cost_fn(params):
    ansatz(params, wires=range(qubits))
    return qml.expval(hamiltonian)

# Set a fixed seed for reproducibility
np.random.seed(42)

# Set the initial parameters
params = np.random.random(qubits, requires_grad=True)

# Choose an optimizer
optimizer = qml.GradientDescentOptimizer(stepsize=0.4)

# Number of optimization steps
max_iterations = 100
conv_tol = 1e-06

# Optimization loop
energies = []

for n in range(max_iterations):
    params, prev_energy = optimizer.step_and_cost(cost_fn, params)

    energy = cost_fn(params)
    energies.append(energy)
    if np.abs(energy - prev_energy) < conv_tol:
        break

    print(f"Step = {n}, Energy = {energy:.8f} Ha")

print(f"Final ground state energy = {energy:.8f} Ha")

# Visualize the results
import matplotlib.pyplot as plt

iterations = range(len(energies))

plt.plot(iterations, energies)
plt.xlabel('Iteration')
plt.ylabel('Energy (Ha)')
plt.title('Convergence of VQE for H2 Molecule')
plt.show()

واردات کتابخانه ها

import pennylane as qml
import numpy as np
import matplotlib.pyplot as plt

• pennylane: کتابخانه ای برای محاسبات کوانتومی که ابزارهایی برای ایجاد و بهینه سازی مدارهای کوانتومی و برای اجرای الگوریتم های کوانتومی مبتنی بر یادگیری ماشین ارائه می دهد.
• numpy: کتابخانه ای برای عملیات عددی در پایتون که در اینجا برای مدیریت آرایه ها و محاسبات ریاضی استفاده می شود.
• matplotlib: کتابخانه ای برای ایجاد تجسم ها و نمودارها در پایتون که در اینجا برای ترسیم نمودار همگرایی الگوریتم VQE استفاده می شود.

تعریف مولکول و تولید همیلتونین

# Define the molecule (H2 at bond length of 0.74 Å)
symbols = ["H", "H"]
coordinates = np.array([0.0, 0.0, 0.0, 0.0, 0.0, 0.74])

# Generate the Hamiltonian for the molecule
hamiltonian, qubits = qml.qchem.molecular_hamiltonian(
    symbols, coordinates
)

تعریف مولکول:

• ما یک مولکول هیدروژن (H2) تعریف می کنیم.
• symbols = ["H", "H"]: این به این معنی است که مولکول از دو اتم هیدروژن (H) تشکیل شده است.
• coordinates = np.array([0.0, 0.0, 0.0, 0.0, 0.0, 0.74]): این موقعیت دو اتم هیدروژن را نشان می دهد. اولین اتم هیدروژن در مبدأ (0.0، 0.0، 0.0) و اتم دوم هیدروژن در (0.0، 0.0، 0.74) قرار دارد، به این معنی که 0.74 آنگستروم از اتم اول در امتداد محور z فاصله دارد.

تولید همیلتونین:

• hamiltonian, qubits = qml.qchem.molecular_hamiltonian(symbols, coordinates): این خط همیلتونی را برای مولکول هیدروژن تولید می کند. هامیلتونی یک جسم ریاضی است که برای توصیف انرژی مولکول استفاده می شود.
• hamiltonian: نشان دهنده عملگر انرژی برای مولکول است.
• qubits: تعداد بیت های کوانتومی (کیوبیت) مورد نیاز برای شبیه سازی مولکول را نشان می دهد. روی یک کامپیوتر کوانتومی

تعریف دستگاه کوانتومی و Ansatz (مدار کوانتومی متغیر)

# Define the quantum device
dev = qml.device("default.qubit", wires=qubits)

# Define the ansatz (variational quantum circuit)
def ansatz(params, wires):
    qml.BasisState(np.array([0] * qubits), wires=wires)
    for i in range(qubits):
        qml.RY(params[i], wires=wires[i])
    for i in range(qubits - 1):
        qml.CNOT(wires=[wires[i], wires[i + 1]])

تعریف دستگاه کوانتومی:

• dev = qml.device("default.qubit", wires=qubits): این خط یک دستگاه محاسبات کوانتومی را برای شبیه سازی مولکول ما راه اندازی می کند.
• "default.qubit": این نوع شبیه ساز کوانتومی مورد استفاده ما را مشخص می کند (یک شبیه ساز پیش فرض مبتنی بر کیوبیت).
• wires=qubits: این به شبیه ساز می گوید که بر اساس چند کیوبیت (بیت کوانتومی) باید از آن استفاده کند روی تعداد کیوبیت هایی که قبلا تعیین کردیم.

تعریف آنساتز (مدار کوانتومی متغیر):

• def ansatz(params, wires): این تابعی را با نام تعریف می کند ansatz که مدار کوانتومی متغیر را توصیف می کند. این مدار برای یافتن انرژی حالت پایه مولکول استفاده خواهد شد.
• qml.BasisState(np.array([0] * qubits), wires=wires): این کیوبیت ها را در حالت 0 مقداردهی اولیه می کند np.array([0] * qubits) یک آرایه با صفر، یک برای هر کیوبیت ایجاد می کند.
• for i in range(qubits): qml.RY(params[i], wires=wires[i]): این حلقه یک چرخش حول محور Y برای هر کیوبیت اعمال می کند. params[i] زاویه هر چرخش را فراهم می کند.
• for i in range(qubits - 1): qml.CNOT(wires=[wires[i], wires[i + 1]]): این حلقه دروازه های Controlled-NOT (CNOT) را بین کیوبیت های متوالی اعمال می کند و آنها را در هم می گیرد.

تعریف تابع هزینه، تنظیم پارامترهای اولیه و بهینه ساز

# Define the cost function
@qml.qnode(dev)
def cost_fn(params):
    ansatz(params, wires=range(qubits))
    return qml.expval(hamiltonian)

# Set a fixed seed for reproducibility
np.random.seed(42)

# Set the initial parameters
params = np.random.random(qubits, requires_grad=True)

# Choose an optimizer
optimizer = qml.GradientDescentOptimizer(stepsize=0.4)

تعریف تابع هزینه:

• @qml.qnode(dev): این خط یک دکوراتور است که تغییر شکل می دهد cost_fn تبدیل به یک کوانتوم می شود node، به آن اجازه اجرا می دهد روی دستگاه کوانتومی dev.
• def cost_fn(params): این تابعی را با نام تعریف می کند cost_fn که برخی از پارامترها را می گیرد (params) به عنوان ورودی
• ansatz(params, wires=range(qubits)): در داخل این تابع، تعریف شده قبلی را فراخوانی می کنیم ansatz تابع، پارامترها را پاس کرده و مشخص می کند که باید از تمام کیوبیت ها استفاده کند.
• return qml.expval(hamiltonian): این خط مقدار مورد انتظار هامیلتونی را برمی گرداند که نشان دهنده انرژی مولکول است. تابع هزینه همان چیزی است که ما قصد داریم آن را برای یافتن انرژی حالت پایه به حداقل برسانیم.

تنظیم یک دانه ثابت برای تکرارپذیری:

• np.random.seed(42): این خط یک دانه ثابت برای مولد اعداد تصادفی تنظیم می کند. این تضمین می کند که اعداد تصادفی تولید شده در هر بار اجرای کد یکسان خواهند بود و نتایج را تکرارپذیر می کند.

تنظیم پارامترهای اولیه:

• params = np.random.random(qubits, requires_grad=True): این خط پارامترهای ansatz را با مقادیر تصادفی مقداردهی اولیه می کند. تعداد پارامترها برابر است با تعداد کیوبیت ها. را requires_grad=True بخش نشان می دهد که این پارامترها را می توان در طول بهینه سازی تنظیم کرد.

انتخاب بهینه ساز:

• optimizer = qml.GradientDescentOptimizer(stepsize=0.4): این خط یک بهینه ساز ایجاد می کند که پارامترها را برای به حداقل رساندن تابع هزینه تنظیم می کند. به طور خاص، از شیب نزول با اندازه گام 0.4 استفاده می کند.

حلقه بهینه سازی

# Number of optimization steps
max_iterations = 100
conv_tol = 1e-06

# Optimization loop
energies = []

for n in range(max_iterations):
    params, prev_energy = optimizer.step_and_cost(cost_fn, params)

    energy = cost_fn(params)
    energies.append(energy)
    if np.abs(energy - prev_energy) < conv_tol:
        break

    print(f"Step = {n}, Energy = {energy:.8f} Ha")

print(f"Final ground state energy = {energy:.8f} Ha")

تنظیم تعداد مراحل بهینه سازی:

• max_iterations = 100: این حداکثر تعداد مراحلی را که بهینه سازی انجام می دهد تعیین می کند. در این حالت 100 مرحله است.
• conv_tol = 1e-06: این تلورانس همگرایی را تعریف می کند. اگر تغییر انرژی بین مراحل کمتر از این مقدار باشد، بهینه سازی متوقف می شود.

حلقه بهینه سازی:

• energies = []: این یک لیست خالی را برای ذخیره انرژی های محاسبه شده در هر مرحله مقداردهی می کند.

حلقه زدن از طریق مراحل بهینه سازی:

• for n in range(max_iterations):: این یک حلقه را شروع می کند که تا بالا اجرا می شود max_iterations بار.
• params, prev_energy = optimizer.step_and_cost(cost_fn, params): این خط یک مرحله از بهینه سازی را انجام می دهد. پارامترها را به روز می کند و پارامترهای جدید و انرژی قبلی را برمی گرداند.
• energy = cost_fn(params): با استفاده از پارامترهای به روز شده انرژی جاری را محاسبه می کند.
• energies.append(energy): این انرژی فعلی را به آن اضافه می کند energies فهرست
• if np.abs(energy - prev_energy) < conv_tol: break: این بررسی می کند که آیا اختلاف مطلق بین انرژی فعلی و انرژی قبلی کمتر از تحمل همگرایی است یا خیر. اگر اینطور باشد، حلقه زود متوقف می شود زیرا بهینه سازی همگرا شده است.
• print(f"Step = {n}, Energy = {energy:.8f} Ha"): این عدد گام فعلی و انرژی در هارتری (Ha) را تا هشت رقم اعشار چاپ می کند.

چاپ انرژی نهایی:

• print(f"Final ground state energy = {energy:.8f} Ha"): بعد از حلقه، انرژی حالت پایه نهایی را چاپ می کند.

تجسم نتایج

# Visualize the results
iterations = range(len(energies))

plt.plot(iterations, energies)
plt.xlabel('Iteration')
plt.ylabel('Energy (Ha)')
plt.title('Convergence of VQE for H2 Molecule')
plt.show()

تنظیم داده ها برای تجسم:

• iterations = range(len(energies)): این یک شی محدوده ایجاد می کند که نشان دهنده تعداد تکرارها (مراحل) است که بهینه سازی طی شده است. len(energies) تعداد مقادیر انرژی ثبت شده را نشان می دهد.

ترسیم نتایج:

• plt.plot(iterations, energies): این خط یک نمودار با اعداد تکرار ایجاد می کند روی محور x و مقادیر انرژی مربوطه روی محور y
• plt.xlabel('Iteration'): این برچسب محور x را روی “تکرار” تنظیم می کند.
• plt.ylabel('Energy (Ha)'): این برچسب محور y را روی “انرژی (Ha)” تنظیم می کند، جایی که “Ha” مخفف Hartree، یک واحد انرژی است.
• plt.title('Convergence of VQE for H2 Molecule'): عنوان طرح را بر روی “همگرایی VQE برای مولکول H2” قرار می دهد.
• plt.show(): این طرح را نمایش می دهد.

نمودار با عنوان “همگرایی VQE برای مولکول H2” انرژی (به Hartree، Ha) مولکول H2 را در برابر تعداد تکرارهای الگوریتم حل ویژه کوانتومی متغیر (VQE) نشان می دهد.

• محور X (تکرار): تعداد تکرارهای VQE
• محور Y (انرژی (Ha)): انرژی مولکول H2 در هارتری.

امتیاز کلیدی:

• انرژی اولیه: تقریباً 1.4 هکتار در تکرار 0.
• کاهش سریع: انرژی در 20 تکرار اول به سرعت کاهش می یابد.
• فلات: انرژی پس از 20 تکرار در حدود 0.4 هکتار تثبیت می شود که نشان دهنده همگرایی به یک راه حل بهینه یا نزدیک به بهینه است.

نتیجه گیری: محدودیت های محاسبات و توسعه کوانتومی

محاسبات کوانتومی علاوه بر اینکه الگوریتم‌های هوش مصنوعی را از نظر محاسباتی بسیار کارآمدتر می‌کند، می‌تواند در بسیاری از زمینه‌ها مانند:

• کشف مواد مخدر
• علم مواد
• رمزنگاری
• مدل سازی مالی
• مشکلات بهینه سازی
• مدل سازی آب و هوا
• فراگیری ماشین

با این حال، برای همه ما برای استفاده از محاسبات کوانتومی، راهی برای نمایش فیزیکی کیوبیت‌ها به اندازه کافی کوچک و مناسب است. روی لپ تاپ های ما مورد نیاز است. که سالها طول خواهد کشید.

کد کامل را می توانید در اینجا پیدا کنید:

GitHub – tiagomonteiro0715/freecodecamp-my-articles-source-code: این مخزن کدی را که من در مقاله‌های خبری freecodecamo خود استفاده می‌کنم در خود نگه می‌دارد.

این مخزن کدی را که در مقاله‌های خبری freecodecamo خود استفاده می‌کنم، نگه می‌دارد. – tiagomonteiro0715/freecodecamp-my-articles-source-code

tiagomonteiro0715GitHub