Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
PennyLane Mit Amazon Braket verwenden
Hybride Algorithmen sind Algorithmen, die sowohl klassische als auch Quantenbefehle enthalten. Die klassischen Befehle werden auf klassischer Hardware (einer EC2 Instanz oder Ihrem Laptop) ausgeführt, und die Quantenbefehle werden entweder auf einem Simulator oder auf einem Quantencomputer ausgeführt. Wir empfehlen, hybride Algorithmen mithilfe der Hybrid-Jobs-Funktion auszuführen. Weitere Informationen finden Sie unter Wann sollten Sie Amazon Braket Jobs verwenden?
Amazon Braket ermöglicht es Ihnen, hybride Quantenalgorithmen mithilfe des Amazon PennyLane Braket-Plug-ins oder mit Amazon Braket Python SDK und Beispiel-Notebook-Repositorys einzurichten und auszuführen. Amazon Braket-Beispiel-Notebooks, die auf dem basierenSDK, ermöglichen es Ihnen, bestimmte Hybrid-Algorithmen ohne das PennyLane Plugin einzurichten und auszuführen. Wir empfehlen dies jedoch, PennyLane da es eine umfassendere Benutzererfahrung bietet.
Über hybride Quantenalgorithmen
Hybride Quantenalgorithmen sind heute für die Industrie wichtig, da moderne Quantencomputer im Allgemeinen Rauschen und damit Fehler erzeugen. Jedes Quantengatter, das zu einer Berechnung hinzugefügt wird, erhöht die Wahrscheinlichkeit, dass Rauschen hinzukommt. Daher können Algorithmen mit langer Laufzeit durch Rauschen überfordert werden, was zu fehlerhaften Berechnungen führt.
Reine Quantenalgorithmen wie der von Shor (Beispiel Quantum Phase Estimation)
In hybriden Quantenalgorithmen arbeiten Quantenverarbeitungseinheiten (QPUs) als Co-Prozessoren für klassische AlgorithmenCPUs, insbesondere um bestimmte Berechnungen in einem klassischen Algorithmus zu beschleunigen. Die Ausführung von Schaltungen wird deutlich kürzer, was mit den Möglichkeiten heutiger Geräte möglich ist.
In diesem Abschnitt:
- Amazon Braket mit PennyLane
- Hybride Algorithmen in Amazon Braket-Beispielnotizbüchern
- Hybride Algorithmen mit eingebetteten Simulatoren PennyLane
- Adjoint Gradient aktiviert PennyLane mit Amazon Braket-Simulatoren
- Hybrid-Jobs verwenden und einen Algorithmus ausführen PennyLane QAOA
- Führen Sie hybride Workloads mit PennyLane eingebetteten Simulatoren aus
Amazon Braket mit PennyLane
Amazon Braket bietet Unterstützung für PennyLane
Die PennyLane Bibliothek bietet Schnittstellen zu vertrauten Tools für maschinelles Lernen, einschließlich PyTorch und TensorFlow, um das Training von Quantenschaltkreisen schnell und intuitiv zu gestalten.
-
Die PennyLane Bibliothek -— PennyLane ist vorinstalliert in Amazon Braket-Notizbücher. Für den Zugriff auf Amazon Braket-Geräte von PennyLane, öffnen Sie ein Notizbuch und importieren Sie die PennyLane Bibliothek mit dem folgenden Befehl.
import pennylane as qml
Tutorial-Notizbücher helfen Ihnen dabei, schnell loszulegen. Alternativ können Sie Folgendes verwenden PennyLane Amazon Halterung aus einem beliebigen Gerät IDE Ihrer Wahl.
-
Die Amazon PennyLane Braket-Plugin — Um Ihr eigenes zu verwendenIDE, können Sie das installieren Amazon PennyLane Braket-Plugin manuell. Das Plugin stellt eine Verbindung PennyLane mit Amazon Braket Python
herSDK, sodass Sie Schaltungen in einem PennyLane ausführen können Amazon Braket-Geräte. Verwenden Sie den folgenden Befehl, um das PennyLane Plugin zu installieren.
pip install amazon-braket-pennylane-plugin
Das folgende Beispiel zeigt, wie Sie den Zugriff auf einrichten Amazon Haltern Sie Geräte in PennyLane:
# to use SV1 import pennylane as qml sv1 = qml.device("braket.aws.qubit", device_arn="arn:aws:braket:::device/quantum-simulator/amazon/sv1", wires=2) # to run a circuit: @qml.qnode(sv1) def circuit(x): qml.RZ(x, wires=0) qml.CNOT(wires=[0,1]) qml.RY(x, wires=1) return qml.expval(qml.PauliZ(1)) result = circuit(0.543) #To use the local sim: local = qml.device("braket.local.qubit", wires=2)
Tutorial-Beispiele und weitere Informationen PennyLane dazu finden Sie im Amazon Braket-Beispiel-Repository
Das Tool Amazon Mit dem PennyLane Braket-Plugin können Sie zwischen Amazon Braket QPU - und eingebettete Simulatorgeräte PennyLane mit einer einzigen Codezeile. Es bietet zwei Amazon Braket-Quantengeräte zum Arbeiten mit PennyLane:
-
braket.aws.qubit
zum Laufen mit dem Amazon Die Quantengeräte von Braket Service, einschließlich QPUs Simulatoren -
braket.local.qubit
zum Laufen mit dem Amazon Der lokale Simulator SDK von Braket
Das Tool Amazon Das PennyLane Braket-Plugin ist Open Source. Sie können es aus dem PennyLane GitHub Plugin-Repository
Weitere Informationen PennyLane dazu finden Sie in der Dokumentation auf der PennyLane Website
Hybride Algorithmen in Amazon Braket-Beispielnotizbüchern
Amazon Braket bietet eine Vielzahl von Beispiel-Notebooks, die nicht auf das PennyLane Plugin angewiesen sind, um Hybrid-Algorithmen auszuführen. Sie können mit jedem dieser Amazon Braket-Hybrid-Beispielnotizbücher
Die Amazon Braket-Beispielnotizbücher basieren auf Amazon Braket Python
Sie können erkunden Amazon Braket weiter mit unseren Beispiel-Notizbüchern
Hybride Algorithmen mit eingebetteten Simulatoren PennyLane
Amazon Braket Hybrid Jobs bietet jetzt leistungsstarke CPU und GPU basierte eingebettete Simulatoren von. PennyLanelightning.qubit
Fast-State-Vector-Simulator, die cuQuantum Bibliotheklightning.gpu
Simulators und andere. Diese eingebetteten Simulatoren eignen sich ideal für variationelle Algorithmen wie maschinelles Quantenlernen, die von fortschrittlichen Methoden wie der Methode der adjungierten Differenzierung profitieren können.
Mit Hybrid-Jobs können Sie jetzt Ihren variationellen Algorithmuscode mit einer Kombination aus einem klassischen Co-Prozessor und einem QPU Amazon Ein On-Demand-Simulator von Braket wie SV1, oder direkt mit dem eingebetteten Simulator von PennyLane.
Der eingebettete Simulator ist bereits mit dem Hybrid Jobs-Container verfügbar. Sie müssen lediglich Ihre Python-Hauptfunktion mit dem @hybrid_job
Decorator dekorieren. Um den PennyLane lightning.gpu
Simulator zu verwenden, müssen Sie außerdem eine GPU Instanz im angeben, InstanceConfig
wie im folgenden Codeausschnitt gezeigt:
import pennylane as qml from braket.jobs import hybird_job from braket.jobs.config import InstanceConfig @hybrid_job(device="local:pennylane/lightning.gpu", instance_config=InstanceConfig(instanceType="ml.p3.8xlarge")) def function(wires): dev = qml.device("lightning.gpu", wires=wires) ...
Sehen Sie sich das Beispiel-Notizbuch
Adjoint Gradient aktiviert PennyLane mit Amazon Braket-Simulatoren
Mit dem PennyLane Mit dem Plugin für Amazon Braket können Sie Gradienten mithilfe der Methode der adjungierten Differenzierung berechnen, wenn Sie sie auf dem lokalen Zustandsvektorsimulator ausführen oder. SV1
Hinweis: Um die Methode der adjungierten Differenzierung zu verwenden, müssen Sie diff_method='device'
in Ihrer qnode
und nicht angeben. diff_method='adjoint'
Sehen Sie sich das folgende -Beispiel an.
device_arn = "arn:aws:braket:::device/quantum-simulator/amazon/sv1" dev = qml.device("braket.aws.qubit", wires=wires, shots=0, device_arn=device_arn) @qml.qnode(dev, diff_method="device") def cost_function(params): circuit(params) return qml.expval(cost_h) gradient = qml.grad(circuit) initial_gradient = gradient(params0)
Anmerkung
Derzeit PennyLane berechnet Gruppierungsindizes für QAOA Hamiltonianer und verwendet sie, um den Hamiltonschen Wert in mehrere Erwartungswerte aufzuteilen. Wenn Sie die Fähigkeit zur adjungierten Differenzierung verwenden SV1 möchten, wenn Sie von QAOA PennyLane, müssen Sie den Hamiltonschen Wert rekonstruieren, indem Sie die Gruppierungsindizes wie folgt entfernen: cost_h, mixer_h = qml.qaoa.max_clique(g, constrained=False)
cost_h = qml.Hamiltonian(cost_h.coeffs, cost_h.ops)