Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Gunakan PennyLane dengan Amazon Braket
Algoritma hibrida adalah algoritma yang berisi instruksi klasik dan kuantum. Instruksi klasik dijalankan pada perangkat keras klasik (instans EC2 atau laptop Anda), dan instruksi kuantum dijalankan baik pada simulator atau pada komputer kuantum. Kami menyarankan Anda menjalankan algoritma hybrid menggunakan fitur Hybrid Jobs. Untuk informasi selengkapnya, lihat Kapan menggunakan Pekerjaan Amazon Braket.
AmazonBraket memungkinkan Anda untuk mengatur dan menjalankan algoritma kuantum hybrid dengan bantuan PennyLane plugin Braket, atau dengan Amazon Braket Amazon Python SDK dan contoh repositori notebook. Amazon Braket contoh notebook, berdasarkan SDK, memungkinkan Anda untuk mengatur dan menjalankan algoritma hybrid tertentu tanpa plugin. PennyLane Namun, kami merekomendasikan PennyLane karena memberikan pengalaman yang lebih kaya.
Tentang algoritma kuantum hibrida
Algoritma kuantum hibrida penting bagi industri saat ini karena perangkat komputasi kuantum kontemporer umumnya menghasilkan noise, dan karenanya, kesalahan. Setiap gerbang kuantum yang ditambahkan ke komputasi meningkatkan kemungkinan menambahkan noise; oleh karena itu, algoritma yang berjalan lama dapat kewalahan oleh noise, yang menghasilkan komputasi yang salah.
Algoritma kuantum murni seperti Shor (contoh Estimasi Fase Kuantum)
Dalam algoritme kuantum hibrid, unit pemrosesan kuantum (QPU) bekerja sebagai co-prosesor untuk CPU klasik, khususnya untuk mempercepat penghitungan tertentu dalam algoritme klasik. Eksekusi sirkuit menjadi jauh lebih pendek, dalam jangkauan kemampuan perangkat saat ini.
Amazon Braket dengan PennyLane
AmazonBraket menyediakan dukungan untuk PennyLane
PennyLane Perpustakaan menyediakan antarmuka ke alat pembelajaran mesin yang sudah dikenal, termasuk PyTorch dan TensorFlow, untuk membuat sirkuit kuantum pelatihan cepat dan intuitif.
-
PennyLane Perpustakaan -- PennyLane sudah diinstal sebelumnya di notebook Amazon Braket. Untuk akses ke perangkat Amazon Braket dari PennyLane, buka buku catatan dan impor PennyLane perpustakaan dengan perintah berikut.
import pennylane as qml
Notebook tutorial membantu Anda memulai dengan cepat. Atau, Anda dapat menggunakan PennyLane Amazon Braket dari IDE pilihan Anda.
-
PennyLane Plugin Amazon Braket — Untuk menggunakan IDE Anda sendiri, Anda dapat menginstal PennyLane plugin Amazon Braket secara manual. Plugin terhubung PennyLane dengan Amazon Braket Python SDK
, sehingga Anda dapat menjalankan sirkuit di perangkat Braket. PennyLane Amazon Untuk menginstal PennyLane plugin, gunakan perintah berikut.
pip install amazon-braket-pennylane-plugin
Contoh berikut menunjukkan cara mengatur akses ke perangkat Amazon Braket di: 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)
Untuk contoh tutorial dan informasi selengkapnya PennyLane, lihat repositori contoh Amazon Braket
PennyLane Plugin Amazon Braket memungkinkan Anda untuk beralih antara Amazon Braket QPU dan perangkat simulator tertanam PennyLane dengan satu baris kode. Ini menawarkan dua perangkat kuantum Amazon Braket untuk bekerja dengan PennyLane:
-
braket.aws.qubit
untuk berjalan dengan perangkat kuantum layanan Amazon Braket, termasuk QPU dan simulator -
braket.local.qubit
untuk berjalan dengan simulator lokal Amazon Braket SDK
PennyLane Plugin Amazon Braket adalah open source. Anda dapat menginstalnya dari GitHub repositori PennyLane Plugin
Untuk informasi lebih lanjut tentang PennyLane, lihat dokumentasi di PennyLane situs web
Algoritme hibrid di notebook contoh Amazon Braket
AmazonBraket memang menyediakan berbagai contoh notebook yang tidak bergantung pada PennyLane plugin untuk menjalankan algoritma hybrid. Anda dapat memulai dengan salah satu dari notebook contoh hibrid Amazon Braket
Notebook contoh Amazon Braket mengandalkan SDK Python Amazon Braket
Anda dapat menjelajahi Amazon Braket lebih lanjut dengan contoh notebook
Algoritma hybrid dengan simulator tertanam PennyLane
AmazonBraket Hybrid Jobs sekarang hadir dengan simulator tertanam berbasis CPU dan GPU berkinerja tinggi dari. PennyLanelightning.qubit
simulator vektor status cepat, simulator yang dipercepat menggunakan perpustakaan CuQuantumlightning.gpu
Simulator tertanam ini sangat cocok untuk algoritma variasional seperti pembelajaran mesin kuantum yang dapat mengambil manfaat dari metode canggih seperti metode diferensiasi adjoint
Dengan Hybrid Jobs, Anda sekarang dapat menjalankan kode algoritma variasional Anda menggunakan kombinasi co-prosesor klasik dan QPU, simulator sesuai permintaan Amazon Braket sepertiSV1, atau langsung menggunakan simulator tertanam dari. PennyLane
Simulator tertanam sudah tersedia dengan wadah Hybrid Jobs, Anda hanya perlu menghias fungsi Python utama Anda dengan dekorator. @hybrid_job
Untuk menggunakan PennyLane lightning.gpu
simulator, Anda juga perlu menentukan instance GPU InstanceConfig
seperti yang ditunjukkan pada cuplikan kode berikut:
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) ...
Lihat contoh notebook
Gradien bersebelahan menyala PennyLane dengan simulator Amazon Braket
Dengan PennyLane plugin untuk Amazon Braket, Anda dapat menghitung gradien menggunakan metode diferensiasi adjoint saat berjalan di simulator vektor status lokal atau SV1.
Catatan: Untuk menggunakan metode diferensiasi adjoint, Anda harus menentukan diff_method='device'
dalam metode Andaqnode
, dan bukan. diff_method='adjoint'
Lihat contoh berikut ini.
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)
catatan
Saat ini, PennyLane akan menghitung indeks pengelompokan untuk QAOA Hamiltonians dan menggunakannya untuk membagi Hamiltonian menjadi beberapa nilai ekspektasi. Jika Anda ingin menggunakan kemampuan diferensiasi adjoint SV1 saat menjalankan QAOA dariPennyLane, Anda perlu merekonstruksi biaya Hamiltonian dengan menghapus indeks pengelompokan, seperti: cost_h, mixer_h = qml.qaoa.max_clique(g, constrained=False)
cost_h = qml.Hamiltonian(cost_h.coeffs, cost_h.ops)