DeepQuantum: A PyTorch-based Software Platform for Quantum Machine Learning and Photonic Quantum Computing

DeepQuantum is een open-source, op PyTorch gebaseerd softwareplatform dat op unieke wijze kwantumkringen, fotonische kwantumkringen en op meting gebaseerde kwantumberekening integreert om efficiënte hybride kwantum-klassieke modellering, grootschalige tensornetwerksimulaties en robuust algoritmisch ontwerp mogelijk te maken voor zowel fotonische kwantumberekening als kwantummachinelearning.

De kern

Stel je voor dat je probeert een complexe machine te bouwen, maar je hebt drie verschillende soorten blauwdrukken: één voor een standaard elektrische schakeling, één voor een systeem van lichtstralen, en één voor een machine die volledig draait op "het controleren van de resultaten" in plaats van op knoppen drukken. Normaal gesproken heb je drie verschillende softwareprogramma's nodig om deze te ontwerpen, en ze zouden niet met elkaar kunnen communiceren.

DeepQuantum is een nieuw, open-source softwareplatform dat fungeert als een "universele vertaler" en een "superkrachtige werkplaats" voor kwantumcomputing. Het is gebouwd bovenop PyTorch, een beroemd hulpmiddel dat door AI-onderzoekers wordt gebruikt om neurale netwerken te bouwen. Door PyTorch als fundament te gebruiken, stelt DeepQuantum wetenschappers in staat om deze drie verschillende kwantusstijlen te mixen en te matchen met dezelfde gemakkelijkeheid waarmee een programmeur vandaag de dag code combineert.

Hier is een uiteenzetting van wat het artikel beweert, met gebruikmaking van eenvoudige analogieën:

1. De Drie Talen van Kwantumcomputing

Het artikel benadrukt dat DeepQuantum het eerste hulpmiddel is dat naadloos drie verschillende manieren van kwantumwiskunde met elkaar verbindt:

• Qubits (De Standaard): Denk hierbij aan de "schakelaars" in een traditionele computer, maar ze kunnen aan, uit, of beide tegelijk zijn. Met DeepQuantum kun je schakelingen ontwerpen met deze schakelaars, net zoals je een Lego-constructie bouwt.
• Fotonen (De Lichtstralen): In plaats van schakelaars gebruikt dit deeltjes licht. Licht is geweldig omdat het niet snel verstoord wordt door ruis (zoals een rustig gesprek in een bibliotheek). DeepQuantum kan lichtgebaseerde computers simuleren met drie verschillende "lenzen":
  • Fock: Het tellen van individuele fotonen (zoals het tellen van knikkers).
  • Gaussisch: Het behandelen van licht als gladde golven (zoals rimpelingen in een vijver).
  • Bosonisch: Een hybride methode voor het hanteren van zeer vreemde, niet-standaard lichttoestanden.
• Op meting gebaseerd (Het "Controleer-terwijl-je-gaat"): In plaats van een volledige schakeling uit te voeren, creëert deze methode een gigantisch "web" van verstrengelde deeltjes en lost het vervolgens problemen op door specifieke delen van het web te meten. DeepQuantum kan een standaard schakelingsontwerp direct vertalen naar dit "web"-formaat.

De Grote Winst: Voorheen moest je misschien een schakeling in de ene stijl ontwerpen en deze handmatig herschrijven voor een andere stijl. DeepQuantum doet deze vertaling automatisch, waardoor onderzoekers een "hybride" machine kunnen ontwerpen die de beste onderdelen van alle drie de stijlen combineert.

2. De "AI"-Superkracht

Het artikel benadrukt dat dit niet zomaar een rekenmachine is; het is een AI-gestuurde tool.

• De Analogie: Stel je voor dat je een radio probeert af te stemmen om een duidelijk station te vinden. In het verleden moest je de knop langzaam draaien en luisteren. Met DeepQuantum kan het, omdat het op PyTorch is gebouwd, precies "voelen" in welke richting de knop gedraaid moet worden om direct het helderste geluid te krijgen.
• Waarom dit belangrijk is: Dit stelt de software in staat om de instellingen van een kwantumcomputer automatisch aan te passen om problemen op te lossen (zoals het vinden van de laagste energietoestand van een molecuul of het classificeren van afbeeldingen) veel sneller. Het behandelt de kwantumcomputer als onderdeel van een groter AI-brein.

3. De "Zoom"-Functie (Grootschalige Simulatie)

Het simuleren van een kwantumcomputer is ongelooflijk moeilijk omdat de hoeveelheid informatie exponentieel groeit. Het simuleren van 50 qubits is als proberen elk korreltje zand op een strand te onthouden.

• De Tensornetwerk-Analogie: DeepQuantum gebruikt een truc genaamd "Tensornetwerken". Stel je voor dat je een enorme, verwarde bal van garen hebt. In plaats van te proberen de hele bal vast te houden, snijd je deze in kleinere, hanteerbare lussen die nog steeds met elkaar verbonden zijn. Dit stelt de software in staat systemen met meer dan 100 qubits te simuleren op een enkele laptop, mits de verbindingen tussen hen niet te rommelig zijn.
• De Gedistribueerde Analogie: Als de garenbal te groot is voor één persoon, kan DeepQuantum het werk verdelen over een team van computers (of een cluster van krachtige GPU's). Het fungeert als een dirigent die elke computer vertelt welk deel van de simulatie het moet afhandelen en de resultaten vervolgens weer aan elkaar naait.

4. Wat Ze Eigenlijk Testten (De Benchmarks)

De auteurs zeiden niet zomaar "het is snel"; ze bewezen het met specifieke tests:

• Snelheid: Ze vergeleken DeepQuantum met andere populaire tools (zoals PennyLane en Strawberry Fields). In tests met betrekking tot gradiënten (de hierboven genoemde "afstemming") en complexe wiskundige functies was DeepQuantum vaak 10 tot 100 keer sneller, vooral bij het gebruik van krachtige grafische kaarten (GPU's).
• Fotonische Tests: Ze simuleerden succesvol complexe lichtgebaseerde taken, zoals:
  • Het creëren van een "CNOT"-poort (een fundamentele logische schakelaar) met behulp van licht.
  • Het simuleren van "Gaussian Boson Sampling", een taak die wordt gebruikt om te bewijzen dat kwantumcomputers sneller zijn dan klassieke computers.
  • Het genereren van "Cluster States" (gigantische webs van verstrengeld licht) met behulp van een techniek genaamd Time-Domain Multiplexing (TDM), wat vergelijkbaar is met het sturen van een trein van lichtpulsen door een lus om in de loop van de tijd een enorme structuur op te bouwen.
• Voorbeelden uit de Wereld: Ze toonden de software aan het werk bij:
  • QResNet: Een kwantumversie van een neuraal netwerk dat "residuale verbindingen" (laagjes overslaan) gebruikt om beter te leren, vergelijkbaar met hoe moderne AI-afbeeldingsherkenners werken.
  • MNIST-classificatie: Het gebruik van een kwantumcircuit om handgeschreven cijfers (0'en en 1'en) te onderscheiden met meer dan 94% nauwkeurigheid.
  • Ising-model: Het simuleren van een magnetisch systeem met 45 qubits, een grootte die voor standaardcomputers meestal onmogelijk te hanteren is.

Samenvatting

Kortom, DeepQuantum is een softwareplatform dat onderzoekers in staat stelt kwantumcomputers te ontwerpen, te simuleren en te optimaliseren met dezelfde tools die AI-ingenieurs vandaag de dag gebruiken. Het is uniek omdat het drie verschillende "kwantumtalen" (qubits, licht en op meting gebaseerd) op één plek spreekt, en het is snel genoeg om zeer grote systemen te simuleren door slimme wiskundige trucs te gebruiken en het werk te verdelen over veel computers. Het artikel beweert dat dit het een krachtige tool maakt voor zowel AI die Kwantum helpt (het optimaliseren van kwantumhardware) als Kwantum dat AI helpt (het bouwen van betere machine learning-modellen).

Technische samenvatting

Technische Samenvatting: DeepQuantum

Probleemstelling

Het veld van kwantumcomputing (QC) staat voor een kritieke uitdaging in het vertalen van theoretische demonstraties van kwantumvoordeel naar praktische, real-world toepassingen met tastbare waarde. Waar Kunstmatige Intelligentie (AI) is uitgegroeid tot een transformatieve technologie, verkeert QC nog in een beginstadium en is het sterk afhankelijk van de synergie tussen kwantumprocessors en klassieke computers, met name in het tijdperk van Noisy Intermediate-Scale Quantum (NISQ). Bestaande softwareframeworks voor Quantum Machine Learning (QML) en fotonische kwantumcomputing lijden vaak onder beperkingen:

1. Fragmentatie: Gespecialiseerde frameworks bestaan voor specifieke paradigma's (bijv. PennyLane voor qubit-circuits, Strawberry Fields voor continu-variable fotonische systemen, Graphix voor op meting gebaseerde kwantumcomputing), maar een geünificeerd platform dat deze modellen verbindt met native AI-integratie ontbreekt.
2. Schaalbaarheid: Het simuleren van grootschalige kwantumsystemen wordt gehinderd door de "vloek van de dimensionaliteit", waarbij de Hilbertruimte exponentieel groeit met het aantal qubits.
3. Hardware-diversiteit: Er is behoefte aan een framework dat niet alleen standaard op qubits gebaseerde modellen ondersteunt, maar ook fotonische kwantumcomputing (zowel discrete-variabele als continu-variabele) en op meting gebaseerde kwantumcomputing (MBQC), welke cruciaal zijn voor fouttolerante architecturen.

Methodologie

De auteurs introduceren DeepQuantum, een open-source, PyTorch-gebaseerd softwareplatform ontworpen om AI en QC diep te integreren. Het framework is gebaseerd op de principes van beknoptheid, efficiëntie, flexibiliteit en veelzijdigheid. De kernmethodologie omvat:

• Geünificeerde Architectuur: DeepQuantum biedt een gesloten-lus integratie van drie grote kwantumcomputing-paradigma's:
  1. Op qubits gebaseerde Circuits: Geïmplementeerd via de QubitCircuit-klasse.
  2. Fotonische Kwantumcircuits: Geïmplementeerd via de QumodeCircuit-klasse, met ondersteuning voor drie distincte backends:
     • Fock Backend: Voor discrete-variabele (DV) systemen met behulp van Fock-basisstaten of staatstensors.
     • Gaussische Backend: Voor continu-variabele (CV) systemen, waarbij Gaussische toestanden worden gekarakteriseerd via gemiddelde vectoren en covariantiematrices.
     • Bosonische Backend: Voor niet-Gaussische toestanden (bijv. kat-toestanden, GKP-toestanden) weergegeven als lineaire combinaties van Gaussische functies.
  3. Op meting gebaseerde Kwantumcomputing (MBQC): Geïmplementeerd via de Pattern-klasse, die ondersteuning biedt voor het construeren van grafstaten, transpilatie vanuit op poorten gebaseerde circuits, standaardisatie en optimalisatie.
• Native AI-Integratie: Door gebruik te maken van PyTorch behandelt het framework kwantumcircuits als differentieerbare componenten. Het maakt gebruik van automatische differentiatie, vectoriseerde parallelisme en GPU-versnelling om end-to-end training en inferentie van hybride kwantum-klassieke modellen (bijv. VQE, QAOA, QML) te faciliteren.
• Schaalbare Simulatie-technieken:
  • Tensornetwerken: Het framework incorporateert Matrix Product State (MPS)-representaties om grootschalige circuits (meer dan 100 qubits) op enkele apparaten te simuleren onder gunstige verstrengelingscondities.
  • Gedistribueerd Computing: Een gedistribueerde parallelle architectuur staat toe dat staatvectoren worden gepartitioneerd over meerdere GPUs en knooppunten, waarbij gebruik wordt gemaakt van de native communicatieprotocollen van PyTorch voor grootschalige simulaties.
• Fotonische Specifica: Het platform ondersteunt Time-Domain Multiplexing (TDM) voor het genereren van grootschalige verstrengelde toestanden (bijv. clusterstaten) en bevat gespecialiseerde modules voor Gaussian Boson Sampling (GBS) en unitaire decompositie (Clements-architectuur).

Belangrijkste Bijdragen

1. Eerste Gesloten-lus Integratie: DeepQuantum is het eerste framework dat de gesloten-lus integratie van kwantumcircuits, fotonische kwantumcircuits en MBQC realiseert, waardoor robuuste ondersteuning mogelijk wordt voor zowel gespecialiseerd als universeel fotonisch kwantumalgoritme-ontwerp.
2. Geünificeerde Fotonische Backends: Het implementeert Fock-, Gaussische en Bosonische backends binnen één enkele API, tegemoetkomend aan diverse simulatiebehoeften van lineaire optica tot niet-Gaussische resource-generatie.
3. Geavanceerde Fotonische Functies: Het platform introduceert native ondersteuning voor TDM-fotonische circuits, waardoor de simulatie van complexe temporele dynamica (bijv. sequentiële EPR-toestandgeneratie, voorbereiding van 2D-clusterstaten) mogelijk is zonder prohibitieve geheugenkosten.
4. Grootschalige Capaciteiten: Het maakt de simulatie van systemen met meer dan 100 qubits mogelijk via MPS en ondersteunt gedistribueerde simulaties over multi-knooppunt, multi-GPU-clusters, waardoor de reikwijdte van klassieke kwantumsimulatie aanzienlijk wordt uitgebreid.
5. Differentieerbare Fotonische Training: Het framework biedt ingebouwde gradient-vrije optimalizers voor on-chip training van fotonische kwantumcircuits en ondersteunt automatische differentiatie voor variatiele algoritmen.

Resultaten en Benchmarks

De auteurs valideren DeepQuantum via uitgebreide benchmarks tegen gevestigde frameworks (PennyLane, MindQuantum, Strawberry Fields, Piquasso, Graphix, enz.):

• Berekening van Gradienten en Hessiaans: DeepQuantum toont een orde van grootte verbetering in efficiëntie ten opzichte van PennyLane en PyQPanda3 voor gradientberekeningen. Voor Hessiaan-berekeningen bereikt de GPU-versnelling tot een 100-voudige snelheidswinst ten opzichte van PennyLane voor configuraties van 22 qubits.
• Evaluatie van Matrixfuncties: Bij het berekenen van Hafnians, Torontonians en permanents (cruciaal voor GBS) maakt DeepQuantum gebruik van een batch-verwerkingsschema. Hoewel de prestaties voor een enkel exemplaar kunnen achterblijven bij gespecialiseerde bibliotheken zoals The Walrus, presteert DeepQuantum (GPU) aanzienlijk beter dan concurrenten in scenario's met hoge doorvoer en grote batchgroottes (bijv. 10–1000 exemplaren).
• MBQC-prestaties: Hoewel Graphix iets sneller is voor pattern-transpilatie, toont DeepQuantum superieure schalingsefficiëntie voor voorwaartse staatvector-simulaties, wat een aanzienlijk prestatievoordeel oplevert voor circuits die meer dan 20 qubits omvatten.
• Toepassingsdemonstraties:
  • QResNet: Toonde aan dat residuale verbindingen in neurale kwantumnetwerken de expressiviteit verhogen en barre plateaus mitigeren, waardoor lagere fitfouten worden bereikt dan bij traditionele QNN's.
  • QCNN: Bereikte 94,33% testnauwkeurigheid op MNIST-binaire classificatie (cijfers 0 versus 1) met behulp van een 12-qubit kwantumcircuit.
  • Fotonische Toepassingen: Succesvolle simulatie van probabilistische CNOT-poorten, unitaire decomposities van de Clements-architectuur, GBS voor grafproblemen, en de voorbereiding van EPR-toestanden en 2D-clusterstaten met behulp van TDM.
  • Niet-Gaussische Toestanden: Demonstratie van de generatie van benaderde GKP-toestanden via iteratieve kweek en GBS-gebaseerde post-selectie.
  • Grootschalige Simulaties: Simulatie van een 45-qubit Transverse-Field Ising Model quench met behulp van MPS en uitvoering van een gedistribueerde Quantum Fourier Transform (QFT) op 33 qubits met 8 NVIDIA A100 GPUs (voltooid in ~1 minuut).

Betekenis en Claims

Het artikel positioneert DeepQuantum als een krachtig platform voor zowel "AI voor Quantum" als "Quantum voor AI". De betekenis hiervan ligt in:

• Brug slaan tussen Paradigma's: Door het unificeren van qubit-, fotonische en MBQC-modellen, verlaagt het de drempel voor onderzoekers om hybride algoritmen te verkennen en over te stappen van NISQ-tijdperk-utilities naar fouttolerante architecturen.
• Versnellen van Ontwikkeling: De naadloze integratie met PyTorch stelt onderzoekers in staat om het uitgebreide machine learning-ecosysteem te benutten voor kwantumalgoritme-ontwerp, optimalisatie en foutcorrectie.
• Schaalbaarheid: De combinatie van tensornetwerktechnieken en gedistribueerd computing adresseert de geheugenknelpunten die momenteel de simulatie van grote kwantumsystemen beperken, en biedt een weg om algoritmen te verifiëren en te ontwerpen voor toekomstige grootschalige kwantumhardware.

De auteurs concluderen dat DeepQuantum dient als een veelzijdig en praktisch hulpmiddel voor de vooruitgang van kwantuminformatieverwerking, met toekomstige plannen om bibliotheken voor fotonische componenten uit te breiden, ruismodelleren te verbeteren en interfaces voor hardware-integratie te optimaliseren.