Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Uso con Amazon Braket PennyLane

Los algoritmos híbridos son algoritmos que contienen instrucciones clásicas y cuánticas. Las instrucciones clásicas se ejecutan en un hardware clásico (una instancia de EC2 o su portátil) y las instrucciones cuánticas se ejecutan en un simulador o en una computadora cuántica. Se recomienda ejecutar algoritmos híbridos mediante la característica de trabajos híbridos. Para obtener más información, consulte Cuándo utilizar los trabajos de Amazon Braket.

Amazon Braket le permite configurar y ejecutar algoritmos cuánticos híbridos con la ayuda del PennyLane complemento Amazon Braket o con el SDK de Python de Amazon Braket y repositorios de cuadernos de ejemplo. Los cuadernos de ejemplo de Amazon Braket, basados en el SDK, permiten configurar y ejecutar determinados algoritmos híbridos sin el complemento. PennyLane Sin embargo, lo recomendamos PennyLane porque proporciona una experiencia más rica.

Acerca de los algoritmos cuánticos híbridos

Los algoritmos cuánticos híbridos son importantes para la industria actual porque los dispositivos de computación cuántica contemporáneos generalmente producen ruido y, por lo tanto, errores. Cada puerta cuántica que se añade a un cómputo aumenta la probabilidad de añadir ruido; por lo tanto, los algoritmos de larga duración pueden verse abrumados por el ruido, lo que da lugar a cómputos erróneos.

Los algoritmos cuánticos puros como el de Shor (ejemplo de estimación de fase cuántica) o el de Grover (ejemplo de Grover) requieren miles o millones de operaciones. Por este motivo, pueden resultar poco prácticos para los dispositivos cuánticos existentes, que generalmente se denominan dispositivos cuánticos ruidosos de escala intermedia (NISQ).

En los algoritmos cuánticos híbridos, las unidades de procesamiento cuántico (QPU) funcionan como coprocesadores de las CPU clásicas, concretamente para acelerar determinados cálculos en un algoritmo clásico. Las ejecuciones de circuitos se vuelven mucho más cortas, al alcance de las capacidades de los dispositivos actuales.

Amazon Braket con PennyLane

Amazon Braket ofrece soporte para PennyLane un marco de software de código abierto creado en torno al concepto de programación diferenciable cuántica. Puede utilizar este marco para entrenar circuitos cuánticos de la misma manera que entrenaría una red neuronal para encontrar soluciones a problemas computacionales en química cuántica, machine learning cuántico y optimización.

La PennyLane biblioteca proporciona interfaces para herramientas conocidas de aprendizaje automático, como PyTorch y TensorFlow, para que el entrenamiento de circuitos cuánticos sea rápido e intuitivo.

import pennylane as qml

Los cuadernos de tutoriales lo ayudan a empezar rápidamente. También puedes usarlo PennyLane en Amazon Braket desde un IDE de tu elección.

pip install amazon-braket-pennylane-plugin

El siguiente ejemplo muestra cómo configurar el acceso a los dispositivos Amazon Braket en 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)

Para ver ejemplos de tutoriales y obtener más información al respecto PennyLane, consulte el repositorio de ejemplos de Amazon Braket.

El PennyLane complemento Amazon Braket te permite cambiar entre la QPU Amazon Braket y los dispositivos simuladores integrados PennyLane con una sola línea de código. Ofrece dos dispositivos cuánticos Amazon Braket con los que trabajar: PennyLane

El PennyLane plugin Amazon Braket es de código abierto. Puedes instalarlo desde el GitHub repositorio de PennyLane plugins.

Para obtener más información al respecto PennyLane, consulta la documentación del sitio PennyLane web.

Algoritmos híbridos en cuadernos de ejemplo de Amazon Braket

Amazon Braket ofrece diversos cuadernos de ejemplo que no utilizan el PennyLane complemento para ejecutar algoritmos híbridos. Puede empezar con cualquiera de estos cuadernos de ejemplos híbridos de Amazon Braket que ilustran métodos variacionales, como el algoritmo de optimización cuántica aproximada (QAOA) o el solucionador de problemas de autovalores cuánticos variacionales (VQE).

Los cuadernos de ejemplo de Amazon Braket se basan en el SDK de Python de Amazon Braket. El SDK proporciona un marco para interactuar con los dispositivos de hardware de computación cuántica a través de Amazon Braket. Se trata de una biblioteca de código abierto diseñada para ayudarle con la parte cuántica de su flujo de trabajo híbrido.

Puede explorar Amazon Braket más a fondo con nuestros cuadernos de ejemplo.

Algoritmos híbridos con simuladores integrados PennyLane

Amazon Braket Hybrid Jobs ahora incluye simuladores GPU-based integrados y de CPU de alto rendimiento de. PennyLane Esta familia de simuladores integrados se puede incorporar directamente en su contenedor de trabajos híbridos e incluye el simulador rápido de vectores de estado lightning.qubit, el simulador lightning.gpu acelerado mediante la biblioteca cuQuantum de NVIDIA y otros. Estos simuladores integrados son ideales para algoritmos variacionales, como el machine learning cuántico, que pueden beneficiarse de métodos avanzados como el método de diferenciación adjunta. Puede ejecutar estos simuladores integrados en una o varias instancias de CPU o GPU.

Con Hybrid Jobs, ahora puede ejecutar el código de su algoritmo variacional utilizando una combinación de un coprocesador clásico y una QPU, un simulador bajo demanda de Amazon Braket, como, por ejemploSV1, o directamente utilizando el simulador integrado de. PennyLane

El simulador integrado ya está disponible con el contenedor de trabajos híbridos y usted debe decorar su función principal de Python con el decorador @hybrid_job. Para usar el PennyLane lightning.gpu simulador, también necesitas especificar una instancia de GPU InstanceConfig como se muestra en el siguiente fragmento de código:

import pennylane as qml
from braket.jobs import hybrid_job
from braket.jobs.config import InstanceConfig


@hybrid_job(device="local:pennylane/lightning.gpu", instance_config=InstanceConfig(instanceType="ml.g4dn.xlarge"))
def function(wires):
    dev = qml.device("lightning.gpu", wires=wires)
    ...

Consulta el cuaderno de ejemplo para empezar a usar un simulador PennyLane integrado con Hybrid Jobs.

Gradiente adjunto activado PennyLane con los simuladores de Amazon Braket

Con el complemento PennyLane para Amazon Braket, puede computar gradientes mediante el método de diferenciación adjunta cuando se ejecuta en el simulador de vector de estado local o en SV1.

Note: Para utilizar el método de diferenciación adjunta, debe especificar diff_method='device' en su qnode, y no diff_method='adjoint'. Consulte el siguiente ejemplo.

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)