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.

PennyLane Utilízalo con Amazon Braket

Los algoritmos híbridos son algoritmos que contienen instrucciones clásicas y cuánticas. Las instrucciones clásicas se ejecutan en un hardware clásico (una EC2 instancia o un portátil) y las instrucciones cuánticas se ejecutan en un simulador o en un ordenador cuántico. Se recomienda ejecutar algoritmos híbridos mediante la función Hybrid Jobs. Para obtener más información, consulta Cuándo usar Amazon Braket Jobs.

Amazon Braket le permite configurar y ejecutar algoritmos cuánticos híbridos con la ayuda del complemento Amazon Braket o con el SDK de Python de Amazon PennyLane 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 cálculo aumenta la probabilidad de añadir ruido; por lo tanto, los algoritmos de larga duración pueden verse abrumados por el ruido, lo que resulta en un cálculo defectuoso.

Los algoritmos cuánticos puros, como el de Shor (por ejemplo, la estimación de fase cuántica) o el de Grover (ejemplo de Grover), requieren miles o millones de operaciones. Por esta razón, 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 (QPUs) funcionan como coprocesadores en los algoritmos clásicos CPUs, específicamente para acelerar ciertos cálculos en un algoritmo clásico. Las ejecuciones de los circuitos son mucho más cortas, al alcance de las capacidades de los dispositivos actuales.

Amazon Braket con PennyLane

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

La PennyLane biblioteca proporciona interfaces con herramientas conocidas de aprendizaje automático, entre las que se incluyen PyTorch y TensorFlow, para que el entrenamiento de los circuitos cuánticos sea rápido e intuitivo.

import pennylane as qml

Los cuadernos tutoriales le ayudan a empezar rápidamente. Como alternativa, puedes usarlo PennyLane en Amazon Braket desde el IDE que prefieras.

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 más información al respecto PennyLane, consulte el repositorio de ejemplos de Amazon Braket.

El PennyLane complemento Amazon Braket le permite cambiar entre la QPU de 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 complementos.

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

Algoritmos híbridos en cuadernos de ejemplo de Amazon Braket

Amazon Braket proporciona una variedad de cuadernos de ejemplo que no dependen del PennyLane complemento para ejecutar algoritmos híbridos. Puedes empezar con cualquiera de estos cuadernos de ejemplo híbridos de Amazon Braket que ilustran métodos variacionales, como el algoritmo de optimización aproximada cuántica (QAOA) o el solucionador propio cuántico variacional (VQE).

Los cuadernos de ejemplo de Amazon Braket se basan en el Amazon Braket Python SDK. El SDK proporciona un marco para interactuar con los dispositivos de hardware de computación cuántica a través de Braket. Amazon 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 integrados de alto rendimiento basados en CPU y GPU de. PennyLane Esta familia de simuladores integrados se puede integrar directamente en su contenedor de tareas híbridas e incluye el rápido lightning.qubit simulador vectorial de estado, el simulador acelerado mediante la biblioteca lightning.gpu CuQuantum de NVIDIA y otros. Estos simuladores integrados son ideales para algoritmos variacionales, como el aprendizaje automático 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 Amazon Braket bajo demanda, como, por ejemploSV1, o directamente utilizando el simulador integrado. PennyLane

El simulador integrado ya está disponible con el contenedor Hybrid Jobs, simplemente necesitas decorar tu función principal de Python con el @hybrid_job decorador. Para usar el PennyLane lightning.gpu simulador, también debes 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.p3.8xlarge"))
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.

Activa el gradiente adjunto PennyLane con los simuladores Amazon Braket

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

Nota: Para utilizar el método de diferenciación adjunto, debe especificarlo diff_method='device' en el suyo 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)