Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Utilisation PennyLane avec Amazon Braket

Les algorithmes hybrides sont des algorithmes qui contiennent à la fois des instructions classiques et quantiques. Les instructions classiques sont exécutées sur du matériel classique (une instance EC2 ou votre ordinateur portable), et les instructions quantiques sont exécutées soit sur un simulateur, soit sur un ordinateur quantique. Nous vous recommandons d'exécuter des algorithmes hybrides à l'aide de la fonction Hybrid Jobs. Pour plus d'informations, consultez Quand utiliser Amazon Braket Jobs.

Amazon Braket vous permet de configurer et d'exécuter des algorithmes quantiques hybrides à l'aide du PennyLane plug-in Amazon Braket ou du SDK Python Amazon Braket et d'exemples de référentiels de blocs-notes. Les exemples de blocs-notes Amazon Braket, basés sur le SDK, vous permettent de configurer et d'exécuter certains algorithmes hybrides sans le plug-in. PennyLane Cependant, nous vous le recommandons PennyLane car cela offre une expérience plus riche.

À propos des algorithmes quantiques hybrides

Les algorithmes quantiques hybrides sont importants pour l'industrie aujourd'hui, car les appareils informatiques quantiques contemporains produisent généralement du bruit et, par conséquent, des erreurs. Chaque porte quantique ajoutée à un calcul augmente le risque d'ajouter du bruit ; par conséquent, les algorithmes de longue durée peuvent être submergés par le bruit, ce qui entraîne des calculs erronés.

Les algorithmes quantiques purs tels que celui de Shor (exemple d'estimation de phase quantique) ou celui de Grover (exemple de Grover) nécessitent des milliers, voire des millions d'opérations. Pour cette raison, ils peuvent ne pas être pratiques pour les dispositifs quantiques existants, généralement appelés dispositifs quantiques bruyants à échelle intermédiaire (NISQ).

Dans les algorithmes quantiques hybrides, les unités de traitement quantique (QPU) fonctionnent comme des coprocesseurs pour les processeurs classiques, notamment pour accélérer certains calculs dans un algorithme classique. Les exécutions de circuits deviennent beaucoup plus courtes, à la portée des capacités des appareils actuels.

Amazon Braket avec PennyLane

Amazon Braket prend en charge PennyLane un framework logiciel open source basé sur le concept de programmation différentiable quantique. Vous pouvez utiliser ce cadre pour entraîner des circuits quantiques de la même manière que vous entraîneriez un réseau de neurones afin de trouver des solutions à des problèmes informatiques en chimie quantique, en apprentissage automatique quantique et en optimisation.

La PennyLane bibliothèque fournit des interfaces vers des outils d'apprentissage automatique familiers, notamment PyTorch et TensorFlow, pour rendre l'apprentissage des circuits quantiques rapide et intuitif.

import pennylane as qml

Les carnets de didacticiels vous aident à démarrer rapidement. Vous pouvez également utiliser PennyLane Amazon Braket à partir de l'IDE de votre choix.

pip install amazon-braket-pennylane-plugin

L'exemple suivant montre comment configurer l'accès aux appareils Amazon Braket dans : 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)

Pour obtenir des exemples de didacticiels et plus d'informations à ce sujet PennyLane, consultez le référentiel d'exemples Amazon Braket.

Le PennyLane plug-in Amazon Braket vous permet de basculer entre Amazon Braket QPU et les simulateurs intégrés en une seule ligne PennyLane de code. Il propose deux appareils quantiques Amazon Braket avec lesquels travailler : PennyLane

Le PennyLane plugin Amazon Braket est open source. Vous pouvez l'installer depuis le GitHub dépôt des PennyLane plugins.

Pour plus d'informations à ce sujet PennyLane, consultez la documentation sur le PennyLane site Web.

Exemples d'algorithmes hybrides dans les blocs-notes Amazon Braket

Amazon Braket propose une variété d'exemples de blocs-notes qui ne reposent pas sur le PennyLane plug-in pour exécuter des algorithmes hybrides. Vous pouvez commencer avec n'importe lequel de ces blocs-notes hybrides Amazon Braket illustrant des méthodes variationnelles, telles que l'algorithme d'optimisation approximative quantique (QAOA) ou le solveur automatique quantique variationnel (VQE).

Les exemples de blocs-notes Amazon Braket s'appuient sur le SDK Amazon Braket Python. Le SDK fournit un cadre permettant d'interagir avec les périphériques matériels informatiques quantiques via Amazon Braket. Il s'agit d'une bibliothèque open source conçue pour vous aider à gérer la partie quantique de votre flux de travail hybride.

Vous pouvez explorer Amazon Braket plus en détail à l'aide de nos exemples de blocs-notes.

Algorithmes hybrides avec PennyLane simulateurs intégrés

Amazon Braket Hybrid Jobs est désormais doté de processeurs hautes performances et de simulateurs GPU-based intégrés de. PennyLane Cette famille de simulateurs intégrés peut être intégrée directement dans votre conteneur de tâches hybride et comprend le simulateur d'états et de vecteurs rapide, le lightning.qubit lightning.gpu simulateur accéléré à l'aide de la bibliothèque CuQuantum de NVIDIA, etc. Ces simulateurs intégrés sont parfaitement adaptés aux algorithmes variationnels tels que l'apprentissage automatique quantique, qui peuvent bénéficier de méthodes avancées telles que la méthode de différenciation adjointe. Vous pouvez exécuter ces simulateurs intégrés sur une ou plusieurs instances de CPU ou de GPU.

Avec Hybrid Jobs, vous pouvez désormais exécuter le code de votre algorithme variationnel à l'aide d'une combinaison d'un coprocesseur classique et d'un QPU, d'un simulateur à la demande Amazon Braket tel queSV1, ou directement à l'aide du simulateur intégré de. PennyLane

Le simulateur intégré est déjà disponible avec le conteneur Hybrid Jobs, vous devez décorer votre fonction Python principale avec le @hybrid_job décorateur. Pour utiliser le PennyLane lightning.gpu simulateur, vous devez également spécifier une instance de GPU InstanceConfig comme indiqué dans l'extrait de code suivant :

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)
    ...

Reportez-vous à l'exemple de bloc-notes pour commencer à utiliser un simulateur PennyLane intégré avec Hybrid Jobs.

Activation du gradient PennyLane avec les simulateurs Amazon Braket

Avec le PennyLane plug-in pour Amazon Braket, vous pouvez calculer des dégradés à l'aide de la méthode de différenciation adjointe lors de l'exécution sur le simulateur vectoriel d'état local ou SV1.

Remarque : Pour utiliser la méthode de différenciation adjointe, vous devez spécifier diff_method='device' dans votreqnode, et non diff_method='adjoint'. Consultez l'exemple suivant.

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)