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.

À utiliser 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 EC2 instance 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 fonctionnalité 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 plug-in Amazon Braket, ou à l'aide d'Amazon PennyLane Braket SDK Python et de référentiels d'exemples de blocs-notes. Des exemples de blocs-notes Amazon Braket, basés sur leSDK, vous permettent de configurer et d'exécuter certains algorithmes hybrides sans le plug-in. PennyLane Cependant, nous 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 dispositifs 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 erreurs de calcul.

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

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

Amazon Braket avec PennyLane

Amazon Braket fournit un support pour PennyLaneun framework logiciel open source construit autour du concept de programmation différentiable quantique. Vous pouvez utiliser ce cadre pour entraîner des circuits quantiques de la même manière que vous entraînerez un réseau neuronal afin de trouver des solutions à des problèmes de calcul 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 sur Amazon Support IDE de votre choix.

pip install amazon-braket-pennylane-plugin

L'exemple suivant montre comment configurer l'accès à Amazon Dispositifs de freinage 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 des exemples de didacticiels et plus d'informations à ce sujet PennyLane, consultez le référentiel d'exemples Amazon Braket.

Le Amazon PennyLane Le plugin Braket vous permet de basculer entre Amazon Frein QPU et simulateurs intégrés PennyLane avec une seule ligne de code. Il propose deux Amazon Appareils quantiques Braket compatibles avec PennyLane :

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

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

Exemples d'algorithmes hybrides dans les carnets de notes Amazon Braket

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

Les carnets de notes d'exemple Amazon Braket s'appuient sur le Python Amazon Braket. SDK SDKIl fournit un cadre pour interagir avec les dispositifs matériels informatiques quantiques via Amazon Support. 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 Allez encore plus loin avec nos exemples de carnets de notes.

Algorithmes hybrides avec PennyLane simulateurs intégrés

Amazon Braket Hybrid Jobs est désormais livré avec des simulateurs intégrés hautes performances CPU GPU basés sur. PennyLane Cette famille de simulateurs intégrés peut être intégrée directement dans votre conteneur de tâches hybrides et inclut le simulateur à vecteur d'état rapide, le lightning.qubit lightning.gpu simulateur accéléré à l'aide NVIDIA de la cuQuantum bibliothèque, 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 CPU ou plusieurs GPU instances.

Avec Hybrid Jobs, vous pouvez désormais exécuter votre code d'algorithme variationnel à l'aide d'une combinaison d'un coprocesseur classique et d'un QPU Amazon Simulateur de freinage à la demande tel que SV1, ou directement à l'aide du simulateur intégré de PennyLane.

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

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)
    ...

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

Dégradé adjoint activé PennyLane avec les simulateurs Amazon Braket

Avec le plugin PennyLane plugin pour Amazon Braket, vous pouvez calculer les dégradés à l'aide de la méthode de différenciation adjointe lorsque vous l'exécutez sur le simulateur de vecteur d'état local ou. SV1

Remarque : Pour utiliser la méthode de différenciation adjointe, vous devez spécifier diff_method='device' dans votre qnode et nondiff_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)