Veröffentlicht am: Dec 8, 2020
Amazon Braket unterstützt jetzt PennyLane, ein Open-Source-Software-Framework für hybrides Quanten-Computing. PennyLane bietet Schnittstellen zu gängigen Bibliotheken für Machine Learning, einschließlich PyTorch und TensorFlow, so dass Sie Quantenschaltungen auf die gleiche Weise schulen können wie ein neuronales Netzwerk. Die Integration mit Amazon Braket ermöglicht es Ihnen, Algorithmen schneller und in größerem Umfang auf skalierbaren und vollständig verwalteten Simulatoren zu testen und fein abzustimmen und sie auf der Quantencomputer-Hardware Ihrer Wahl auszuführen.
Hybride Quantenalgorithmen verwenden einen iterativen Ansatz, bei dem Quantencomputer als Co-Prozessoren zu klassischen Rechenressourcen eingesetzt werden. Dieser Ansatz hilft, die Auswirkungen von Fehlern, die in der heutigen Quantencomputer-Hardware enthalten sind, abzuschwächen. Mit PennyLane bietet Amazon Braket eine einfache, intuitive und hochleistungsfähige Erfahrung für den Einstieg in hybride Quantenalgorithmen. Durch die Kombination von PennyLane mit den verwalteten Simulatoren von Amazon Braket zum Testen und Feinabstimmen Ihrer Algorithmen können Sie eine 10-fache oder höhere Reduzierung der Schulungszeiten erreichen, wenn Sie die parallele Ausführung von Schaltungen verwenden, verglichen mit der Ausführung Ihres Algorithmus auf einer einzelnen Maschine.
Amazon-Braket-Notebooks werden mit PennyLane vorkonfiguriert geliefert, so dass Sie schnell loslegen können. Sie können auch das Amazon-Braket-PennyLane-Plugin installieren, wenn Sie lieber Ihre eigene Entwicklungsumgebung verwenden möchten. Support für PennyLane ist in allen AWS-Regionen verfügbar, in denen Amazon Braket verfügbar ist. Um mit der Programmierung hybrider Quantenalgorithmen mit PennyLane auf Amazon Braket zu beginnen, besuchen Sie bitte die Beispiel-Notebooks, das Amazon Braket-Entwicklerhandbuch und das PennyLane-GitHub-Repository.
Geändert am 27.08.2021 – Um ein großartiges Erlebnis zu gewährleisten, wurden abgelaufene Links in diesem Beitrag aktualisiert oder aus dem ursprünglichen Beitrag entfernt.