Publié le: Dec 9, 2022
SV1, le simulateur de vecteurs d'état à la demande d'Amazon Braket, prend désormais en charge le calcul des gradients à l'aide de la méthode de différenciation adjointe, ce qui permet aux clients de réduire les délais d'exécution et les coûts liés à leurs charges de travail de machine learning et d'optimisation quantiques. Suite à ce lancement, les clients qui simulent des algorithmes quantiques variationnels avec un grand nombre de paramètres, tels que l'algorithme d'optimisation approximative quantique (QAOA), peuvent désormais intégrer de manière fluide le calcul du gradient adjoint, soit directement à partir de l'API ou du kit SDK Braket Python, soit via PennyLane, un framework logiciel open source conçu pour la programmation différentiable quantique.
Lorsqu'ils utilisent la simulation classique pour calculer les gradients d'algorithmes quantiques variationnels, les clients préfèrent utiliser la méthode de différenciation adjointe en raison de son efficacité inhérente, qui ne nécessite que deux exécutions de circuits, quel que soit le nombre de paramètres ou le nombre de qubits. D'autres méthodes, telles que la règle de décalage des paramètres, nécessitent que le nombre d'exécutions de circuits soit adapté de manière linéaire au nombre de paramètres. Par exemple, le calcul des gradients à l'aide de la méthode de différenciation adjointe pour une QAOA à deux couches avec quatre paramètres au total permet d'accélérer quatre fois le délai d'exécution par rapport à l'utilisation de la méthode de décalage des paramètres, et de réaliser des économies de coûts correspondantes. Pour le calcul de gradient adjoint sur SV1, les clients n'ont plus qu'à spécifier le type de résultat du gradient adjoint ainsi que les paramètres et les observables correspondants, et à exécuter leur simulation comme d'habitude.
Cette fonctionnalité est disponible dès aujourd'hui dans toutes les régions AWS où est proposé Braket, et ce sans frais supplémentaires. Pour commencer à calculer des gradients sur SV1, veuillez consulter les ressources suivantes : le Guide du développeur Amazon Braket, un exemple de bloc-notes explorant le calcul de gradient adjoint sur Braket, ou cet autre exemple de bloc-notes utilisant l'intégration PennyLane. Pour plus d'informations sur l'offre gratuite proposée par AWS pour l'utilisation du simulateur sur Braket, consultez notre page de tarification.