（文章來源：DeepTech）

量子物理和機器學(xué)習(xí)的結(jié)合，誕生了量子機器學(xué)習(xí)這一跨學(xué)科領(lǐng)域。全球范圍內(nèi)，不少頂尖高校和企業(yè)研究機構(gòu)正投身于此并完善該領(lǐng)域的研究生態(tài)。近日，谷歌就在其官網(wǎng)宣布，與滑鐵盧大學(xué)、Alphabet X 和大眾汽車公司合作發(fā)布 TensorFlow Quantum (TFQ)。

TFQ 是一個用于快速構(gòu)建量子機器學(xué)習(xí)模型的開源庫，將能提供必要的工具，把量子計算和機器學(xué)習(xí)研究領(lǐng)域結(jié)合起來，控制和模擬自然或人工量子系統(tǒng)。例如有 50 - 100 個量子位的嘈雜中型量子 (NISQ) 處理器。機器學(xué)習(xí) (ML) 雖然不能完全模擬自然界中的系統(tǒng)，但是它能夠?qū)W習(xí)這些系統(tǒng)的模型并預(yù)測系統(tǒng)的行為。

在過去的幾年里，經(jīng)典的機器學(xué)習(xí)模型已經(jīng)在處理具有挑戰(zhàn)性的科學(xué)問題上初露鋒芒，促進了人類在癌癥檢測、圖像處理、地震預(yù)測、極端天氣預(yù)測和新系外行星探測方面的進步。近年來隨著量子計算的發(fā)展，新量子機器學(xué)習(xí)模型的發(fā)展可能會對世界上的重大問題產(chǎn)生深遠影響，有望使人類在醫(yī)學(xué)、材料、傳感和通信領(lǐng)域取得突破。然而，到目前為止，還缺乏相應(yīng)的研究工具來發(fā)現(xiàn)有用的量子機器學(xué)習(xí)模型。這些模型可以處理基于量子的數(shù)據(jù)并在可用的量子計算機上執(zhí)行任務(wù)。

TFQ 包含如量子位、門、電路和測量操作符等基本結(jié)構(gòu)，這些都是指定量子計算所必需的。用戶指定的量子計算可以在仿真或?qū)嶋H硬件上執(zhí)行。Cirq 還包含大量的機器，如編譯器和調(diào)度器，幫助用戶為 NISQ 機器設(shè)計高效的算法，使量子 - 經(jīng)典混合算法能夠在量子電路模擬器上運行，并最終在量子處理器上運行。

谷歌的團隊也已經(jīng)將 TFQ 用于量子 - 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)，機器學(xué)習(xí)用于量子控制，分層學(xué)習(xí)用于量子神經(jīng)網(wǎng)絡(luò)、量子動力學(xué)學(xué)習(xí)、混合量子態(tài)的生成建模，以及通過經(jīng)典遞歸神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)量子神經(jīng)網(wǎng)絡(luò)。團隊在 TFQ 白皮書中對這些量子應(yīng)用進行了綜述，每個示例都可以在瀏覽器中通過 Colab 從研究存儲庫運行。

那么，TFQ 具體是如何工作的？根據(jù)谷歌官方博客介紹，TFQ 允許研究人員在單個計算圖中構(gòu)建量子數(shù)據(jù)集、量子模型和經(jīng)典控制參數(shù)。量子測量的結(jié)果，導(dǎo)致經(jīng)典的概率事件，是由 TensorFlow Ops 獲得的。TFQ 訓(xùn)練可以使用標準的 Keras 函數(shù)進行。為了對如何使用量子數(shù)據(jù)提供一些直觀的認識，可以考慮使用量子神經(jīng)網(wǎng)絡(luò)對量子狀態(tài)進行監(jiān)督分類。量子機器學(xué)習(xí)和經(jīng)典機器學(xué)習(xí)一樣，關(guān)鍵的挑戰(zhàn)是如何對 “噪聲數(shù)據(jù)” 進行分類。為了建立和訓(xùn)練這樣一個模型，研究者可以做以下工作：

1. 準備量子數(shù)據(jù)庫。量子數(shù)據(jù)是張量(一個多維數(shù)列)。每個量子數(shù)據(jù)張量都被指定為一個用 Cirq 編寫的量子電路，它可以動態(tài)地生成量子數(shù)據(jù)。張量由張量流在量子計算機上執(zhí)行，生成一個量子數(shù)據(jù)庫。

2. 評估量子神經(jīng)網(wǎng)絡(luò)模型。研究人員可以使用 Cirq 建立量子神經(jīng)網(wǎng)絡(luò)的原型，然后將其嵌入到張量流計算圖中?；趯α孔訑?shù)據(jù)結(jié)構(gòu)的了解，可以從幾個大類中選擇參數(shù)化的量子模型。該模型的目標是執(zhí)行量子任務(wù)，以提取隱藏在糾纏態(tài)下的信息。換句話說，量子模型從本質(zhì)上分離了輸入的量子數(shù)據(jù)，將隱藏的信息編碼在經(jīng)典的相關(guān)性中，從而使其可用于局部測量和經(jīng)典的后處理。

3. 樣本或平均值。量子態(tài)的測量以樣本的形式從經(jīng)典隨機變量中提取經(jīng)典信息。這個隨機變量的值的分布一般取決于量子態(tài)本身和測量的可觀測值。由于許多變分算法取決于測量值的平均值，也稱為期望值，因此 TFQ 提供了在涉及步驟 (1) 和(2)的多次運行中求平均值的方法。

4. 評估經(jīng)典神經(jīng)網(wǎng)絡(luò)模型。一旦經(jīng)典信息被提取出來，它的格式就適合進一步的經(jīng)典后處理。由于所提取的信息仍然可能被編碼為測量期望之間的經(jīng)典關(guān)聯(lián)，因此可以使用經(jīng)典的深度神經(jīng)網(wǎng)絡(luò)來提取這種關(guān)聯(lián)。5. 評估成本函數(shù)。通過給定經(jīng)典后處理的結(jié)果，對成本函數(shù)進行評估。如果量子數(shù)據(jù)是被標記的，這基于模型執(zhí)行分類任務(wù)的準確性，如果任務(wù)是無監(jiān)督的，則基于其他標準。

6. 評估梯度和更新參數(shù)。在評估成本函數(shù)之后，應(yīng)該按照預(yù)期的方向更新線路中的自由參數(shù)，以降低成本。這通常是通過梯度下降來實現(xiàn)。TFQ 的一個關(guān)鍵特性將是能夠同時訓(xùn)練和執(zhí)行多個量子電路。

TensorFlow 能夠在計算機集群之間并行化計算，并能夠在多核計算機上模擬相對較大的量子電路，從而實現(xiàn)了這一目標。為了實現(xiàn)這一目標，谷歌團隊也宣布開放 qsim , 該模擬器能夠在谷歌云節(jié)點上在 111 秒內(nèi)仿真門深度為 14 的 32 量子位的量子電路。該模擬器還特別針對多核 Intel 處理器進行了優(yōu)化。結(jié)合 TFQ，團隊已經(jīng)在 60 分鐘內(nèi)在谷歌云節(jié)點上以門深度 20 對 20 量子位的量子電路進行了 100 萬次電路仿真。

（責(zé)任編輯：fqj）