谷歌邁出量子計(jì)算開(kāi)源第一步，推出首個(gè)量子機(jī)器學(xué)習(xí)庫(kù)TensorFlow Quantum

十三 2020-03-10 12:00:05 來(lái)源：量子位

乾明 十三 發(fā)自 凹非寺
量子位 報(bào)道 | 公眾號(hào) QbitAI

剛剛，谷歌在量子計(jì)算領(lǐng)域又有標(biāo)志性意義動(dòng)作，鐵了心要把“量子霸權(quán)”掌控到底。

這一次，谷歌對(duì)外開(kāi)源量子計(jì)算學(xué)習(xí)庫(kù)TensorFlow Quantum，簡(jiǎn)稱TFQ，幫助研究人員發(fā)現(xiàn)有用的量子機(jī)器學(xué)習(xí)模型，在量子計(jì)算機(jī)上處理量子數(shù)據(jù)。

從2019年宣布實(shí)現(xiàn)量子霸權(quán)，到現(xiàn)在推出開(kāi)源工具，谷歌一邊架橋，一邊鋪路，核心目標(biāo)再清晰不過(guò)：

將“200秒頂超算10000年”的量子霸權(quán)的威力，徹底激發(fā)出來(lái)，并掌控在自己手里。

激發(fā)機(jī)器學(xué)習(xí)潛力，還是要量子力學(xué)

谷歌認(rèn)為，機(jī)器學(xué)習(xí)算法在解決具有挑戰(zhàn)性的科學(xué)問(wèn)題上顯示出了希望，推動(dòng)了癌癥檢測(cè)、地震余震預(yù)測(cè)、極端天氣模式預(yù)測(cè)以及系外行星探測(cè)等方面的進(jìn)步。

但其存在局限——不能準(zhǔn)確地模擬自然界中的系統(tǒng)。怎么辦？

用費(fèi)曼的話來(lái)說(shuō)，就是“如果你想模擬自然，你最好把它變成量子力學(xué)”。

所以谷歌提出，隨著量子優(yōu)越性的實(shí)現(xiàn)（量子霸權(quán)），新的量子機(jī)器學(xué)習(xí)模型的發(fā)展，可能對(duì)世界上最大的問(wèn)題產(chǎn)生深遠(yuǎn)的影響，從而帶來(lái)醫(yī)學(xué)、材料、傳感和通信領(lǐng)域的突破。

谷歌表示，TFQ中提供了必要的工具，來(lái)將機(jī)器學(xué)習(xí)和量子計(jì)算結(jié)合在一起，來(lái)控制/建模自然或人工量子系統(tǒng)，比如內(nèi)含大約50-100量子比特的噪聲中級(jí)量子處理器(NISQ) 。

在底層上，TFQ 集成了NISQ算法的開(kāi)源框架Cirq 和 TensorFlow，通過(guò)提供與現(xiàn)有 TensorFlow API兼容的量子計(jì)算原語(yǔ)和高性能量子電路模擬器，為鑒別/生成量子經(jīng)典模型的設(shè)計(jì)實(shí)現(xiàn)，提供高層次的抽象。

此外，TFQ還包含了指定量子計(jì)算所需的基本結(jié)構(gòu)，如量子比特、門(mén)、電路和測(cè)量操作符。用戶指定的量子計(jì)算，可以在模擬或真實(shí)的硬件上執(zhí)行。

現(xiàn)在，谷歌已經(jīng)將TFQ應(yīng)用到了量子—經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)，用于量子控制的機(jī)器學(xué)習(xí)，用于分層學(xué)習(xí)的量子神經(jīng)網(wǎng)絡(luò)，以及通過(guò)經(jīng)典循環(huán)神經(jīng)網(wǎng)絡(luò)，來(lái)學(xué)習(xí)量子神經(jīng)網(wǎng)絡(luò)等等方面。

他們?cè)赥FQ白皮書(shū)中，放出了這些量子應(yīng)用的示例，并能在瀏覽器中通過(guò)Colab運(yùn)行（地址在文末）。

TensorFlow Quantum如何工作？

簡(jiǎn)單來(lái)說(shuō)，TensorFlow Quantum是一個(gè)用于量子機(jī)器學(xué)習(xí)的Python框架。

研究人員可以用它在單個(gè)計(jì)算圖中(computational graph)，構(gòu)建量子數(shù)據(jù)集、量子模型和作為張量的經(jīng)典控制參數(shù)。

那么，如何使用量子數(shù)據(jù)呢？

可以考慮使用量子神經(jīng)網(wǎng)絡(luò)，對(duì)量子狀態(tài)進(jìn)行監(jiān)督分類。量子ML和經(jīng)典ML一樣，關(guān)鍵的挑戰(zhàn)是如何對(duì)“噪聲數(shù)據(jù)”進(jìn)行分類。為了建立和訓(xùn)練這樣一個(gè)模型，可以做如下準(zhǔn)備工作：

1、準(zhǔn)備一個(gè)量子數(shù)據(jù)集。

量子數(shù)據(jù)被加載為張量，每個(gè)量子數(shù)據(jù)張量都指定為用Cirq編寫(xiě)的量子電路。這個(gè)電路可實(shí)時(shí)生成量子數(shù)據(jù)， 張量由TensorFlow在量子計(jì)算機(jī)上執(zhí)行，用來(lái)生成量子數(shù)據(jù)集。

2、評(píng)估一個(gè)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，然后將它嵌入到張量流計(jì)算圖中。

基于對(duì)量子數(shù)據(jù)結(jié)構(gòu)的了解，可以從幾個(gè)大類中選擇參數(shù)化的量子模型。

這個(gè)模型的目標(biāo)是執(zhí)行量子處理，用來(lái)提取隱藏在典型的糾纏態(tài)下的信息。

換句話說(shuō)，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，從而使它可以用于局部測(cè)量和經(jīng)典的后處理。

3、樣本或平均值

量子態(tài)的測(cè)量從經(jīng)典隨機(jī)變量中，以樣本形式提取經(jīng)典信息。

來(lái)自該隨機(jī)變量值的分布，通常取決于量子態(tài)本身以及所測(cè)得的可觀測(cè)值。

由于許多變分算法依賴于測(cè)量值的平均值，因此TFQ提供了在涉及步驟(1)和(2)的多次運(yùn)行中求平均值的方法。

4、評(píng)估一個(gè)經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型

一旦經(jīng)典信息被提取出來(lái)，它的格式就適合進(jìn)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(cè)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(lái)提取這種關(guān)聯(lián)。

5、評(píng)估成本函數(shù)

根據(jù)經(jīng)典后處理的結(jié)果，成本函數(shù)就可以被評(píng)估了。

這可以基于模型執(zhí)行分類任務(wù)的準(zhǔn)確性(如果量子數(shù)據(jù)被標(biāo)記)，或者基于其他標(biāo)準(zhǔn)(如果任務(wù)是無(wú)監(jiān)督的)。

6、評(píng)估梯度和更新參數(shù)

在評(píng)估了成本函數(shù)之后，就應(yīng)該更新pipeline中的自由參數(shù)，通常是通過(guò)梯度下降來(lái)執(zhí)行的。

傳送門(mén)

TFQ主頁(yè)：
https://www.tensorflow.org/quantum/

TFQ GitHub地址：
https://github.com/tensorflow/quantum

TFQ白皮書(shū)：
https://arxiv.org/abs/2003.02989