（文章來(lái)源：DeepTech）

量子物理和機(jī)器學(xué)習(xí)的結(jié)合，誕生了量子機(jī)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(jī)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(gè)用于快速構(gòu)建量子機(jī)器學(xué)習(xí)模型的開(kāi)源庫(kù)，將能提供必要的工具，把量子計(jì)算和機(jī)器學(xué)習(xí)研究領(lǐng)域結(jié)合起來(lái)，控制和模擬自然或人工量子系統(tǒng)。例如有 50 - 100 個(gè)量子位的嘈雜中型量子 (NISQ) 處理器。機(jī)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(cè)系統(tǒng)的行為。

在過(guò)去的幾年里，經(jīng)典的機(jī)器學(xué)習(xí)模型已經(jīng)在處理具有挑戰(zhàn)性的科學(xué)問(wèn)題上初露鋒芒，促進(jìn)了人類在癌癥檢測(cè)、圖像處理、地震預(yù)測(cè)、極端天氣預(yù)測(cè)和新系外行星探測(cè)方面的進(jìn)步。近年來(lái)隨著量子計(jì)算的發(fā)展，新量子機(jī)器學(xué)習(xí)模型的發(fā)展可能會(huì)對(duì)世界上的重大問(wèn)題產(chǎn)生深遠(yuǎn)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(lái)發(fā)現(xiàn)有用的量子機(jī)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(jì)算機(jī)上執(zhí)行任務(wù)。

TFQ 包含如量子位、門(mén)、電路和測(cè)量操作符等基本結(jié)構(gòu)，這些都是指定量子計(jì)算所必需的。用戶指定的量子計(jì)算可以在仿真或?qū)嶋H硬件上執(zhí)行。Cirq 還包含大量的機(jī)器，如編譯器和調(diào)度器，幫助用戶為 NISQ 機(jī)器設(shè)計(jì)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(yùn)行，并最終在量子處理器上運(yùn)行。

谷歌的團(tuán)隊(duì)也已經(jīng)將 TFQ 用于量子 - 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)，機(jī)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(dòng)力學(xué)學(xué)習(xí)、混合量子態(tài)的生成建模，以及通過(guò)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(tuán)隊(duì)在 TFQ 白皮書(shū)中對(duì)這些量子應(yīng)用進(jìn)行了綜述，每個(gè)示例都可以在瀏覽器中通過(guò) Colab 從研究存儲(chǔ)庫(kù)運(yùn)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(gè)計(jì)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(cè)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(biāo)準(zhǔn)的 Keras 函數(shù)進(jìn)行。為了對(duì)如何使用量子數(shù)據(jù)提供一些直觀的認(rèn)識(shí)，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。量子機(jī)器學(xué)習(xí)和經(jīng)典機(jī)器學(xué)習(xí)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，研究者可以做以下工作：

1. 準(zhǔn)備量子數(shù)據(jù)庫(kù)。量子數(shù)據(jù)是張量(一個(gè)多維數(shù)列)。每個(gè)量子數(shù)據(jù)張量都被指定為一個(gè)用 Cirq 編寫(xiě)的量子電路，它可以動(dòng)態(tài)地生成量子數(shù)據(jù)。張量由張量流在量子計(jì)算機(jī)上執(zhí)行，生成一個(gè)量子數(shù)據(jù)庫(kù)。

2. 評(píng)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(jì)算圖中?；趯?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。該模型的目標(biāo)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(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，從而使其可用于局部測(cè)量和經(jīng)典的后處理。

3. 樣本或平均值。量子態(tài)的測(cè)量以樣本的形式從經(jīng)典隨機(jī)變量中提取經(jīng)典信息。這個(gè)隨機(jī)變量的值的分布一般取決于量子態(tài)本身和測(cè)量的可觀測(cè)值。由于許多變分算法取決于測(cè)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(yùn)行中求平均值的方法。

4. 評(píng)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(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)。通過(guò)給定經(jīng)典后處理的結(jié)果，對(duì)成本函數(shù)進(jìn)行評(píng)估。如果量子數(shù)據(jù)是被標(biāo)記的，這基于模型執(zhí)行分類任務(wù)的準(zhǔn)確性，如果任務(wù)是無(wú)監(jiān)督的，則基于其他標(biāo)準(zhǔn)。

6. 評(píng)估梯度和更新參數(shù)。在評(píng)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(guò)梯度下降來(lái)實(shí)現(xiàn)。TFQ 的一個(gè)關(guān)鍵特性將是能夠同時(shí)訓(xùn)練和執(zhí)行多個(gè)量子電路。

TensorFlow 能夠在計(jì)算機(jī)集群之間并行化計(jì)算，并能夠在多核計(jì)算機(jī)上模擬相對(duì)較大的量子電路，從而實(shí)現(xiàn)了這一目標(biāo)。為了實(shí)現(xiàn)這一目標(biāo)，谷歌團(tuán)隊(duì)也宣布開(kāi)放 qsim , 該模擬器能夠在谷歌云節(jié)點(diǎn)上在 111 秒內(nèi)仿真門(mén)深度為 14 的 32 量子位的量子電路。該模擬器還特別針對(duì)多核 Intel 處理器進(jìn)行了優(yōu)化。結(jié)合 TFQ，團(tuán)隊(duì)已經(jīng)在 60 分鐘內(nèi)在谷歌云節(jié)點(diǎn)上以門(mén)深度 20 對(duì) 20 量子位的量子電路進(jìn)行了 100 萬(wàn)次電路仿真。

（責(zé)任編輯：fqj）