繼官宣「量子優(yōu)越性」之后，昨日，谷歌發(fā)布了在量子計(jì)算領(lǐng)域的又一重要研究：TensorFlow Quantum，這是首個(gè)用于訓(xùn)練量子 ML 模型的框架。
去年 10 月，谷歌宣布首次實(shí)現(xiàn)「量子優(yōu)越性」，用一臺(tái) 54 量子比特的量子計(jì)算機(jī)實(shí)現(xiàn)了傳統(tǒng)架構(gòu)計(jì)算機(jī)無法完成的任務(wù)。谷歌稱，在世界第一超算需要計(jì)算 1 萬年的實(shí)驗(yàn)中，量子計(jì)算機(jī)只用了 3 分 20 秒。這被視為量子計(jì)算領(lǐng)域的里程碑事件，并登上了《自然》雜志 150 周年版的封面。今天，谷歌宣布與滑鐵盧大學(xué)、大眾汽車公司聯(lián)合推出 TensorFlow Quantum (以下簡稱 TFQ)，這是一個(gè)可快速搭建量子 ML 模型的開源庫。TFQ 將提供把量子計(jì)算和機(jī)器學(xué)習(xí)研究相融合所必需的工具，以控制、建模自然或人工的量子系統(tǒng)，比如 50 到 100 個(gè)量子比特的嘈雜中型量子（NISQ）處理器。3 月 6 日，研究團(tuán)隊(duì)在預(yù)印本平臺(tái) arXiv 上提交了論文，對(duì)這一基于 Python 語言的新框架進(jìn)行了詳細(xì)解釋，論文作者共有 20 多位，來自谷歌研究院、滑鐵盧大學(xué)量子計(jì)算研究所、NASA 的 Quantum AI 實(shí)驗(yàn)室、大眾汽車和神秘的谷歌 X 部門。論文地址：https://arxiv.org/abs/2003.02989
一直以來，經(jīng)典的 ML 模型對(duì)科研攻關(guān)工作多有助力，比如癌癥檢測、預(yù)測地震和余震、預(yù)測極端天氣和檢測系外行星等。而新的量子 ML 模型的誕生，將有助于醫(yī)學(xué)、材料、傳感、通信領(lǐng)域取得更多突破。TFQ 將 Criq 和 TensorFlow 相融合，提供了與現(xiàn)有 TensorFlow API 兼容的量子計(jì)算原語（primitives）和高性能量子電路仿真器，為判別式和生成式量子-經(jīng)典模型的設(shè)計(jì)和實(shí)現(xiàn)提供了高級(jí)抽象。一個(gè)量子模型能夠基于量子的本質(zhì)來表示以及泛化數(shù)據(jù)。然而，要理解量子模型，首先需要明確兩個(gè)概念——量子數(shù)據(jù)和量子-經(jīng)典混合模型（hybrid quantum-classical model）。量子數(shù)據(jù)具有疊加和糾纏的特性，使得其聯(lián)合概率分布依賴大量經(jīng)典算力資源來表示和存儲(chǔ)。量子數(shù)據(jù)可以在量子處理器、傳感器、網(wǎng)絡(luò)中產(chǎn)生和模擬，包括化合物模擬、量子控制、量子通信網(wǎng)絡(luò)、量子方法等。技術(shù)上來說，由 NISQ 處理器生成的量子數(shù)據(jù)有個(gè)關(guān)鍵的特性：充滿噪聲而且在測量前糾纏。然而，將量子機(jī)器學(xué)習(xí)應(yīng)用到有噪聲、糾纏的量子數(shù)據(jù)中可能會(huì)最大化提取有用的經(jīng)典信息。受到這些技術(shù)的啟發(fā)，TFQ 庫提供了開發(fā)用于解糾纏和泛化修正量子數(shù)據(jù)的模型工具。這無疑為提升現(xiàn)有量子算法性能，或發(fā)現(xiàn)新的量子算法提供了機(jī)會(huì)。第二個(gè)需要引入的概念是量子經(jīng)典混合模型。由于近來的量子處理器還相對(duì)較小，充滿噪聲，量子模型不能僅依賴量子處理器——NISQ 處理器需要和經(jīng)典處理器配合，才能變得高效。TFQ 包含了量子計(jì)算所需的基本結(jié)構(gòu)（如量子比特、門、電路……），用戶指定的量子計(jì)算可在模擬的環(huán)境以及真實(shí)的硬件上執(zhí)行。Cirq 還包含大量的構(gòu)件，用以幫助用戶為 NISQ 處理器設(shè)計(jì)高效的算法，使得量子-經(jīng)典混合算法的實(shí)現(xiàn)能在量子電路模擬器上運(yùn)行，最終在量子處理器上運(yùn)行。目前，谷歌已將 TFQ 及各種經(jīng)典深度學(xué)習(xí)算法用于實(shí)現(xiàn)量子神經(jīng)網(wǎng)絡(luò)，包括各種量子過程。谷歌在論文中提供了這些量子應(yīng)用的概覽，每個(gè)示例都可以通過 Colab 在瀏覽器中運(yùn)行，感興趣的讀者可查閱原論文。TFQ 允許研究人員在單個(gè)計(jì)算圖中將量子數(shù)據(jù)集、量子模型和經(jīng)典控制參數(shù)以張量的形式創(chuàng)建。量子測量的結(jié)果導(dǎo)致了經(jīng)典概率事件，該結(jié)果通過 TensorFlow Ops 實(shí)現(xiàn)。使用標(biāo)準(zhǔn) Keras 函數(shù)可以完成訓(xùn)練。為了了解如何利用量子數(shù)據(jù)，有人可能考慮使用量子神經(jīng)網(wǎng)絡(luò)對(duì)量子態(tài)進(jìn)行監(jiān)督式分類。正如經(jīng)典 ML 一樣，量子 ML 的主要挑戰(zhàn)也在于「噪聲數(shù)據(jù)」的分類。為了構(gòu)建和訓(xùn)練量子 ML 模型，研究人員可以執(zhí)行以下操作：準(zhǔn)備量子數(shù)據(jù)集：量子數(shù)據(jù)作為張量（多維數(shù)組）來加載。每個(gè)量子數(shù)據(jù)張量被指定為 Cirp 庫中編寫的量子電路，它可以生成動(dòng)態(tài)的量子數(shù)據(jù)。張量又在量子計(jì)算機(jī)上通過 TensorFlow 執(zhí)行，以生成量子數(shù)據(jù)集；
評(píng)估量子神經(jīng)網(wǎng)絡(luò)模型：研究人員可以使用 Cirq 庫建立量子神經(jīng)網(wǎng)絡(luò)的原型，然后將它嵌入到 TensorFlow 計(jì)算圖中。研究人員可以基于量子數(shù)據(jù)結(jié)構(gòu)從幾個(gè)大類中選擇參數(shù)化量子模型，其目的在于實(shí)現(xiàn)量子化處理，以提取隱藏在典型量子糾纏態(tài)中的信息。從本質(zhì)上來講，量子模型理清輸入的量子數(shù)據(jù)，使隱藏信息在經(jīng)典關(guān)聯(lián)中進(jìn)行編碼，從而使它們適用于本地測量和經(jīng)典后處理；
樣本或平均值：量子態(tài)的測量中需要以樣本的形式從經(jīng)典隨機(jī)變量中提取經(jīng)典信息，并且經(jīng)典變量中數(shù)值的分布通常取決于量子態(tài)自身和測量到的可觀察量。由于很多變分算法取決于測量的平均值或者說期望值，TFQ 對(duì)包括步驟（1）和（2）等執(zhí)行步驟提供了求平均值的方法；
評(píng)估經(jīng)典神經(jīng)網(wǎng)絡(luò)模型：經(jīng)典信息被提取之后，它的格式適合更進(jìn)一步的經(jīng)典后處理。由于提取的信息依然在測量期望值之間的經(jīng)典關(guān)聯(lián)中解碼，研究人員可以使用經(jīng)典深度神經(jīng)網(wǎng)絡(luò)對(duì)這些關(guān)聯(lián)進(jìn)行蒸餾處理；
評(píng)估代價(jià)函數(shù)：在得到經(jīng)典后處理結(jié)果之后，研究人員對(duì)代價(jià)函數(shù)進(jìn)行評(píng)估。需要注意的是，如果量子數(shù)據(jù)被標(biāo)記，則評(píng)估過程基于模型執(zhí)行分類任務(wù)的準(zhǔn)確度；如果任務(wù)是無監(jiān)督式的，則基于其他標(biāo)準(zhǔn)；
評(píng)估梯度和更新參數(shù)：在評(píng)估代價(jià)函數(shù)之后，pipeline 中的自由參數(shù)應(yīng)本著降低成本的方向進(jìn)行更新，其中最常見的方法是通過梯度下降來執(zhí)行更新。
這個(gè)庫看起來針對(duì)的是那些想要開發(fā)、理解量子計(jì)算算法的研究者。雖然這個(gè)庫只是用經(jīng)典計(jì)算機(jī)模擬量子計(jì)算機(jī)，但其目的是讓人們驗(yàn)證自己的想法或理論?？紤]到量子計(jì)算可以輕易解決一些經(jīng)典難題（如因式分解），還有哪些問題可以輕易解決依然有待探討。利用量子計(jì)算模型可能很容易解決類似于機(jī)器學(xué)習(xí)優(yōu)化問題的問題。像 TFQ 這種庫可以讓人們更加快速地研究這一問題，因?yàn)閷?shí)現(xiàn)模擬量子計(jì)算機(jī)的底層細(xì)節(jié)的大量工作已經(jīng)完成。這個(gè)庫特別適用于那些不一定普遍適用，但在現(xiàn)實(shí)應(yīng)用中非常有效的想法，如單純形法。
在構(gòu)建量子計(jì)算機(jī)的過程中，理解其優(yōu)勢(shì)和局限性非常重要，這樣我們就可以知道哪些方向是實(shí)用的，哪些方面在設(shè)計(jì)的時(shí)候需要被優(yōu)先考慮（比如，如果我們?cè)诹孔佑?jì)算機(jī)中需要的是更多的「Y」，那么探索如何塞入更多的「X」就沒有意義了）。
此外，也有人引用了理論計(jì)算機(jī)科學(xué)家、量子計(jì)算專家 Scott Aaronson 的看法：顯然，量子計(jì)算在工業(yè)、國防等領(lǐng)域都有很大的應(yīng)用潛力。主要問題在于，我們不知道如何從量子計(jì)算機(jī)中得到那些應(yīng)用所需的加速。我們認(rèn)為，使用 Grover 算法的變體，量子計(jì)算機(jī)通常能夠解決一些優(yōu)化和機(jī)器學(xué)習(xí)問題，將計(jì)算步驟減少到經(jīng)典計(jì)算所需步驟的平方根。這很重要，但并不代表用量子模擬就能實(shí)現(xiàn)指數(shù)級(jí)加速，也不意味著顛覆性變革或破解公共秘鑰加密。最有可能的是，量子計(jì)算機(jī)只能在特殊情況下實(shí)現(xiàn)指數(shù)級(jí)加速，而且目前還沒有人知道這些特殊情況在現(xiàn)實(shí)世界中有多么重要。這是一個(gè)正在研究的問題——可能會(huì)有進(jìn)一步的理論突破，也有可能我們一直都無法理解量子計(jì)算機(jī)在這類問題中的潛力，直到我們創(chuàng)造出可以用來測量的實(shí)際設(shè)備。
還有評(píng)論者提到，閱讀谷歌給出的教程也有利于理解這一問題：https://github.com/tensorflow/quantum/blob/master/docs/tutorials/mnist.ipynb在官方博客的最后，谷歌指出，TFQ 現(xiàn)在主要面向在經(jīng)典電路模擬器上執(zhí)行量子電路。在未來，TFQ 將能夠在 Cirq 支持的實(shí)際量子處理器上執(zhí)行量子電路，包括谷歌自己的處理器 Sycamore。https://ai.googleblog.com/2020/03/announcing-tensorflow-quantum-open.htmlhttps://www.reddit.com/r/MachineLearning/comments/ffu9z4/n_tensorflow_quantum_is_published/https://venturebeat.com/2020/03/09/google-launches-tensorflow-quantum-a-machine-learning-framework-for-training-quantum-models/
本站僅提供存儲(chǔ)服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請(qǐng)
點(diǎn)擊舉報(bào)。
