谷歌迈出量子计算开源第一步，推出首个量子机器学习库TensorFlow Quantum

乾明十三发自凹非寺
量子位报道 | 公众号 QbitAI

刚刚，谷歌在量子计算领域又有标志性意义动作，铁了心要把“量子霸权”掌控到底。

这一次，谷歌对外开源量子计算学习库TensorFlow Quantum，简称TFQ，帮助研究人员发现有用的量子机器学习模型，在量子计算机上处理量子数据。

从2019年宣布实现量子霸权，到现在推出开源工具，谷歌一边架桥，一边铺路，核心目标再清晰不过：

将“200秒顶超算10000年”的量子霸权的威力，彻底激发出来，并掌控在自己手里。

谷歌认为，机器学习算法在解决具有挑战性的科学问题上显示出了希望，推动了癌症检测、地震余震预测、极端天气模式预测以及系外行星探测等方面的进步。

但其存在局限——不能准确地模拟自然界中的系统。怎么办？

用费曼的话来说，就是“如果你想模拟自然，你最好把它变成量子力学”。

所以谷歌提出，随着量子优越性的实现（量子霸权），新的量子机器学习模型的发展，可能对世界上最大的问题产生深远的影响，从而带来医学、材料、传感和通信领域的突破。

谷歌表示，TFQ中提供了必要的工具，来将机器学习和量子计算结合在一起，来控制/建模自然或人工量子系统，比如内含大约50-100量子比特的噪声中级量子处理器(NISQ) 。

在底层上，TFQ 集成了NISQ算法的开源框架Cirq 和 TensorFlow，通过提供与现有 TensorFlow API兼容的量子计算原语和高性能量子电路模拟器，为鉴别/生成量子经典模型的设计实现，提供高层次的抽象。

此外，TFQ还包含了指定量子计算所需的基本结构，如量子比特、门、电路和测量操作符。用户指定的量子计算，可以在模拟或真实的硬件上执行。

现在，谷歌已经将TFQ应用到了量子—经典卷积神经网络，用于量子控制的机器学习，用于分层学习的量子神经网络，以及通过经典循环神经网络，来学习量子神经网络等等方面。

他们在TFQ白皮书中，放出了这些量子应用的示例，并能在浏览器中通过Colab运行（地址在文末）。

简单来说，TensorFlow Quantum是一个用于量子机器学习的Python框架。

研究人员可以用它在单个计算图中(computational graph)，构建量子数据集、量子模型和作为张量的经典控制参数。

那么，如何使用量子数据呢？

可以考虑使用量子神经网络，对量子状态进行监督分类。量子ML和经典ML一样，关键的挑战是如何对“噪声数据”进行分类。为了建立和训练这样一个模型，可以做如下准备工作：

1、准备一个量子数据集。

量子数据被加载为张量，每个量子数据张量都指定为用Cirq编写的量子电路。这个电路可实时生成量子数据，张量由TensorFlow在量子计算机上执行，用来生成量子数据集。

2、评估一个量子神经网络模型。

研究人员可以使用Cirq建立量子神经网络的原型，然后将它嵌入到张量流计算图中。

基于对量子数据结构的了解，可以从几个大类中选择参数化的量子模型。

这个模型的目标是执行量子处理，用来提取隐藏在典型的纠缠态下的信息。

换句话说，量子模型从本质上分离了输入的量子数据，将隐藏的信息编码在经典的相关性中，从而使它可以用于局部测量和经典的后处理。

3、样本或平均值

量子态的测量从经典随机变量中，以样本形式提取经典信息。

来自该随机变量值的分布，通常取决于量子态本身以及所测得的可观测值。

由于许多变分算法依赖于测量值的平均值，因此TFQ提供了在涉及步骤(1)和(2)的多次运行中求平均值的方法。

4、评估一个经典的神经网络模型

一旦经典信息被提取出来，它的格式就适合进一步的经典后处理。

由于所提取的信息仍然可能被编码为测量期望之间的经典关联，因此可以使用经典的深度神经网络来提取这种关联。

5、评估成本函数

根据经典后处理的结果，成本函数就可以被评估了。

这可以基于模型执行分类任务的准确性(如果量子数据被标记)，或者基于其他标准(如果任务是无监督的)。

6、评估梯度和更新参数

在评估了成本函数之后，就应该更新pipeline中的自由参数，通常是通过梯度下降来执行的。

—完—

@量子位 · 追踪AI技术和产品新动态

深有感触的朋友，欢迎赞同、关注、分享三连վ'ᴗ' ի ❤

作者信息