[[319936]]

【51CTO.com快譯】量子計(jì)算和人工智能(AI)的交匯有望成為整個(gè)技術(shù)發(fā)展史上最引人入勝的潮流之一。量子計(jì)算的出現(xiàn)可能迫使我們重新構(gòu)思幾乎所有現(xiàn)有的計(jì)算范式，AI也不例外。然而，量子計(jì)算機(jī)的計(jì)算能力還有望加快AI如今仍然不實(shí)用的許多方面。AI和量子計(jì)算相輔相成的第一步是，重新構(gòu)思在量子架構(gòu)上運(yùn)行的機(jī)器學(xué)習(xí)模型。最近谷歌開(kāi)源了用于構(gòu)建量子機(jī)器學(xué)習(xí)模型的框架：TensorFlow Quantum。

TensorFlow Quantum的核心概念是將量子算法和機(jī)器學(xué)習(xí)程序交織在TensorFlow編程模型中。谷歌稱這種方法為量子機(jī)器學(xué)習(xí)，能夠利用其最近的一些量子計(jì)算框架(比如谷歌Cirq)來(lái)實(shí)現(xiàn)它。

量子機(jī)器學(xué)習(xí)

說(shuō)到量子計(jì)算和AI，我們要回答的第一個(gè)問(wèn)題是，后者如何得益于新興的量子架構(gòu)。量子機(jī)器學(xué)習(xí)(QML)是個(gè)籠統(tǒng)的術(shù)語(yǔ)，指可以充分利用量子特性的機(jī)器學(xué)習(xí)模型。QML的第一個(gè)應(yīng)用專注于重構(gòu)傳統(tǒng)的機(jī)器學(xué)習(xí)模型，以便它們能夠在隨量子位數(shù)量急劇擴(kuò)大的狀態(tài)空間上執(zhí)行快速線性代數(shù)。然而，由于量子硬件的計(jì)算能力提高，量子硬件的發(fā)展拓寬了QML的前景，逐漸發(fā)展成為可以進(jìn)行經(jīng)驗(yàn)研究的啟發(fā)式方法。這個(gè)過(guò)程類似于GPU的問(wèn)世，如何使機(jī)器學(xué)習(xí)向深度學(xué)習(xí)范式發(fā)展。

在TensorFlow Quantum的上下文中，可以將QML定義為兩大部分：

a. 量子數(shù)據(jù)集

b. 混合量子模型

量子數(shù)據(jù)集

量子數(shù)據(jù)是出現(xiàn)在自然或人工量子系統(tǒng)中的任何數(shù)據(jù)源。這可能是來(lái)自量子力學(xué)實(shí)驗(yàn)的經(jīng)典數(shù)據(jù)，也可能是由量子設(shè)備直接生成，然后作為輸入饋入到算法中的數(shù)據(jù)。有一些證據(jù)表明，出于以下描述的原因，“量子數(shù)據(jù)”方面的混合量子經(jīng)典機(jī)器學(xué)習(xí)應(yīng)用可提供較之純經(jīng)典機(jī)器學(xué)習(xí)的量子優(yōu)勢(shì)。量子數(shù)據(jù)表現(xiàn)出疊加和糾纏現(xiàn)象，導(dǎo)致可能需要數(shù)量激增的經(jīng)典計(jì)算資源來(lái)表示或存儲(chǔ)的聯(lián)合概率分布。

混合量子模型

就像機(jī)器學(xué)習(xí)可以從訓(xùn)練數(shù)據(jù)集歸納模型一樣，QML也可以從量子數(shù)據(jù)集歸納量子模型。然而，由于量子處理器仍然很小且嘈雜，量子模型無(wú)法單單使用量子處理器來(lái)歸納量子數(shù)據(jù)。混合量子模型提出了一種方案，其中量子計(jì)算機(jī)作為硬件加速器將最有用，與傳統(tǒng)計(jì)算機(jī)共生。這種模型非常適合TensorFlow，因?yàn)樗呀?jīng)跨CPU、GPU和TPU支持異構(gòu)計(jì)算。

Cirq

建立混合量子模型的第一步是能夠利用量子操作。為此，TensorFlow Quantum依靠Cirq，這種開(kāi)源框架用于在近期設(shè)備上調(diào)用量子電路。Cirq包含指定量子計(jì)算所需要的基本結(jié)構(gòu)，比如量子位、門、電路和測(cè)量運(yùn)算符。Cirq背后的想法是提供一種簡(jiǎn)單的編程模型，它對(duì)量子應(yīng)用軟件的基本構(gòu)建模塊進(jìn)行抽象處理。最新版本包括以下關(guān)鍵構(gòu)建模塊：

• 電路：在Cirq中，電路代表量子電路的最基本形式。Cirq電路表示為矩(Moment)的集合，這些矩包括在某個(gè)抽象時(shí)間間隔內(nèi)對(duì)量子位執(zhí)行的操作。
• 時(shí)間表和設(shè)備：時(shí)間表是量子電路的另一種形式，包括有關(guān)門的時(shí)機(jī)和持續(xù)時(shí)間的更詳細(xì)的信息。從概念上講，時(shí)間表由一組ScheduledOperations以及要在其上運(yùn)行時(shí)間表的設(shè)備的描述組成。
• 門：在Cirq中，門對(duì)量子位集合的操作進(jìn)行抽象處理。
• 模擬器：Cirq包括可用于運(yùn)行電路和時(shí)間表的Python模擬器。模擬器架構(gòu)可以跨多個(gè)線程和CPU擴(kuò)展，從而使它可以運(yùn)行相當(dāng)復(fù)雜的電路。

TensorFlow Quantum

TensorFlow Quantum(TFQ)是用于構(gòu)建QML應(yīng)用程序的框架。TFQ使機(jī)器學(xué)習(xí)研究人員可以構(gòu)建量子數(shù)據(jù)集、量子模型和經(jīng)典控制參數(shù)，作為單單一張計(jì)算圖中的張量(tensor)。

從架構(gòu)的角度來(lái)看，TFQ提供了一個(gè)模型，它對(duì)與TensorFlow、Cirq和計(jì)算硬件的交互進(jìn)行抽象處理。堆棧的頂部是要處理的數(shù)據(jù)。經(jīng)典數(shù)據(jù)直接由TensorFlow處理;TFQ增加了這一功能：處理由量子電路和量子運(yùn)算符組成的量子數(shù)據(jù)。堆棧的下一級(jí)是TensorFlow中的Keras API。由于TFQ的核心原則是與核心TensorFlow(尤其是與Keras模型和優(yōu)化器)進(jìn)行原生集成，因此這一級(jí)橫跨堆棧的整個(gè)寬度。Keras模型抽象的下面是我們的量子層和微分器，與經(jīng)典TensorFlow層連接起來(lái)后，它們可以實(shí)現(xiàn)混合量子-經(jīng)典自動(dòng)微分。在量子層和微分器的下面，TFQ依賴TensorFlow運(yùn)算符，該運(yùn)算符為數(shù)據(jù)流圖創(chuàng)建實(shí)例。

從執(zhí)行的角度來(lái)看，TFQ遵循以下步驟來(lái)訓(xùn)練和構(gòu)建QML模型。

1. 準(zhǔn)備量子數(shù)據(jù)集：量子數(shù)據(jù)作為張量而加載，被指定為用Cirq編寫的量子電路。張量由TensorFlow在量子計(jì)算機(jī)上執(zhí)行，以生成量子數(shù)據(jù)集。

2. 評(píng)估量子神經(jīng)網(wǎng)絡(luò)模型：在這一步，研究人員可以使用Cirq為量子神經(jīng)網(wǎng)絡(luò)建立原型，然后將其嵌入到TensorFlow計(jì)算圖中。

3. 采樣或求平均：這一步利用了對(duì)涉及第1步和第2步的幾趟運(yùn)行求平均值的方法。

4. 評(píng)估經(jīng)典神經(jīng)網(wǎng)絡(luò)模型：這一步使用經(jīng)典深度神經(jīng)網(wǎng)絡(luò)，以獲取前幾個(gè)步驟中提取的度量指標(biāo)之間的這種關(guān)聯(lián)。

5. 評(píng)估成本函數(shù)：與傳統(tǒng)的機(jī)器學(xué)習(xí)模型類似，TFQ使用這一步評(píng)估成本函數(shù)。如果標(biāo)記了量子數(shù)據(jù)，這可能基于模型執(zhí)行分類任務(wù)有多準(zhǔn)確;如果任務(wù)不是監(jiān)督式，基于其他標(biāo)準(zhǔn)。

6. 評(píng)估梯度和更新參數(shù)：評(píng)估成本函數(shù)后，應(yīng)沿著預(yù)期降低成本的方向，更新管道中的自由參數(shù)。

TensorFlow和Cirq的結(jié)合使TFQ擁有一系列豐富的功能，包括更簡(jiǎn)單和熟悉的編程模型，以及同時(shí)訓(xùn)練和執(zhí)行許多量子電路的功能。

結(jié)合量子計(jì)算和機(jī)器學(xué)習(xí)的工作仍處于起步階段。當(dāng)然，TFQ是這個(gè)領(lǐng)域最重要的里程碑之一，它利用了量子學(xué)習(xí)和機(jī)器學(xué)習(xí)中一些最好的IP。有關(guān)TFQ的更多詳細(xì)信息，請(qǐng)?jiān)L問(wèn)項(xiàng)目官網(wǎng)(https://www.tensorflow.org/quantum)。

原文標(biāo)題：Exploring TensorFlow Quantum, Google’s New Framework for Creating Quantum Machine Learning Models，作者：Jesus Rodriguez

【51CTO譯稿，合作站點(diǎn)轉(zhuǎn)載請(qǐng)注明原文譯者和出處為51CTO.com】