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。

激发机器学习潜力,还是要量子力学

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)。

TensorFlow Quantum如何工作?

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。

传送门

TFQ主页:
https://www.tensorflow.org/quantum/

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

TFQ白皮书:
https://arxiv.org/abs/2003.02989

版权所有,未经授权不得以任何形式转载及使用,违者必究。