（文章來源：AI科技大本營）

近日，Google 與滑鐵盧大學、大眾汽車等聯(lián)合發(fā)布 TensorFlow Quantum（TFQ），一個可快速建立量子機器學習模型原型的開源庫。TFQ提供了必要的工具，將量子計算和機器學習技術結(jié)合起來，以控制并建模自然或人工的量子計算系統(tǒng)。雖然機器學習不能完全模擬自然界的系統(tǒng)，但是它能夠?qū)W習這些系統(tǒng)的模型并預測系統(tǒng)的行為。

在過去的幾年里，傳統(tǒng)的機器學習模型已在處理具有挑戰(zhàn)性的科學問題上初露鋒芒，并促進了人類在癌癥檢測、圖像處理、地震預測、極端天氣預測和新系外行星探測方面的進步。近年來隨著量子計算的發(fā)展，新量子機器學習模型的發(fā)展已開始對世界重大問題產(chǎn)生深遠的影響，并有望讓人類在醫(yī)學、材料、傳感和通信領域取得突破。然而，到目前為止，我們?nèi)匀蝗狈ο鄳难芯抗ぞ邅戆l(fā)現(xiàn)有用的量子機器學習模型——這些模型可以處理基于量子的數(shù)據(jù)，并在量子計算機上執(zhí)行任務。

而如今，TFQ 通過提供與現(xiàn)有 TensorFlow API 兼容的量子計算基本要素以及高性能量子電路模擬器，將量子計算開源框架 Cirq 與 TensorFlow 集成在一起，為傳統(tǒng)的判別和生成量子模型的設計和實現(xiàn)提供了高層的抽象。什么是量子機器學習模型？量子模型具有以量子力學來表示和概括數(shù)據(jù)的能力。然而，為了理解量子模型，首先必須明確兩個概念：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，因此其聯(lián)合概率分布需要大量傳統(tǒng)的計算資源來表示或存儲。量子數(shù)據(jù)可以在量子處理器、傳感器、網(wǎng)絡中產(chǎn)生和模擬，包括化學物質(zhì)和量子物質(zhì)的模擬、量子控制、量子通信網(wǎng)絡、量子計量學等等。

從技術上來說，由 NISQ 處理器生成的量子數(shù)據(jù)具有關鍵的特性：嘈雜，且通常在測量之前就出現(xiàn)了糾纏。然而，將量子機器學習應用到嘈雜的糾纏量子數(shù)據(jù)可以最大程度地提取有用的經(jīng)典信息。受這些技術的啟發(fā)，TFQ 庫提供了開發(fā)模型的原語，這些模型可用于解糾纏和泛化量子數(shù)據(jù)中的相關性，從而為改進現(xiàn)有量子算法或發(fā)現(xiàn)新的量子算法提供了機會。

第二個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仍然相對較小，且很嘈雜，因此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。由于TensorFlow支持跨CPU、GPU和TPU的異構(gòu)計算，因此它是試驗量子-經(jīng)典混合算法的首選平臺。

TFQ包含量子計算所需的基本結(jié)構(gòu)，比如量子比特、門、電路以及測量運算符等。用戶指定的量子計算可在模擬的環(huán)境以及真實的硬件上執(zhí)行。Cirq 還包含大量的構(gòu)件，用以幫助用戶為 NISQ 處理器設計高效的算法，從而讓量子-經(jīng)典混合算法的實現(xiàn)能在量子電路模擬器上運行，最終在量子處理器上運行。目前，Google 已將 TFQ 用于實現(xiàn)量子-經(jīng)典卷積神經(jīng)網(wǎng)絡，以及用于量子控制的機器學習、用于量子神經(jīng)網(wǎng)絡的分層學習、量子動力學學習、混合量子態(tài)的生成建模以及經(jīng)典的遞歸神經(jīng)網(wǎng)絡。Google 提供了這些量子應用的概覽，每個示例都可以通過 Colab 在瀏覽器中運行。

TFQ如何工作？研究人員可以利用TFQ 在單個計算圖中構(gòu)建量子數(shù)據(jù)集、量子模型以及作為張量的經(jīng)典控制參數(shù)。引發(fā)經(jīng)典概率事件的量子測量的結(jié)果可由TensorFlow Ops 獲得。而 TFQ 訓練可以使用標準的 Keras 函數(shù)進行。為了方便大家理解量子數(shù)據(jù)的使用，Google 提供了使用量子神經(jīng)網(wǎng)絡對量子狀態(tài)進行監(jiān)督分類的說明。與經(jīng)典機器學習一樣，量子機器學習所面臨的關鍵性挑戰(zhàn)在于如何對 “噪聲數(shù)據(jù)” 進行分類。如果想構(gòu)建和訓練這樣的模型，研究人員可以執(zhí)行以下操作：

1. 準備一個量子數(shù)據(jù)集，量子數(shù)據(jù)作為張量（多維數(shù)組）來加載。每個量子數(shù)據(jù)張量都指定為用Cirq編寫的量子電路。這個電路可實時生成量子數(shù)據(jù)， 張量由TensorFlow在量子計算機上執(zhí)行，用來生成量子數(shù)據(jù)集。

2. 評估一個量子神經(jīng)網(wǎng)絡模型，研究人員可以使用Cirq建立量子神經(jīng)網(wǎng)絡的原型，然后將其嵌入到TensorFlow計算圖中?；趯α孔訑?shù)據(jù)結(jié)構(gòu)的了解，可以從幾個大類中選擇參數(shù)化的量子模型。這個模型的目標是執(zhí)行量子處理，用來提取隱藏在典型的糾纏態(tài)下的信息。換句話說，量子模型實質(zhì)上是對輸入的量子數(shù)據(jù)進行解糾纏，將隱藏的信息編碼在經(jīng)典的相關性中，從而使它們適用于本地測量和經(jīng)典后處理。

3. 樣本或平均值，量子態(tài)的測量需要以樣本的形式，從經(jīng)典隨機變量中提取經(jīng)典信息。來自該隨機變量值的分布，通常取決于量子態(tài)本身以及所測得的可觀測值。由于許多變分算法依賴于測量值的平均值（也稱為期望值），因此TFQ提供了在涉及步驟(1)和(2)的多次運行中求平均值的方法。

4. 評估一個經(jīng)典的神經(jīng)網(wǎng)絡模型，在經(jīng)典信息被提取出來后，它的格式就適合進一步的經(jīng)典后處理。由于提取的信息可能被編碼為測量期望之間的經(jīng)典關聯(lián)，因此，研究人員可以使用經(jīng)典深度神經(jīng)網(wǎng)絡來提取這種關聯(lián)。

5. 評估成本函數(shù)，根據(jù)經(jīng)典后處理的結(jié)果，評估成本函數(shù)。這可以基于模型執(zhí)行分類任務的準確性（如果量子數(shù)據(jù)被標記），或者基于其他標準（如果任務是無監(jiān)督的）。

6. 評估梯度和更新參數(shù)，在評估了成本函數(shù)之后，應按預期可降低成本的方向更新管道中的自由參數(shù)，這通常是通過梯度下降來執(zhí)行的。TFQ 的一個關鍵特性將是能夠同時訓練和執(zhí)行多個量子電路。

TensorFlow 能夠在計算機集群之間并行化計算，并能夠在多核計算機上模擬相對較大的量子電路，因此能夠?qū)崿F(xiàn)TFQ的這一特性。此外，Goolge 團隊還宣布開放 qsim , 該模擬器能夠在 Goolge 云節(jié)點上在 111 秒內(nèi)模擬門深度為14的32量子位量子電路。該模擬器還特別針對多核 Intel 處理器進行了優(yōu)化。Google 結(jié)合 TFQ，已在60分鐘內(nèi)在Google 云節(jié)點上以門深度 20 對 20 量子位的量子電路進行了 100 萬次電路仿真。
（責任編輯：fqj）