客座文章 / Michael J. Biercuk、Harry Slatyer 和 Michael Hush，來(lái)自Q-CTRL

Google 近期宣布推出 TensorFlow Quantum，這是一個(gè)將 SOTA 的機(jī)器學(xué)習(xí)技術(shù)與量子算法設(shè)計(jì)相結(jié)合的工具集。這是為量子應(yīng)用的開發(fā)者，也就是主要在“棧頂”操作的用戶打造工具的重要一步。

與此同時(shí)，我們也在從硬件層面自下而上，從棧底著手打造基于 TensorFlow 的配套工具集。重點(diǎn)通過(guò)集成我們稱之為量子固件(Quantum Firmware) 的技術(shù)來(lái)提升量子計(jì)算硬件的性能。

在本文中，我們將對(duì)這項(xiàng)工作的動(dòng)機(jī)做個(gè)概述，簡(jiǎn)述如何對(duì)抗量子計(jì)算機(jī)中的噪聲和錯(cuò)誤，并介紹 Q-CTRL 團(tuán)隊(duì)如何使用 TensorFlow 有效地表征和抑制量子硬件中噪聲和缺陷的影響。在努力讓量子計(jì)算機(jī)發(fā)揮作用的進(jìn)程中，這些都是全球用戶所面臨的關(guān)鍵挑戰(zhàn)。

量子計(jì)算機(jī)的致命弱點(diǎn) - 噪聲和錯(cuò)誤

量子物理定律是在微觀尺度上支配自然的規(guī)則，而量子計(jì)算，簡(jiǎn)言之，就是利用這些定律來(lái)處理信息的新方式。在科學(xué)和工程領(lǐng)域付出數(shù)十年的努力后，我們現(xiàn)在已經(jīng)做好準(zhǔn)備將這些物理規(guī)則用于解決對(duì)于普通計(jì)算機(jī)而言異常困難的問(wèn)題。

要在如今的系統(tǒng)上實(shí)現(xiàn)有用的計(jì)算，需要認(rèn)識(shí)到性能主要受制于硬件的缺陷和故障，而非系統(tǒng)大小。量子計(jì)算機(jī)容易受到噪聲和錯(cuò)誤的影響，這仍然是其致命弱點(diǎn)，也最終限制了算法在量子計(jì)算硬件上運(yùn)行的范圍和效用。

就目前社區(qū)的平均水平而言，大多數(shù)量子計(jì)算機(jī)硬件在遠(yuǎn)小于一毫秒的時(shí)間內(nèi)只能進(jìn)行幾十次計(jì)算，接著就會(huì)因?yàn)樵肼暤挠绊懚枰獜?fù)位。具體情況略有不同，但這比筆記本電腦中的硬件差了大約 1024 倍！

這就是量子計(jì)算很難實(shí)現(xiàn)的核心問(wèn)題所在。此處所述的“噪聲”指的是量子計(jì)算機(jī)中會(huì)造成干擾的所有事物。如同手機(jī)通話受到干擾后會(huì)導(dǎo)致通話中斷，量子計(jì)算機(jī)也很容易受到各種來(lái)源的干擾，比如受到 WiFi 的電磁信號(hào)或地球磁場(chǎng)的干擾。

當(dāng)量子計(jì)算機(jī)的量子位暴露在這種噪聲中時(shí)，其中的信息就會(huì)降級(jí)，類似于通話受到干擾會(huì)降低音質(zhì)的情況。這個(gè)過(guò)程在量子系統(tǒng)中被稱之為退相干 (Decoherence)。退相干會(huì)造成量子計(jì)算機(jī)中編碼的信息變得隨機(jī)化，從而導(dǎo)致我們執(zhí)行算法時(shí)出現(xiàn)錯(cuò)誤。噪聲的影響越大，算法能夠運(yùn)行的時(shí)間就越短。

那么我們?cè)撊绾谓鉀Q這一點(diǎn)呢？首先，在過(guò)去二十年里，眾多團(tuán)隊(duì)一直努力以被動(dòng)的方式讓硬件更加穩(wěn)定 - 屏蔽導(dǎo)致退相干的噪聲。與此同時(shí)，理論家設(shè)計(jì)了一種名為量子糾錯(cuò)的巧妙算法，可以識(shí)別和修復(fù)硬件中的錯(cuò)誤，這很大程度上是基于經(jīng)典糾錯(cuò)碼而構(gòu)作出來(lái)的。這一點(diǎn)從根本上而言至關(guān)重要，但不足之處在于要想發(fā)揮作用，則必須將一個(gè)量子位中的信息分散到很多量子位上；要實(shí)現(xiàn)僅僅一個(gè)糾錯(cuò)后的“邏輯的量子位”，可能需要 1000 個(gè)或更多的物理量子位。如今的機(jī)器還遠(yuǎn)遠(yuǎn)不能從此類量子糾錯(cuò)中獲得益處。

Q-CTRL 另外添加了稱之為量子固件的內(nèi)容，可以在不需要額外資源的情況下穩(wěn)定量子位，抵抗噪聲和退相干。量子固件通過(guò)在量子計(jì)算堆棧的最低層添加新的解決方案加以實(shí)現(xiàn)，進(jìn)而提高硬件對(duì)錯(cuò)誤的魯棒性。

使用 TensorFlow 構(gòu)建量子固件

量子固件描述的是一組協(xié)議，其目的是向量子計(jì)算堆棧中更高層次的抽象提供性能擴(kuò)充的量子硬件?！肮碳边@一命名反映了相關(guān)的例程通常是軟件定義的，但嵌入在物理層附近，對(duì)更高的層次抽象事實(shí)上是不可見(jiàn)的。

量子計(jì)算硬件通常依賴精確設(shè)計(jì)的光與物質(zhì)相互作用來(lái)實(shí)現(xiàn)量子邏輯運(yùn)算。這些運(yùn)算在一定意義上構(gòu)成了量子計(jì)算機(jī)的原生機(jī)器語(yǔ)言：一串計(jì)時(shí)微波脈沖與超導(dǎo)量子位的共振可以轉(zhuǎn)化為有效的比特翻轉(zhuǎn)運(yùn)算，而另一串脈沖可以實(shí)現(xiàn)一對(duì)量子位之間的條件邏輯運(yùn)算。通過(guò)適當(dāng)組合，這些電磁信號(hào)就實(shí)現(xiàn)了目標(biāo)量子算法。

量子固件決定了物理硬件應(yīng)該如何操作， 重新定義 了硬件機(jī)器語(yǔ)言，從而提高抵抗退相干的穩(wěn)定性。這個(gè)過(guò)程的關(guān)鍵在于利用從硬件本身收集的信息計(jì)算噪聲魯棒的運(yùn)算。

對(duì)于 Q-CTRL 而言，為了從“自制”代碼過(guò)渡成為商業(yè)級(jí)的產(chǎn)品，在 TensorFlow 中構(gòu)建變得至關(guān)重要。這些技術(shù)（嚴(yán)格來(lái)說(shuō)來(lái)自量子控制領(lǐng)域）所依賴的是讓我們能夠執(zhí)行復(fù)雜的梯度優(yōu)化的工具。我們以數(shù)據(jù)流圖表達(dá)所有優(yōu)化問(wèn)題，描述了優(yōu)化變量（優(yōu)化器可以調(diào)整的變量）如何轉(zhuǎn)化為代價(jià)函數(shù)（即優(yōu)化器試圖最小化的目標(biāo)）。我們將自定義的便利函數(shù)與 TensorFlow 基元的訪問(wèn)結(jié)合起來(lái)，從而高效地執(zhí)行在工作流的許多不同部分中使用的優(yōu)化。極為重要的是，我們利用 TensorFlow 的高效梯度計(jì)算工具來(lái)解決自制實(shí)現(xiàn)中最為薄弱的環(huán)節(jié)，尤其是相關(guān)函數(shù)的分析形式通常是非線性的，還包含許多復(fù)雜的依賴關(guān)系。

我們利用 TensorFlow 的高效梯度計(jì)算工具
https://arxiv.org/abs/2001.04060

非線性的
https://docs.q-ctrl.com/boulder-opal/user-guides/optimization#Example-non-linear-dependence-on-control-pulses

比方說(shuō)，假設(shè)定義一個(gè)經(jīng)數(shù)值優(yōu)化的“錯(cuò)誤魯棒量子位翻轉(zhuǎn)” (Error-Robust Quantum Bit Flip) 用于操縱量子位的情形，也就是經(jīng)典的非門模擬。正如此前所述，在超導(dǎo)量子位中，這是使用一串微波脈沖實(shí)現(xiàn)的。我們可以自由地“塑造”脈沖包絡(luò)的各個(gè)方面，實(shí)現(xiàn)對(duì)常見(jiàn)噪聲源產(chǎn)生的魯棒性，如微波強(qiáng)度或頻率的波動(dòng)，從而產(chǎn)生相同的數(shù)學(xué)轉(zhuǎn)換。

要做到這一點(diǎn)，我們首先要定義優(yōu)化該量子位操作所使用的數(shù)據(jù)流圖，包括描述可用的調(diào)節(jié)“旋鈕”的對(duì)象、噪聲來(lái)源和目標(biāo)運(yùn)算（這里指的是阿達(dá)馬門）。

優(yōu)化量子控制所用的數(shù)據(jù)流圖。左邊的循環(huán)通過(guò)我們的 TensorFlow 優(yōu)化引擎運(yùn)行

一旦在我們的上下文管理器中定義了流圖，就必須創(chuàng)建一個(gè)對(duì)象，將目標(biāo)函數(shù)（此處指最小化合成門錯(cuò)誤）與定義微波脈沖形狀的預(yù)期輸出聯(lián)系在一起。創(chuàng)建流圖對(duì)象后，可以使用服務(wù)運(yùn)行優(yōu)化，返回包含優(yōu)化結(jié)果的一個(gè)新的流圖對(duì)象。

通過(guò)這種結(jié)構(gòu)，我們只需創(chuàng)建輔助函數(shù)，讓物理激發(fā)的約束條件能夠直接建立在流圖中。例如，這些約束條件可能是對(duì)稱性要求、信號(hào)隨時(shí)間變化的限制，甚至是產(chǎn)生微波脈沖所用電子系統(tǒng)特性的包含條件。該輔助函數(shù)庫(kù)未直接覆蓋的任何其他功能也可以直接編碼為 TensorFlow 基元。

通過(guò)這種方法，我們得到了一個(gè)非常靈活的高性能優(yōu)化引擎；我們的直接基準(zhǔn)測(cè)試顯示，相對(duì)于現(xiàn)有的最佳替代架構(gòu)，我們的方法在尋找解決方案的時(shí)間上有數(shù)量級(jí)的優(yōu)勢(shì)。

直接基準(zhǔn)測(cè)試顯示
https://arxiv.org/abs/2001.04060

該工具包所實(shí)現(xiàn)的功能跨越了穩(wěn)定量子計(jì)算硬件和減少量子計(jì)算堆棧最低層錯(cuò)誤所需的任務(wù)空間。更重要的是，這在真實(shí)量子計(jì)算硬件上得到了實(shí)驗(yàn)驗(yàn)證；經(jīng)證實(shí)，量子固件可以降低出錯(cuò)的可能性，減輕不同設(shè)備之間的系統(tǒng)性能變化，穩(wěn)定硬件以防止慢慢偏離校準(zhǔn)，甚至使量子邏輯運(yùn)算與量子計(jì)算中更高層次的抽象（如量子糾錯(cuò)）更加兼容。我們?cè)凇队脩糁改稀泛汀稇?yīng)用筆記》中公開提供了所有這些功能和真實(shí)硬件演示，可以通過(guò)可執(zhí)行的 Jupyter 筆記本形式訪問(wèn)。

證實(shí)
https://arxiv.org/abs/2001.04060

《用戶指南》
https://docs.q-ctrl.com/boulder-opal/user-guides/

《應(yīng)用筆記》
https://docs.q-ctrl.com/boulder-opal/application-notes/

如果不集成量子固件的功能，我們認(rèn)為構(gòu)建和運(yùn)行大規(guī)模量子計(jì)算系統(tǒng)從根本上而言是不可能的。在追求性能和自主性的過(guò)程中，可以從機(jī)器學(xué)習(xí)和機(jī)器人控制的各個(gè)領(lǐng)域中借鑒許多概念，而 TensorFlow 已經(jīng)證明是一種支持開發(fā)關(guān)鍵工具集的高效語(yǔ)言。

QC 簡(jiǎn)史，從 Shor 到量子機(jī)器學(xué)習(xí)

量子計(jì)算的熱潮始于 1994 年，Shor 的大數(shù)分解算法面世。公鑰密碼系統(tǒng)，也就是大多數(shù)加密技術(shù)，依靠分解質(zhì)數(shù)的數(shù)學(xué)復(fù)雜程度來(lái)保證信息的安全，避免被別的計(jì)算機(jī)窺探。然而，憑借其編碼和處理信息的方式，人們推測(cè)量子計(jì)算機(jī)能以比經(jīng)典機(jī)器快指數(shù)級(jí)的速度分解質(zhì)數(shù)。從理論上而言，這不僅危及國(guó)家安全，也對(duì)加密貨幣等新興技術(shù)也構(gòu)成了威脅。

這種意識(shí)推動(dòng)了整個(gè)量子計(jì)算領(lǐng)域的發(fā)展。Shor 的算法促使 NSA 開啟了有史以來(lái)首個(gè)由大學(xué)主導(dǎo)的開放研究計(jì)劃，探尋建立此類系統(tǒng)的可能性。行進(jìn)到 2020 年，量子霸權(quán)已經(jīng)實(shí)現(xiàn)，這意味著一個(gè)真正的量子計(jì)算硬件系統(tǒng)已經(jīng)完成了一個(gè)連世界上最大的超級(jí)計(jì)算機(jī)都不可能完成的任務(wù)。

量子霸權(quán)是一個(gè)重要的技術(shù)里程碑，對(duì)解決最終用戶的問(wèn)題實(shí)際上有多重要，這一點(diǎn)尚不清楚。取得量子優(yōu)勢(shì)是一個(gè)門檻，表明使用量子計(jì)算機(jī)解決有實(shí)際意義的問(wèn)題會(huì)更便宜或更迅速，我們的社區(qū)正朝著這個(gè)方向不斷取得重大進(jìn)展。而對(duì)于正確的問(wèn)題，我們認(rèn)為在未來(lái) 5 至 10 年內(nèi)可以跨越這個(gè)門檻，使用的量子計(jì)算機(jī)與如今的大小差不多，只是性能更加出色。

那么，哪些問(wèn)題是量子計(jì)算機(jī)首先要解決的正確問(wèn)題呢？

從許多方面而言，隨著挑戰(zhàn)愈發(fā)嚴(yán)峻，Shor 算法已經(jīng)不再那么重要。最近的一項(xiàng)技術(shù)分析表明，在 2039 年之前，我們不太可能看到 Shor 以有用的規(guī)模部署。如今，在世界各地的實(shí)驗(yàn)室里都有小規(guī)模的機(jī)器，這些機(jī)器擁有幾十個(gè)相互作用的量子位，由超導(dǎo)電路、單個(gè)被捕捉原子或類似的奇異材料構(gòu)建而成。問(wèn)題在于這些早期的機(jī)器規(guī)模過(guò)小，又太脆弱，無(wú)法處理與分解相關(guān)的問(wèn)題。

一項(xiàng)技術(shù)分析
https://arxiv.org/abs/2009.05045

要分解一個(gè)大到與密碼學(xué)產(chǎn)生關(guān)聯(lián)的數(shù)字，需要一個(gè)由數(shù)千個(gè)能夠各自處理數(shù)萬(wàn)億次運(yùn)算的量子位組成的系統(tǒng)。這對(duì)于傳統(tǒng)的機(jī)器來(lái)說(shuō)不算什么，因?yàn)樵趥鹘y(tǒng)機(jī)器上，硬件能以每秒十億次的操作運(yùn)行十億年，而且很少會(huì)出現(xiàn)故障。但正如我們所看到的，量子計(jì)算機(jī)的情況就完全不同了。

這些限制推動(dòng)了材料科學(xué)和化學(xué)中新類型應(yīng)用的出現(xiàn)，這些應(yīng)用可能使用更小的系統(tǒng)而具有同樣的影響力。量子計(jì)算在短期內(nèi)還可以幫助開發(fā)新一類的人工智能系統(tǒng)。最近的研究表明，量子計(jì)算和人工神經(jīng)網(wǎng)絡(luò)之間存在著意想不到的緊密聯(lián)系，可能預(yù)示著機(jī)器學(xué)習(xí)的新方式。

化學(xué)
https://ai.googleblog.com/2020/08/scaling-up-fundamental-quantum.html

機(jī)器學(xué)習(xí)的新方式
http://spectrum.ieee.org/tech-talk/robotics/artificial-intelligence/kickstarting-the-quantum-startup-a-hybrid-of-quantum-computing-and-machine-learning-is-spawning-new-ventures

如果經(jīng)典機(jī)器學(xué)習(xí)算法的輸入來(lái)自小型量子計(jì)算，或者數(shù)據(jù)在量子域中表示并實(shí)現(xiàn)學(xué)習(xí)過(guò)程，這類問(wèn)題通?？梢詺w類為優(yōu)化范疇。對(duì)于開發(fā)者而言，要想尋求新穎的、改進(jìn)的方法來(lái)利用目前以及未來(lái)不久的小型量子計(jì)算機(jī)，TensorFlow Quantum 提供了令人振奮的工具集。

不過(guò)，即使是那些小機(jī)器，性能也不是特別好。Q-CTRL 的量子固件可以讓用戶從硬件中獲取最大性能。因此我們看到，從量子固件到量子機(jī)器學(xué)習(xí)的算法，TensorFlow 在新興的量子計(jì)算軟件堆棧中都可以發(fā)揮關(guān)鍵作用。

責(zé)任編輯：xj

原文標(biāo)題：“量子固件”來(lái)了！利用 TensorFlow 提升量子計(jì)算硬件性能

文章出處：【微信公眾號(hào)：TensorFlow】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。