當量子計算碰到機器學習，會擦出什么新火花？

智東西3月10日消息，谷歌今天宣布推出量子機器學習庫TensorFlow Quantum（TFQ）。

該工具可以構建量子數據集、原型混合量子模型和經典機器學習模型，支持量子電路模擬器以及訓練判別和生成量子模型。

TFQ白皮書《TensorFlow Quantum：用于量子機器學習的軟件框架》已在3月6日提交給預印本平臺arXiv。論文作者有20多位，分別來自谷歌最神秘的部門Google X、滑鐵盧大學量子計算研究所、NASA的Quantum AI Lab、大眾汽車和Google Research。

白皮書中寫道：“我們希望這個框架為量子計算和機器學習研究界提供必要的工具，以探索經典和人工量子系統的模型，并最終發現可能產生量子優勢的新量子算法”，“將來，我們希望擴展支持的自定義仿真硬件的范圍，以包括GPU和TPU集成。”

自去年谷歌首秀“量子霸權”后，陸續有科技公司公開踏入量子計算這一面向未來的超級計算戰場，最新的公布還有微軟云量子計算服務Azure Quantum、亞馬遜云服務Amazon Braket和霍尼韋爾號稱“全球功能最強的計算機”。

廢話不多說，快來看看谷歌這次的新發布究竟有何亮點？

TFQ白皮書：https://arxiv.org/pdf/2003.02989

為什么需要量子機器學習工具？

物理學家理查德·費曼（Richard Feynman）曾說過：“自然不是古典的，該死的，因此，如果要模擬自然，最好將其變成量子力學的。”

由于自然現象遵循量子規則，因此Masoud Mohseni認為，如果機器學習模型要準確地反映世界，那么它們也必須是量子的。

機器學習（ML）雖然不能準確地模擬自然界中的系統，但可以學習系統模型并預測系統的行為。過去幾年，經典機器學習模型為解決具有挑戰性的科學問題帶來新希望，包括癌癥早篩、余震預防、天氣預測、行星探索等。

隨著量子計算發展的最新進展，新的量子機器學習模型的開發可能會對世界上最大的問題產生深遠的影響，從而在醫學、材料、傳感和通信等領域取得突破。

量子機器模型可以處理量子數據，并在當今可用的量子計算機上執行處理任務。但迄今為止，人們缺乏研究工具來發現有用的量子機器模型。

因此，谷歌研究人員與滑鐵盧大學、大眾汽車等機構的研究人員合作，研發用于快速建立量子機器學習模型原型的開源庫TensorFlow Quantum（TFQ）。

TFQ能做什么？

從事過人工智能相關研究的學者和從業者對谷歌TensorFlow都不陌生，它是全球最流行的機器學習開源框架，提供很多可重復使用的代碼，使訓練機器學習模型變得更簡單快捷。

TFQ是TensorFlow中的一個開源庫，它能讓使用者不必被量子計算的種種細節所困擾，更快更方便地編寫量子應用程序，讓處理量子數據變得更加容易。

TFQ提供了可以將量子計算和機器學習研究界聚集在一起的必要工具，以控制和建模自然或人工量子系統。例如嘈雜中型量子（NISQ）處理器，具有約50-100量子位。

使用者可以在實際的量子計算機和經典計算機上模擬之間切換。也就是說，可以先在模擬中調試量子應用程序，然后再嘗試在完整的量子設置上運行它。

負責TFQ項目的Masoud Mohseni希望，編碼人員將使用TFQ來發現基本可重用的新算法。

在底層，TFQ將Cirq與TensorFlow集成在一起，并通過提供與現有TensorFlow API兼容的量子計算基元以及高性能量子電路仿真器，為判別式和生成式量子經典模型的設計和實現提供高級抽象。

Criq Github鏈接：https://github.com/quantumlib/Cirq

什么是量子機器學習模型？

量子模型具有以量子力學原點表示和概括數據的能力。

不過，要理解量子模型，還需引入兩個概念：量子數據和混合量子經典模型。

1、量子數據

量子數據表現出疊加和糾纏，從而導致聯合概率分布，這可能需要成倍數量的經典計算資源來表示或存儲。

能在量子處理器、傳感器、網絡上生成/模擬的量子數據，包括化學物質和量子物質的模擬、量子控制、量子通信網絡、量子計量學等等。

值得注意的是，NISQ處理器生成的量子數據是嘈雜的，通常在測量發生之前就被糾纏了。

而將量子機器學習應用于嘈雜的糾纏量子數據，就能最大程度地提取有用的經典信息。

受到這些技術的啟發，TFQ庫提供了用于開發模型的原語，該模型可解開并概括量子數據中的相關性，從而為改進現有量子算法或發現新的量子算法提供了機會。

2、混合量子經典模型

由于近期的量子處理器仍然很小且嘈雜，因此量子模型不能單獨使用量子處理器，NISQ處理器需要與經典處理器協同工作才能生效。

TensorFlow已經支持跨CPU、GPU和TPU的異構計算，非常適合試驗混合量子經典算法。

TFQ包含指定量子計算所需的基本結構，如量子位、門、電路和測量運算符等。然后用戶指定的量子計算就可以在仿真中或在實際硬件上執行。

Cirq還包含大量機制，可幫助用戶設計NISQ機器（例如編譯器和調度程序）的高效算法，并使混合量子經典算法的實現能夠在量子電路模擬器上運行，并最終在量子處理器上運行。

研究人員已將TFQ用于混合量子經典卷積神經網絡、用于量子控制的機器學習、用于量子神經網絡的分層學習、量子動力學學習、混合量子態的生成建模以及通過經典遞歸神經網絡，并在TFQ白皮書中列有對這些量子應用的回顧，每個示例都可以在其研究資料庫中通過Colab在瀏覽器中運行。

TFQ具體如何操作？

如圖是TFQ的軟件堆棧，共6層，顯示了它與TensorFlow、Cirq、計算硬件的交互。

▲TFQ的軟件堆棧

頂層為要處理的量子數據，經典數據由TensorFlow本地處理，TFQ增加了處理量子數據（由量子電路和量子算子組成）的能力。

第二層是TensorFlow中的Keras API。

第三層是量子層和微分器，當與經典TensorFlow層連接時，它們可實現混合量子-經典自動區分。

第四層有TF Ops，用于實例化數據流圖。定制Ops控制量子電路執行。

這些電路可以通過調用TFQ qsim或Cirq在仿真模式下運行，或者最終將在TPU、GPU、CPU、QPU硬件上執行。

關于如何使用量子數據，可以考慮使用量子神經網絡對量子態進行監督分類。

與經典機器學習一樣，量子機器學習的關鍵挑戰是對“噪聲數據”進行分類。要構建和訓練這樣的模型，研究人員可以執行如下操作：

（1）準備量子數據集

TFQ支持研究人員在單個計算圖中將量子數據集、量子模型和經典控制參數構造為張量。

量子數據作為張量加載，每個量子數據張量都指定為用Cirq編寫的量子電路，該電路可實時生成量子數據。張量由TensorFlow在量子計算機上執行以生成量子數據集。

（2）評估量子神經網絡模型

可使用Cirq對量子神經網絡進行原型設計，然后將其嵌入TensorFlow計算圖中。基于量子數據結構的知識，可從幾大類中選擇參數化的量子模型。

該模型的目標是執行量子處理，以提取隱藏在通常糾纏狀態下的信息。換句話說，量子模型實質上是對輸入的量子數據進行解糾纏，從而留下以經典相關性編碼的隱藏信息，從而使其可用于本地測量和經典后處理。

（3）樣本/平均值

量子態的測量從經典隨機變量中以樣本形式提取經典信息。來自該隨機變量的值的分布，通常取決于量子態本身以及所測得的可觀測值。

由于許多變分算法都取決于測量的平均值（也稱為期望值），因此TFQ提供了對涉及步驟（1）和（2）的多個運行求平均值的方法。

（4）評估經典神經網絡模型

提取經典信息后，其格式適用于進一步的經典后處理。

由于提取的信息可能仍會以測量的期望之間的經典相關性進行編碼，因此經典深度神經網絡可以應用于提取此類相關性。

（5）評估成本函數

根據經典后處理的結果，評估成本函數。例如如果標記了量子數據，則基于模型執行分類任務的精確度；或者如果任務不受監督，則基于其他標準。

（6）評估梯度和更新參數

評估成本函數后，應沿預期可降低成本的方向更新自由參數，通常通過梯度下降執行。

▲TFQ中混合判別模型推理和訓練的高級抽象計算過程

TFQ的關鍵特征是能夠同時訓練和執行許多量子電路。TensorFlow能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，從而實現了這一目標。

為了實現后者，谷歌還宣布發布新的高性能開源量子電路模擬器qsim，該模擬器已證明能在111秒內在一個谷歌云節點中以14柵極深度仿真一個32量子比特量子電路。

該模擬器特別針對多核英特爾處理器進行了優化。結合TFQ，谷歌研究人員60分鐘內在谷歌云節點（n2-highcpu-80）上以20柵極深度對20量子位量子電路進行了100萬次電路仿真。

qsim Github鏈接：

https://github.com/quantumlib/qsim

量子軟件正在走向主流

TFQ并不是用于量子機器學習的第一個工具包。例如多倫多的量子計算初創公司Xanadu提供了一個類似的平臺，稱為Pennylane。

不過在Xanadu研究人員內森·基洛蘭（Nathan Killoran）看來，谷歌在做的當之為一件大事。他認為，開發人員圍繞著TensorFlow等知名工具建立社區、共享代碼和想法，將推動創新。

量子計算市場被認為是云計算巨頭利潤豐厚的新收入來源，有分析師稱，到2025年，這一市場將達到近10億美元。

量子軟件也開始走向主流。

去年夏天，微軟開源了其量子計算開發套件及Q#編譯器和模擬器，11月又宣布開放云量子計算服務Azure Quantum的計劃。微軟與量子硬件供應商霍尼韋爾、IonQ、QCI的合作關系，將使現有微軟產品能與量子計算機一起使用。

去年12月，亞馬遜AWS發布推進量子計算技術計劃的云服務Amazon Braket，可為客戶提供開發環境以構建量子算法，在模擬量子計算機上對其進行測試，并在各種不同的量子硬件架構上進行嘗試。量子硬件供應商D-Wave、IonQ和Rigetii均是其合作伙伴。

同一時間，亞馬遜還宣布成立量子解決方案實驗室，并和Braket共同宣布在加州理工學院建立AWS量子計算中心，將把亞馬遜研究人員和工程師與量子計算的學術機構召集在一起，以開發功能更強大的量子計算硬件，并確定新穎的量子應用。

總部位于不列顛哥倫比亞省的量子計算公司D-Wave Systems，上個月還發布了其新版Leap工具包，用于量子應用程序開發。

多家大型公司正在使用Leap來開發內部量子軟件。其中，大眾汽車公司（Volkswagen）建立了超精確的公共交通模擬器來計劃公交路線，意大利電信公司（Telecom Italia）建立了用于優化5G網絡的量子應用程序。

就上周，霍尼韋爾宣布“在量子計算方面的突破，將加速量子計算機的功能”，稱“使該公司能夠在未來三個月內發布全球功能最強大的量子計算機。”

而在接下來的三個月內，IBM可能會發布量子容量為64的量子計算機，英特爾也可能會公布其量子計算研究的相關進展，量子計算的戰場正在變得愈發熱鬧。

結語

當前TFQ主要面向在經典量子電路模擬器上執行量子電路。據Google AI Blog介紹，未來TFQ將能夠在Cirq支持的實際量子處理器（包括谷歌自己的Sycamore量子芯片）上執行量子電路。

目前，量子機器學習仍然是一個利基市場。谷歌將機器學習和量子計算結合的方法，有助于催生更多相關的創新研究，我們也期待在更多軟件工具的涌現能加速發現新的量子算法，從而突破更多頗具挑戰性的科學難關。

參考資料：Google AI Blog，TFQ白皮書，MIT Technology Review

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

Github鏈接：https://github.com/tensorflow/quantum

原標題：《谷歌“量子霸權”上新招！開源量子機器學習庫，拉低量子計算門檻》

閱讀原文