谷歌今天宣布推出TensorFlow Quantum，将公司的机器学习和量子计算计划整合在一起。该框架可以构造量子数据集、原型混合量子模型和经典机器学习模型，支持量子电路模拟器，训练判别和生成量子模型。
谷歌在其博客上宣布推出TensorFlow Quantum
实际上，早在2017年10月，谷歌宣布了开源量子计算软件Open Fermion的源代码，可让使用者利用其改编算法和方程，使之能在量子计算机上运行。2019年10月，Google 首席执行官Sundar Pichai宣布公司已实现量子霸权，通过新设计的解决方案首次实现了量子优势。
备受关注的新技术
据谷歌AI博客称，通过标准Keras函数，以及提供与现有TensorFlow API兼容的量子电路模拟器和量子计算原语，创建量子模型成为可能。
谷歌在3月6日提交给预印本存储库arXiv的论文中解释了Python框架。该论文的20多位作者分别来自Google X部门、滑铁卢大学量子计算研究所、NASA的Quantum AI Lab、大众汽车和谷歌研究院。
研究人员在论文中写道：“我们演示了如何应用TFQ来处理高级量子学习任务，包括meta-learning、Hamiltonian learning、sampling thermal states。我们希望这个框架为量子计算和机器学习相关研究团队提供必要的工具，以探索自然和人工量子系统的模型，并最终发现可能产生量子优势的新量子算法。将来，我们希望扩展支持的自定义仿真硬件的范围，包括GPU和TPU集成。”
此外，论文详细介绍了结合开源量子电路库Cirq和TensorFlow机器学习平台的TensorFlow Qutum软件栈。
量子计算爱好者希望该技术的高效模拟特性将导致生命科学、解密、化学或材料开发以及优化方面取得进展。
TensorFlow Quantum的推出正值TensorFlow开发峰会（TensorFlow Dev Summit）召开的同一周，TensorFlow开发峰会是在硅谷的谷歌办公室举行的使用该框架的机器学习实践者年会。不过由于冠状病毒的持续影响，谷歌取消了此次的线下活动。
当前，量子计算机还不是主流，但当它们到来时，它们需要算法。TFQ 填补了这一空白，它使开发人员有可能创建混合人工智能算法，既使用经典计算技术，又使用量子计算机电路模拟。
量子机器学习模型的出现
机器学习（ML）虽然不能精确地模拟自然界中的系统，但它具有学习系统模型并且预测系统行为的能力。
在过去的几年里，经典的机器学习模型在解决具有挑战性的科学问题方面显示出了巨大的潜力，从而促进了癌症检测图像处理、预测地震余震、预测极端天气模式以及探测新的系外行星等方面的进步。
随着量子计算技术的发展，新的量子机器学习模型可能会对世界上较大的问题产生深远的影响，从而在医学、材料、传感和通信领域取得突破。然而到目前为止，仍缺乏研究工具来发现可以处理量子数据并在当今可用的量子计算机上执行的量子机器学习模型。
今天谷歌与滑铁卢大学和大众汽车公司合作宣布发布的TensorFlow Quantum（TFQ），是一个用于快速建立量子机器学习模型原型的开源库。TFQ提供了将量子计算和机器学习研究团体聚集在一起控制和建模自然或人工量子系统所必需的工具，例如，具有约 50-100 量子比特嘈杂的中级量子（NISQ）处理器。
在这个框架下，TFQ 通过提供与现有 TensorFlow API 兼容的量子计算原语以及高性能量子电路模拟器，将 Cirq 与 TensorFlow 集成在一起，并为区分性和生成性量子经典模型的设计和实现提供了高级抽象概念。
量子模型具有以量子力学的原点表示和概括数据的能力。但是，要理解量子模型，必须引入两个概念：量子数据模型和混合量子经典模型。
量子数据表现出叠加和纠缠，导致联合概率分布，这可能需要成倍数量的经典计算资源来表示或存储。量子数据可以在量子处理器、传感器或者网络上生成和模拟的量子数据，包括化学物质和量子物质的模拟、量子控制、量子通信网络、量子计量学等等。
一个技术方面较关键的问题是，由 NISQ 处理器生成的量子数据是嘈杂的，通常在测量发生之前就被纠缠了。然而，将量子机器学习应用于嘈杂的纠缠量子数据可以最大程度地提取有用的经典信息。在这些技术的启发下，TFQ 库提供了用于解开并概括量子数据中相关性的开发模型原语，从而为改进现有量子算法或发现新的量子算法提供机会。
引入的第二个概念是混合量子经典模型。由于近期的量子处理器仍然很小且嘈杂，因此量子模型不能单独使用量子处理器——NISQ 处理器将需要与经典处理器协同工作才能生效。由于 TensorFlow 已经支持跨 CPU、GPU 和 TPU 的异构计算，因此它是用于实验混合量子经典算法的自然平台。
TFQ 包含指定量子计算所需的基本结构，例如量子位、门、电路和测量运算符。用户指定的量子计算可以在模拟中或在实际硬件上执行。Cirq 还包含大量机制，可帮助用户设计 NISQ 机器（例如编译器和调度程序）的高效算法，并使混合量子经典算法的实现能够在量子电路模拟器上运行，并最终在量子处理器上运行。
将 TensorFlow Quantum 用于混合量子经典卷积神经网络、用于量子控制的机器学习、用于量子神经网络的分层学习、量子动力学学习、混合量子态的生成建模以及通过经典递归神经网络学习与量子神经网络的学习。谷歌在 TFQ 白皮书中对这些量子应用进行了综述，每个示例都可以通过研究资料库中的 Colab 在浏览器中运行。
TFQ 的工作原理
TFQ允许研究人员在单个计算图中将量子数据集、量子模型和经典控制参数构造为张量。导致经典概率事件的量子测量结果可通过TensorFlow操作获得。并且可以使用标准Keras函数功能进行培训。
为了提供一些有关如何使用量子数据的直觉，可以考虑使用量子神经网络对量子状态进行监督分类。与经典机器学习一样，量子机器学习的关键挑战是对“噪声数据”进行分类。要构建和训练这样的模型，研究人员可以执行以下操作：
准备量子数据集—量子数据作为张量（数字的多维数组）加载，每个量子数据张量都指定为用 Cirq 编写的量子电路，该电路可实时生成量子数据。张量由TensorFlow在量子计算机上执行以生成量子数据集。
评估量子神经网络模型—研究人员可以使用 Cirq 对量子神经网络进行原型设计，然后将其嵌入 TensorFlow 计算图中。基于对量子数据结构的了解，可以从几大类中选择参数化的量子模型。该模型的目标是进行量子处理，以提取隐藏在典型纠缠状态下的信息。换句话说，量子模型实质上是将输入的量子数据进行解纠缠，从而留下以经典相关性编码的隐藏信息，从而使其可用于局部测量和经典后处理。
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。来自该随机变量的值分布通常取决于量子态本身以及所测得的可观测值。由于许多变分算法都取决于测量的平均值（也称为期望值），因此TFQ提供了对涉及步骤（1）和（2）的多个运行求平均值的方法。
评估经典神经网络模型—提取经典信息后，其格式适用于进一步的经典后处理。由于提取的信息可能仍会以测量期望之间的经典相关性进行编码，因此经典深度神经网络可以应用于提取此类相关性。
评估成本函数—根据经典后处理的结果，评估成本函数。这可能取决于模型在量子数据被标记时执行分类任务的准确程度，或者如果该任务不受监督则基于其他标准。
评估梯度和更新参数—评估成本函数后，应沿预期的方向更新管道中的自由参数，以降低成本。这通常是通过梯度下降来实现的。
联系客服
