什么是量子 ML 模型？

一个量子模型能够基于量子的本质来表示以及泛化数据。然而，要理解量子模型，首先需要明确两个概念——量子数据和量子-经典混合模型（hybrid quantum-classical model）。

量子数据具有叠加和纠缠的特性，使得其联合概率分布依赖大量经典算力资源来表示和存储。量子数据可以在量子处理器、传感器、网络中产生和模拟，包括化合物模拟、量子控制、量子通信网络、量子方法等。

技术上来说，由 NISQ 处理器生成的量子数据有个关键的特性：充满噪声而且在测量前纠缠。然而，将量子机器学习应用到有噪声、纠缠的量子数据中可能会最大化提取有用的经典信息。受到这些技术的启发，TFQ 库提供了开发用于解纠缠和泛化修正量子数据的模型工具。这无疑为提升现有量子算法性能，或发现新的量子算法提供了机会。

第二个需要引入的概念是量子经典混合模型。由于近来的量子处理器还相对较小，充满噪声，量子模型不能仅依赖量子处理器——NISQ 处理器需要和经典处理器配合，才能变得高效。

TFQ 包含了量子计算所需的基本结构（如量子比特、门、电路……），用户指定的量子计算可在模拟的环境以及真实的硬件上执行。Cirq 还包含大量的构件，用以帮助用户为 NISQ 处理器设计高效的算法，使得量子-经典混合算法的实现能在量子电路模拟器上运行，最终在量子处理器上运行。

目前，谷歌已将 TFQ 及各种经典深度学习算法用于实现量子神经网络，包括各种量子过程。谷歌在论文中提供了这些量子应用的概览，每个示例都可以通过 Colab 在浏览器中运行，感兴趣的读者可查阅原论文。

TFQ 如何运行？

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以张量的形式创建。量子测量的结果导致了经典概率事件，该结果通过 TensorFlow Ops 实现。使用标准 Keras 函数可以完成训练。

为了了解如何利用量子数据，有人可能考虑使用量子神经网络对量子态进行监督式分类。正如经典 ML 一样，量子 ML 的主要挑战也在于「噪声数据」的分类。为了构建和训练量子 ML 模型，研究人员可以执行以下操作：

对 TFQ 中量子数据的混合经典判断模型进行推理和训练，对所涉及的计算步骤进行高阶抽象概述。

TFQ 的关键功能就是能够同时训练以及执行多个量子电路。能够在计算机集群间并行化计算，能够多核计算机上模拟体量相对较大的量子电路，从而实现目标。同时，团队还发布了 qasim，一种高性能开源的量子电路模拟器，该模拟器特别针对多核 Intel 处理器进行优化。

qasim 项目地址：https://github.com/quantumlib/qsim

机器学习从业者：跟我们有什么关系？

既然这次谷歌推出的是一个量子版 TensorFlow，机器学习领域的从业者不免疑惑：这个库和我们有什么关系？它能帮我们更加有效地优化机器学习模型吗？

关于这一点，有人在 reddit 评论区给出了自己的看法：

这个库看起来针对的是那些想要开发、理解量子计算算法的研究者。虽然这个库只是用经典计算机模拟量子计算机，但其目的是让人们验证自己的想法或理论。考虑到量子计算可以轻易解决一些经典难题（如因式分解），还有哪些问题可以轻易解决依然有待探讨。

利用量子计算模型可能很容易解决类似于机器学习优化问题的问题。像 TFQ 这种库可以让人们更加快速地研究这一问题，因为实现模拟量子计算机的底层细节的大量工作已经完成。这个库特别适用于那些不一定普遍适用，但在现实应用中非常有效的想法，如单纯形法。

这个库看起来针对的是那些想要开发、理解量子计算算法的研究者。虽然这个库只是用经典计算机模拟量子计算机，但其目的是让人们验证自己的想法或理论。考虑到量子计算可以轻易解决一些经典难题（如因式分解），还有哪些问题可以轻易解决依然有待探讨。

利用量子计算模型可能很容易解决类似于机器学习优化问题的问题。像 TFQ 这种库可以让人们更加快速地研究这一问题，因为实现模拟量子计算机的底层细节的大量工作已经完成。这个库特别适用于那些不一定普遍适用，但在现实应用中非常有效的想法，如单纯形法。

在构建量子计算机的过程中，理解其优势和局限性非常重要，这样我们就可以知道哪些方向是实用的，哪些方面在设计的时候需要被优先考虑（比如，如果我们在量子计算机中需要的是更多的「Y」，那么探索如何塞入更多的「X」就没有意义了）。

在构建量子计算机的过程中，理解其优势和局限性非常重要，这样我们就可以知道哪些方向是实用的，哪些方面在设计的时候需要被优先考虑（比如，如果我们在量子计算机中需要的是更多的「Y」，那么探索如何塞入更多的「X」就没有意义了）。

此外，也有人引用了理论计算机科学家、量子计算专家 Scott Aaronson 的看法：

显然，量子计算在工业、国防等领域都有很大的应用潜力。主要问题在于，我们不知道如何从量子计算机中得到那些应用所需的加速。我们认为，使用 Grover 算法的变体，量子计算机通常能够解决一些优化和机器学习问题，将计算步骤减少到经典计算所需步骤的平方根。这很重要，但并不代表用量子模拟就能实现指数级加速，也不意味着颠覆性变革或破解公共秘钥加密。最有可能的是，量子计算机只能在特殊情况下实现指数级加速，而且目前还没有人知道这些特殊情况在现实世界中有多么重要。这是一个正在研究的问题——可能会有进一步的理论突破，也有可能我们一直都无法理解量子计算机在这类问题中的潜力，直到我们创造出可以用来测量的实际设备。

显然，量子计算在工业、国防等领域都有很大的应用潜力。主要问题在于，我们不知道如何从量子计算机中得到那些应用所需的加速。我们认为，使用 Grover 算法的变体，量子计算机通常能够解决一些优化和机器学习问题，将计算步骤减少到经典计算所需步骤的平方根。这很重要，但并不代表用量子模拟就能实现指数级加速，也不意味着颠覆性变革或破解公共秘钥加密。最有可能的是，量子计算机只能在特殊情况下实现指数级加速，而且目前还没有人知道这些特殊情况在现实世界中有多么重要。这是一个正在研究的问题——可能会有进一步的理论突破，也有可能我们一直都无法理解量子计算机在这类问题中的潜力，直到我们创造出可以用来测量的实际设备。

还有评论者提到，阅读谷歌给出的教程也有利于理解这一问题：https://github.com/tensorflow/quantum/blob/master/docs/tutorials/mnist.ipynb

在官方博客的最后，谷歌指出，TFQ 现在主要面向在经典电路模拟器上执行量子电路。在未来，TFQ 将能够在 Cirq 支持的实际量子处理器上执行量子电路，包括谷歌自己的处理器 Sycamore。

参考链接：

https://ai.googleblog.com/2020/03/announcing-tensorflow-quantum-open.html

https://www.reddit.com/r/MachineLearning/comments/ffu9z4/n_tensorflow_quantum_is_published/

https://venturebeat.com/2020/03/09/google-launches-tensorflow-quantum-a-machine-learning-framework-for-training-quantum-models/

免责申明:本站所有内容均来自网络,我们对文中观点保持中立,对所包含内容的准确性,可靠性或者完整性不提供任何明示或暗示的保证,请仅作参考。若有侵权,请联系删除。

文章来源：机器之心返回搜狐，查看更多