機器之心報道
繼官宣「量子優越性」之後，昨日，谷歌發佈了在量子計算領域的又一重要研究：TensorFlow Quantum，這是用於訓練量子 ML 模型的框架。
去年 10 月，谷歌宣佈首次實現「量子優越性」，用一臺 54 量子比特的量子計算機實現了傳統架構計算機無法完成的任務。谷歌稱，在世界第一超算需要計算 1 萬年的實驗中，量子計算機只用了 3 分 20 秒。這被視為量子計算領域的里程碑事件，並登上了《自然》雜誌 150 週年版的封面。
之後，亞馬遜也宣佈推出提供量子計算訪問的新型雲服務Amazon Braket，並搭建了「AWS 量子計算中心」實驗室；本月，霍尼韋爾也公開宣佈，將在未來三個月內發佈全球最強大的量子計算機。從這些跡象來看，量子計算似乎正在一步步走向現實。
今天，谷歌宣佈與滑鐵盧大學、大眾汽車公司聯合推出 TensorFlow Quantum (以下簡稱 TFQ)，這是一個可快速搭建量子 ML 模型的開源庫。TFQ 將提供把量子計算和機器學習研究相融合所必需的工具，以控制、建模自然或人工的量子系統，比如 50 到 100 個量子比特的嘈雜中型量子（NISQ）處理器。
3 月 6 日，研究團隊在預印本平臺 arXiv 上提交了論文，對這一基於 Python 語言的新框架進行了詳細解釋，論文作者共有 20 多位，來自谷歌研究院、滑鐵盧大學量子計算研究所、NASA 的 Quantum AI 實驗室、大眾汽車和神秘的谷歌 X 部門。
論文地址：https://arxiv.org/abs/2003.02989
一直以來，經典的 ML 模型對科研攻關工作多有助力，比如癌症檢測、預測地震和餘震、預測極端天氣和檢測系外行星等。而新的量子 ML 模型的誕生，將有助於醫學、材料、傳感、通信領域取得更多突破。
TFQ 將 Criq 和 TensorFlow 相融合，提供了與現有 TensorFlow API 兼容的量子計算原語（primitives）和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了高級抽象。
什麼是量子 ML 模型？
一個量子模型能夠基於量子的本質來表示以及泛化數據。然而，要理解量子模型，首先需要明確兩個概念——量子數據和量子-經典混合模型（hybrid quantum-classical model）。
量子數據具有疊加和糾纏的特性，使得其聯合概率分佈依賴大量經典算力資源來表示和存儲。量子數據可以在量子處理器、傳感器、網絡中產生和模擬，包括化合物模擬、量子控制、量子通信網絡、量子方法等。
技術上來說，由 NISQ 處理器生成的量子數據有個關鍵的特性：充滿噪聲而且在測量前糾纏。然而，將量子機器學習應用到有噪聲、糾纏的量子數據中可能會最大化提取有用的經典信息。受到這些技術的啟發，TFQ 庫提供了開發用於解糾纏和泛化修正量子數據的模型工具。這無疑為提升現有量子算法性能，或發現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典混合模型。由於近來的量子處理器還相對較小，充滿噪聲，量子模型不能僅依賴量子處理器——NISQ 處理器需要和經典處理器配合，才能變得高效。
TFQ 包含了量子計算所需的基本結構（如量子比特、門、電路……），用戶指定的量子計算可在模擬的環境以及真實的硬件上執行。Cirq 還包含大量的構件，用以幫助用戶為 NISQ 處理器設計高效的算法，使得量子-經典混合算法的實現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，谷歌已將 TFQ 及各種經典深度學習算法用於實現量子神經網絡，包括各種量子過程。谷歌在論文中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，感興趣的讀者可查閱原論文。
TFQ 如何運行？
TFQ 允許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以張量的形式創建。量子測量的結果導致了經典概率事件，該結果通過 TensorFlow Ops 實現。使用標準 Keras 函數可以完成訓練。
為了瞭解如何利用量子數據，有人可能考慮使用量子神經網絡對量子態進行監督式分類。正如經典 ML 一樣，量子 ML 的主要挑戰也在於「噪聲數據」的分類。為了構建和訓練量子 ML 模型，研究人員可以執行以下操作：
- 準備量子數據集：量子數據作為張量（多維數組）來加載。每個量子數據張量被指定為 Cirp 庫中編寫的量子電路，它可以生成動態的量子數據。張量又在量子計算機上通過 TensorFlow 執行，以生成量子數據集；
- 評估量子神經網絡模型：研究人員可以使用 Cirq 庫建立量子神經網絡的原型，然後將它嵌入到 TensorFlow 計算圖中。研究人員可以基於量子數據結構從幾個大類中選擇參數化量子模型，其目的在於實現量子化處理，以提取隱藏在典型量子糾纏態中的信息。從本質上來講，量子模型理清輸入的量子數據，使隱藏信息在經典關聯中進行編碼，從而使它們適用於本地測量和經典後處理；
- 樣本或平均值：量子態的測量中需要以樣本的形式從經典隨機變量中提取經典信息，並且經典變量中數值的分佈通常取決於量子態自身和測量到的可觀察量。由於很多變分算法取決於測量的平均值或者說期望值，TFQ 對包括步驟（1）和（2）等執行步驟提供了求平均值的方法；
- 評估經典神經網絡模型：經典信息被提取之後，它的格式適合更進一步的經典後處理。由於提取的信息依然在測量期望值之間的經典關聯中解碼，研究人員可以使用經典深度神經網絡對這些關聯進行蒸餾處理；
- 評估代價函數：在得到經典後處理結果之後，研究人員對代價函數進行評估。需要注意的是，如果量子數據被標記，則評估過程基於模型執行分類任務的準確度；如果任務是無監督式的，則基於其他標準；
- 評估梯度和更新參數：在評估代價函數之後，pipeline 中的自由參數應本著降低成本的方向進行更新，其中最常見的方法是通過梯度下降來執行更新。
對 TFQ 中量子數據的混合經典判斷模型進行推理和訓練，對所涉及的計算步驟進行高階抽象概述。
TFQ 的關鍵功能就是能夠同時訓練以及執行多個量子電路。能夠在計算機集群間並行化計算，能夠多核計算機上模擬體量相對較大的量子電路，從而實現目標。同時，團隊還發布了 qasim，一種高性能開源的量子電路模擬器，該模擬器特別針對多核 Intel 處理器進行優化。
qasim 項目地址：https://github.com/quantumlib/qsim
機器學習從業者：跟我們有什麼關係？
既然這次谷歌推出的是一個量子版 TensorFlow，機器學習領域的從業者不免疑惑：這個庫和我們有什麼關係？它能幫我們更加有效地優化機器學習模型嗎？
關於這一點，有人在 reddit 評論區給出了自己的看法：
這個庫看起來針對的是那些想要開發、理解量子計算算法的研究者。雖然這個庫只是用經典計算機模擬量子計算機，但其目的是讓人們驗證自己的想法或理論。考慮到量子計算可以輕易解決一些經典難題（如因式分解），還有哪些問題可以輕易解決依然有待探討。
利用量子計算模型可能很容易解決類似於機器學習優化問題的問題。像 TFQ 這種庫可以讓人們更加快速地研究這一問題，因為實現模擬量子計算機的底層細節的大量工作已經完成。這個庫特別適用於那些不一定普遍適用，但在現實應用中非常有效的想法，如單純形法。
在構建量子計算機的過程中，理解其優勢和侷限性非常重要，這樣我們就可以知道哪些方向是實用的，哪些方面在設計的時候需要被優先考慮（比如，如果我們在量子計算機中需要的是更多的「Y」，那麼探索如何塞入更多的「X」就沒有意義了）。
此外，也有人引用了理論計算機科學家、量子計算專家 Scott Aaronson 的看法：
顯然，量子計算在工業、國防等領域都有很大的應用潛力。主要問題在於，我們不知道如何從量子計算機中得到那些應用所需的加速。我們認為，使用 Grover 算法的變體，量子計算機通常能夠解決一些優化和機器學習問題，將計算步驟減少到經典計算所需步驟的平方根。這很重要，但並不代表用量子模擬就能實現指數級加速，也不意味著顛覆性變革或破解公共秘鑰加密。最有可能的是，量子計算機只能在特殊情況下實現指數級加速，而且目前還沒有人知道這些特殊情況在現實世界中有多麼重要。這是一個正在研究的問題——可能會有進一步的理論突破，也有可能我們一直都無法理解量子計算機在這類問題中的潛力，直到我們創造出可以用來測量的實際設備。
還有評論者提到，閱讀谷歌給出的教程也有利於理解這一問題：https://github.com/tensorflow/quantum/blob/master/docs/tutorials/mnist.ipynb
在官方博客的最後，谷歌指出，TFQ 現在主要面向在經典電路模擬器上執行量子電路。在未來，TFQ 將能夠在 Cirq 支持的實際量子處理器上執行量子電路，包括谷歌自己的處理器 Sycamore。
參考鏈接：https://ai.googleblog.com/2020/03/announcing-tensorflow-quantum-open.htmlhttps://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/
閱讀更多 機器之心Pro 的文章
