谷歌今天宣佈推出TensorFlow Quantum，將公司的機器學習和量子計算計劃整合在一起。該框架可以構造量子數據集、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，訓練判別和生成量子模型。
谷歌在其博客上宣佈推出TensorFlow Quantum
實際上，早在2017年10月，谷歌宣佈了開源量子計算軟件Open Fermion的源代碼，可讓使用者利用其改編算法和方程，使之能在量子計算機上運行。2019年10月，Google 首席執行官Sundar Pichai宣佈公司已實現量子霸權，通過新設計的解決方案首次實現了量子優勢。
備受關注的新技術
據谷歌AI博客稱，通過標準Keras函數，以及提供與現有TensorFlow API兼容的量子電路模擬器和量子計算原語，創建量子模型成為可能。
谷歌在3月6日提交給預印本存儲庫arXiv的論文中解釋了Python框架。該論文的20多位作者分別來自Google X部門、滑鐵盧大學量子計算研究所、NASA的Quantum AI Lab、大眾汽車和谷歌研究院。
研究人員在論文中寫道：“我們演示瞭如何應用TFQ來處理高級量子學習任務，包括meta-learning、Hamiltonian learning、sampling thermal states。我們希望這個框架為量子計算和機器學習相關研究團隊提供必要的工具，以探索自然和人工量子系統的模型，並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範圍，包括GPU和TPU集成。”
此外，論文詳細介紹了結合開源量子電路庫Cirq和TensorFlow機器學習平臺的TensorFlow Qutum軟件棧。
量子計算愛好者希望該技術的高效模擬特性將導致生命科學、解密、化學或材料開發以及優化方面取得進展。
TensorFlow Quantum的推出正值TensorFlow開發峰會（TensorFlow Dev Summit）召開的同一周，TensorFlow開發峰會是在硅谷的谷歌辦公室舉行的使用該框架的機器學習實踐者年會。不過由於冠狀病毒的持續影響，谷歌取消了此次的線下活動。
當前，量子計算機還不是主流，但當它們到來時，它們需要算法。TFQ 填補了這一空白，它使開發人員有可能創建混合人工智能算法，既使用經典計算技術，又使用量子計算機電路模擬。
量子機器學習模型的出現
機器學習（ML）雖然不能精確地模擬自然界中的系統，但它具有學習系統模型並且預測系統行為的能力。
在過去的幾年裡，經典的機器學習模型在解決具有挑戰性的科學問題方面顯示出了巨大的潛力 ，從而促進了癌症檢測圖像處理、預測地震餘震、預測極端天氣模式以及探測新的系外行星等方面的進步。
隨著量子計算技術的發展，新的量子機器學習模型可能會對世界上較大的問題產生深遠的影響，從而在醫學、材料、傳感和通信領域取得突破。然而到目前為止，仍缺乏研究工具來發現可以處理量子數據並在當今可用的量子計算機上執行的量子機器學習模型。
今天谷歌與滑鐵盧大學和大眾汽車公司合作宣佈發佈的TensorFlow Quantum（TFQ），是一個用於快速建立量子機器學習模型原型的開源庫。TFQ提供了將量子計算和機器學習研究團體聚集在一起控制和建模自然或人工量子系統所必需的工具，例如，具有約 50-100 量子比特嘈雜的中級量子（NISQ）處理器。
在這個框架下，TFQ 通過提供與現有 TensorFlow API 兼容的量子計算原語以及高性能量子電路模擬器，將 Cirq 與 TensorFlow 集成在一起，併為區分性和生成性量子經典模型的設計和實現提供了高級抽象概念。
量子模型具有以量子力學的原點表示和概括數據的能力。但是，要理解量子模型，必須引入兩個概念：量子數據模型和混合量子經典模型。
量子數據表現出疊加和糾纏，導致聯合概率分佈，這可能需要成倍數量的經典計算資源來表示或存儲。量子數據可以在量子處理器、傳感器或者網絡上生成和模擬的量子數據，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。
一個技術方面較關鍵的問題是，由 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。然而，將量子機器學習應用於嘈雜的糾纏量子數據可以最大程度地提取有用的經典信息。在這些技術的啟發下，
TFQ 庫提供了用於解開並概括量子數據中相關性的開發模型原語，從而為改進現有量子算法或發現新的量子算法提供機會。
引入的第二個概念是混合量子經典模型。由於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 處理器將需要與經典處理器協同工作才能生效。由於 TensorFlow 已經支持跨 CPU、GPU 和 TPU 的異構計算，因此它是用於實驗混合量子經典算法的自然平臺。
TFQ 包含指定量子計算所需的基本結構，例如量子位、門、電路和測量運算符。用戶指定的量子計算可以在模擬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，並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，並最終在量子處理器上運行。
將 TensorFlow Quantum 用於混合量子經典卷積神經網絡、用於量子控制的機器學習、用於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學習與量子神經網絡的學習。谷歌在 TFQ 白皮書中對這些量子應用進行了綜述，每個示例都可以通過研究資料庫中的 Colab 在瀏覽器中運行。
TFQ 的工作原理
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構造為張量。導致經典概率事件的量子測量結果可通過TensorFlow操作獲得。並且可以使用標準Keras函數功能進行培訓。
為了提供一些有關如何使用量子數據的直覺，可以考慮使用量子神經網絡對量子狀態進行監督分類。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，研究人員可以執行以下操作：
- 準備量子數據集—量子數據作為張量（數字的多維數組）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。
- 評估量子神經網絡模型—研究人員可以使用 Cirq 對量子神經網絡進行原型設計，然後將其嵌入 TensorFlow 計算圖中。基於對量子數據結構的瞭解，可以從幾大類中選擇參數化的量子模型。該模型的目標是進行量子處理，以提取隱藏在典型糾纏狀態下的信息。換句話說，量子模型實質上是將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，從而使其可用於局部測量和經典後處理。
- 樣本或平均值—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分佈通常取決於量子態本身以及所測得的可觀測值。由於許多變分算法都取決於測量的平均值（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。
- 評估經典神經網絡模型—提取經典信息後，其格式適用於進一步的經典後處理。由於提取的信息可能仍會以測量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於提取此類相關性。
- 評估成本函數—根據經典後處理的結果，評估成本函數。這可能取決於模型在量子數據被標記時執行分類任務的準確程度，或者如果該任務不受監督則基於其他標準。
- 評估梯度和更新參數—評估成本函數後，應沿預期的方向更新管道中的自由參數，以降低成本。這通常是通過梯度下降來實現的。
對TFQ中量子數據的混合量子經典判別模型進行推理和訓練的端到端流水作業中涉及的計算步驟的高級抽象概述
TensorFlow Quantum 的關鍵特徵是能夠同時訓練和執行許多量子電路的能力。TensorFlow 能夠跨計算機集群並行計算，並能夠在多核計算機上模擬相對較大的量子電路。為了實現後者，谷歌還宣佈發佈新的高性能開源量子電路模擬器 qsim，這是一個新的高性能開源量子電路模擬器，它已經展示了在單個谷歌雲節點（n1-ultram-160）上模擬 32 位量子電路的能力。
該模擬器特別針對多核英特爾處理器進行了優化。結合 TFQ，研究人員已經在 60 分鐘內在谷歌雲節點（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。
TensorFlow Quantum 目前主要致力於在經典量子電路模擬器上執行量子電路。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。
相關技術資料：
TensorFlow Quantum 官方網站：https://www.tensorflow.org/quantum
TensorFlow Quantum 相關論文：https://arxiv.org/abs/2003.02989
開源量子電路模擬器 qsim數據資料：https://github.com/quantumlib/qsim
https://ai.googleblog.com/2020/03/announcing-tensorflow-quantum-open.html
https://thenextweb.com/neural/2020/03/09/google-launches-tensorflow-for-quantum-computers/
https://venturebeat.com/2020/03/09/google-launches-tensorflow-quantum-a-machine-learning-framework-for-training-quantum-models/
閱讀更多 AMiner學術 的文章
