智东西（公众号：zhidxcom）
编 | 心缘

当量子计算碰到机器学习，会擦出什么新火花？

智东西3月10日消息，谷歌今天宣布推出量子机器学习库TensorFlow Quantum（TFQ）。

该工具可以构建量子数据集、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以及训练判别和生成量子模型。

TFQ白皮书《TensorFlow Quantum：用于量子机器学习的软件框架》已在3月6日提交给预印本平台arXiv。论文作者有20多位，分别来自谷歌最神秘的部门Google X、滑铁卢大学量子计算研究所、NASA的Quantum AI Lab、大众汽车和Google Research。

白皮书中写道：“我们希望这个框架为量子计算和机器学习研究界提供必要的工具，以探索经典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，以包括GPU和TPU集成。”

自去年谷歌首秀“量子霸权”后，陆续有科技公司公开踏入量子计算这一面向未来的超级计算战场，最新的公布还有微软云量子计算服务Azure Quantum、亚马逊云服务Amazon Braket和霍尼韦尔号称“全球功能最强的计算机”。

废话不多说，快来看看谷歌这次的新发布究竟有何亮点？

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

一、为什么需要量子机器学习工具？

物理学家理查德·费曼（Richard Feynman）曾说过：“自然不是古典的，该死的，因此，如果要模拟自然，最好将其变成量子力学的。”

由于自然现象遵循量子规则，因此Masoud Mohseni认为，如果机器学习模型要准确地反映世界，那么它们也必须是量子的。

机器学习（ML）虽然不能准确地模拟自然界中的系统，但可以学习系统模型并预测系统的行为。过去几年，经典机器学习模型为解决具有挑战性的科学问题带来新希望，包括癌症早筛、余震预防、天气预测、行星探索等。

随着量子计算发展的最新进展，新的量子机器学习模型的开发可能会对世界上最大的问题产​​生深远的影响，从而在医学、材料、传感和通信等领域取得突破。

量子机器模型可以处理量子数据，并在当今可用的量子计算机上执行处理任务。但迄今为止，人们缺乏研究工具来发现有用的量子机器模型。

因此，谷歌研究人员与滑铁卢大学、大众汽车等机构的研究人员合作，研发用于快速建立量子机器学习模型原型的开源库TensorFlow Quantum（TFQ）。

二、TFQ能做什么？

从事过人工智能相关研究的学者和从业者对谷歌TensorFlow都不陌生，它是全球最流行的机器学习开源框架，提供很多可重复使用的代码，使训练机器学习模型变得更简单快捷。

TFQ是TensorFlow中的一个开源库，它能让使用者不必被量子计算的种种细节所困扰，更快更方便地编写量子应用程序，让处理量子数据变得更加容易。

TFQ提供了可以将量子计算和机器学习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统。例如嘈杂中型量子（NISQ）处理器，具有约50-100量子位。

使用者可以在实际的量子计算机和经典计算机上模拟之间切换。也就是说，可以先在模拟中调试量子应用程序，然后再尝试在完整的量子设置上运行它。

负责TFQ项目的Masoud Mohseni希望，编码人员将使用TFQ来发现基本可重用的新算法。

在底层，TFQ将Cirq与TensorFlow集成在一起，并通过提供与现有TensorFlow API兼容的量子计算基元以及高性能量子电路仿真器，为判别式和生成式量子经典模型的设计和实现提供高级抽象。

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

三、什么是量子机器学习模型？

量子模型具有以量子力学原点表示和概括数据的能力。

不过，要理解量子模型，还需引入两个概念：量子数据和混合量子经典模型。

1、量子数据

量子数据表现出叠加和纠缠，从而导致联合概率分布，这可能需要成倍数量的经典计算资源来表示或存储。

能在量子处理器、传感器、网络上生成/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。

值得注意的是，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。

而将量子机器学习应用于嘈杂的纠缠量子数据，就能最大程度地提取有用的经典信息。

受到这些技术的启发，TFQ库提供了用于开发模型的原语，该模型可解开并概括量子数据中的相关性，从而为改进现有量子算法或发现新的量子算法提供了机会。

2、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处理器需要与经典处理器协同工作才能生效。

TensorFlow已经支持跨CPU、GPU和TPU的异构计算，非常适合试验混合量子经典算法。

TFQ包含指定量子计算所需的基本结构，如量子位、门、电路和测量运算符等。然后用户指定的量子计算就可以在仿真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。

研究人员已将TFQ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，并在TFQ白皮书中列有对这些量子应用的回顾，每个示例都可以在其研究资料库中通过Colab在浏览器中运行。

四、TFQ具体如何操作？

如图是TFQ的软件堆栈，共6层，显示了它与TensorFlow、Cirq、计算硬件的交互。

▲TFQ的软件堆栈

顶层为要处理的量子数据，经典数据由TensorFlow本地处理，TFQ增加了处理量子数据（由量子电路和量子算子组成）的能力。

第二层是TensorFlow中的Keras API。

第三层是量子层和微分器，当与经典TensorFlow层连接时，它们可实现混合量子-经典自动区分。

第四层有TF Ops，用于实例化数据流图。定制Ops控制量子电路执行。

这些电路可以通过调用TFQ qsim或Cirq在仿真模式下运行，或者最终将在TPU、GPU、CPU、QPU硬件上执行。

关于如何使用量子数据，可以考虑使用量子神经网络对量子态进行监督分类。

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，研究人员可以执行如下操作：

（1）准备量子数据集

TFQ支持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。

量子数据作为张量加载，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。

（2）评估量子神经网络模型

可使用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。基于量子数据结构的知识，可从几大类中选择参数化的量子模型。

该模型的目标是执行量子处理，以提取隐藏在通常纠缠状态下的信息。换句话说，量子模型实质上是对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，从而使其可用于本地测量和经典后处理。

（3）样本/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的分布，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。

（4）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的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。

（5）评估成本函数

根据经典后处理的结果，评估成本函数。例如如果标记了量子数据，则基于模型执行分类任务的精确度；或者如果任务不受监督，则基于其他标准。

（6）评估梯度和更新参数

评估成本函数后，应沿预期可降低成本的方向更新自由参数，通常通过梯度下降执行。

▲TFQ中混合判别模型推理和训练的高级抽象计算过程

TFQ的关键特征是能够同时训练和执行许多量子电路。TensorFlow能在计算机集群之间并行化计算，并能够在多核计算机上模拟相对较大的量子电路，从而实现了这一目标。

为了实现后者，谷歌还宣布发布新的高性能开源量子电路模拟器qsim，该模拟器已证明能在111秒内在一个谷歌云节点中以14栅极深度仿真一个32量子比特量子电路。

该模拟器特别针对多核英特尔处理器进行了优化。结合TFQ，谷歌研究人员60分钟内在谷歌云节点（n2-highcpu-80）上以20栅极深度对20量子位量子电路进行了100万次电路仿真。

qsim Github链接：https://github.com/quantumlib/qsim

五、量子软件正在走向主流

TFQ并不是用于量子机器学习的第一个工具包。例如多伦多的量子计算初创公司Xanadu提供了一个类似的平台，称为Pennylane。

不过在Xanadu研究人员内森·基洛兰（Nathan Killoran）看来，谷歌在做的当之为一件大事。他认为，开发人员围绕着TensorFlow等知名工具建立社区、共享代码和想法，将推动创新。

量子计算市场被认为是云计算巨头利润丰厚的新收入来源，有分析师称，到2025年，这一市场将达到近10亿美元。

量子软件也开始走向主流。

去年夏天，微软开源了其量子计算开发套件及Q#编译器和模拟器，11月又宣布开放云量子计算服务Azure Quantum的计划。微软与量子硬件供应商霍尼韦尔、IonQ、QCI的合作关系，将使现有微软产品能与量子计算机一起使用。

去年12月，亚马逊AWS发布推进量子计算技术计划的云服务Amazon Braket，可为客户提供开发环境以构建量子算法，在模拟量子计算机上对其进行测试，并在各种不同的量子硬件架构上进行尝试。量子硬件供应商D-Wave、IonQ和Rigetii均是其合作伙伴。

同一时间，亚马逊还宣布成立量子解决方案实验室，并和Braket共同宣布在加州理工学院建立AWS量子计算中心，将把亚马逊研究人员和工程师与量子计算的学术机构召集在一起，以开发功能更强大的量子计算硬件，并确定新颖的量子应用。

总部位于不列颠哥伦比亚省的量子计算公司D-Wave Systems，上个月还发布了其新版Leap工具包，用于量子应用程序开发。

多家大型公司正在使用Leap来开发内部量子软件。其中，大众汽车公司（Volkswagen）建立了超精确的公共交通模拟器来计划公交路线，意大利电信公司（Telecom Italia）建立了用于优化5G网络的量子应用程序。

就上周，霍尼韦尔宣布“在量子计算方面的突破，将加速量子计算机的功能”，称“使该公司能够在未来三个月内发布全球功能最强大的量子计算机。”

而在接下来的三个月内，IBM可能会发布量子容量为64的量子计算机，英特尔也可能会公布其量子计算研究的相关进展，量子计算的战场正在变得愈发热闹。

结语

当前TFQ主要面向在经典量子电路模拟器上执行量子电路。据Google AI Blog介绍，未来TFQ将能够在Cirq支持的实际量子处理器（包括谷歌自己的Sycamore量子芯片）上执行量子电路。

目前，量子机器学习仍然是一个利基市场。谷歌将机器学习和量子计算结合的方法，有助于催生更多相关的创新研究，我们也期待在更多软件工具的涌现能加速发现新的量子算法，从而突破更多颇具挑战性的科学难关。

参考资料：Google AI Blog，TFQ白皮书，MIT Technology Review

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

TFQ Github 链接：https://github.com/tensorflow/quantum