繼2019年10月谷歌在《Nature》上發(fā)布關(guān)于驗(yàn)證“量子優(yōu)越性”論文之后，3月9日，谷歌再次就“量子”做出新的發(fā)布。

這次發(fā)布的是開源“量子版 TensorFlow”：TensorFlow Quantum（TFQ）。

谷歌強(qiáng)勢(shì)開源量子版TensorFlow">

簡(jiǎn)單來說，類似于TensorFlow ，TFQ 作為一個(gè)開源庫，將直接降低量子機(jī)器學(xué)習(xí)的門檻，讓我們能夠快速構(gòu)建量子機(jī)器學(xué)習(xí)模型。

TensorFlow Quantum專注于處理量子數(shù)據(jù)，及構(gòu)建量子-經(jīng)典混合模型（hybrid quantum-classical models）。它在 Cirq 中集成了設(shè)計(jì)的量子計(jì)算算法和邏輯，并提供與現(xiàn)有 TensorFlow API 兼容的量子計(jì)算原語，以及高性能的量子電路模擬器。

注：Cirq 是 Google 專為 NISQ 算法打造的框架,允許開發(fā)者為特定的量子處理器編寫量子算法。

1、量子機(jī)器學(xué)習(xí)

在介紹TFQ之前，我們首先應(yīng)當(dāng)了解什么是「量子機(jī)器學(xué)習(xí)」；而要想理解量子機(jī)器學(xué)習(xí)，就必須先要理解兩個(gè)概念：量子數(shù)據(jù)和量子-經(jīng)典混合模型。

在我們?nèi)粘Ｉ畹睦斫庵校瑪?shù)據(jù)（以二值數(shù)據(jù)為例）似乎總是“要么是（1），要么非（ 0 ）”。然而當(dāng)我們細(xì)想，就會(huì)發(fā)現(xiàn)我們的日常生活也并非完全的“是”“非”分明，往往則是“是”中有“非”，“非”中有“是”，“是”或“非”只是事態(tài)的兩個(gè)極端。量子的思維正是這樣。

在量子力學(xué)中常用“態(tài)”（這是一個(gè)希爾伯特空間的向量）來描述一個(gè)系統(tǒng)。例如經(jīng)典的信息輸入序列 01，用量子力學(xué)的語言描述即 |01>。經(jīng)典的數(shù)據(jù)中態(tài)與態(tài)（向量與向量）之間只能是正交的，例如 |01> 與 |00> 不可能同時(shí)出現(xiàn)，這本質(zhì)上就是或“是”或“非”的觀點(diǎn)。顯然對(duì)于這些正交態(tài)的操作也必須是正交的變換。

谷歌強(qiáng)勢(shì)開源量子版TensorFlow">

然而在量子數(shù)據(jù)中，擴(kuò)展了經(jīng)典數(shù)據(jù)原有的限制。例如二比特的量子數(shù)據(jù)，其態(tài)表示如下：

谷歌強(qiáng)勢(shì)開源量子版TensorFlow">

也即它同時(shí)可能是四種經(jīng)典數(shù)據(jù)中的任何一種（取決于前面的系數(shù)，你可以簡(jiǎn)單理解為四個(gè)相互正交的向量之間的疊加），而不是非此即彼。

當(dāng)我們用這種量子數(shù)據(jù)取代經(jīng)典數(shù)據(jù)輸入到網(wǎng)絡(luò)中時(shí)，會(huì)發(fā)生什么呢？如下圖所示：

谷歌強(qiáng)勢(shì)開源量子版TensorFlow">

Source：知乎[4]

在經(jīng)典的感知機(jī)中，我們輸入的是一個(gè) 0 、1 組成的向量，但如果是量子感知機(jī)的話，它輸入的就是許多個(gè) |φ> = c1 |0> +c2 | 1> 組成的向量，而這個(gè)向量的每個(gè)元素又都可能既是 0 又是 1 。

然而到現(xiàn)實(shí)中，由于目前的量子處理器仍然存在盡管很小但仍不容忽視的噪聲，這使得幾乎不可能單獨(dú)用量子處理器來學(xué)習(xí)量子數(shù)據(jù)。

于是只能退而求其次，谷歌的NISQ處理器需要與傳統(tǒng)的處理器進(jìn)行協(xié)同才能有效地抑制噪聲的影響。這種硬件的協(xié)同也同樣造成算法上的協(xié)同，因此便有了量子-經(jīng)典混合模型，其中模型的量子部分在量子處理器上進(jìn)行處理，而經(jīng)典部分則在經(jīng)典處理器上進(jìn)行處理。

谷歌強(qiáng)勢(shì)開源量子版TensorFlow">

谷歌研究人員表示，在可預(yù)期的將來，量子計(jì)算機(jī)最有用的功能可能便是一個(gè)硬件加速器，也即它并不是作為一個(gè)單獨(dú)的設(shè)備存在，而是作為CPU、GPU等傳統(tǒng)處理器的加速輔助。因此提供設(shè)計(jì)量子-經(jīng)典混合模型的工具就非常有必要。

值得一提的是，和機(jī)器學(xué)習(xí)一樣，量子機(jī)器學(xué)習(xí)也經(jīng)歷了兩代的發(fā)展。對(duì)應(yīng)于第一代機(jī)器學(xué)習(xí)（以支持向量機(jī)、k-平均聚類等為代表），第一代量子機(jī)器學(xué)習(xí)主要是一些量子加速線性代數(shù)方法。隨著以深度學(xué)習(xí)為代表的第二代機(jī)器學(xué)習(xí)的發(fā)展，量子機(jī)器學(xué)習(xí)也因?yàn)榱孔佑?jì)算機(jī)算力的提升步入了第二代，其特點(diǎn)便是基于啟發(fā)方法（和深度學(xué)習(xí)類似）。

2、TensorFlow Quantum

簡(jiǎn)單來說，TensorFlow Quantum 是一個(gè)基于TensorFlow的機(jī)器學(xué)習(xí)庫，所面向的是量子-經(jīng)典混合機(jī)器學(xué)習(xí)模型的設(shè)計(jì)。

更為直白一點(diǎn)，相關(guān)量子算法的研究可以調(diào)用 TFQ 內(nèi)部的計(jì)算框架，然后用 Python 編程完成運(yùn)算。另外，可以使用標(biāo)準(zhǔn)Keras功能進(jìn)行訓(xùn)練。

谷歌強(qiáng)勢(shì)開源量子版TensorFlow">

在具體設(shè)計(jì)方面，TFQ實(shí)現(xiàn)了將TensorFlow與量子計(jì)算硬件集成所需的組件，并創(chuàng)建了兩個(gè)數(shù)據(jù)類型原語。這兩個(gè)原語分別是：

• 量子電路：表示TensorFlow中 Cirq 定義的量子電路，創(chuàng)建不同大小的電路批次，類似于不同的實(shí)值數(shù)據(jù)點(diǎn)的批次；
• Pauli sum：表示Cirq中定義的Pauli運(yùn)算符的張量積的線性組合。像電路一樣，創(chuàng)建一批大小不一的運(yùn)算符。

谷歌強(qiáng)勢(shì)開源量子版TensorFlow">

上圖為TFQ 的軟件棧，顯示了它與TensorFlow、Cirq和計(jì)算硬件的交互。棧的頂部是要處理的數(shù)據(jù)。經(jīng)典數(shù)據(jù)由TensorFlow本地處理；TFQ增加了處理量子數(shù)據(jù)的能力，包括量子電路和量子運(yùn)算符。

棧的下一層是TensorFlow中的Keras API。由于TFQ的一個(gè)核心原則是與TensorFlow內(nèi)核進(jìn)行集成，特別是與Keras模型和優(yōu)化器進(jìn)行集成，所以這個(gè)級(jí)別覆蓋了整個(gè)棧的寬度。

在Keras模型抽象的下面是量子層和微分器，當(dāng)連接到經(jīng)典的張量流層時(shí)，它們能夠?qū)崿F(xiàn)量子-經(jīng)典的混合自動(dòng)微分。

在這些層和微分器之下，有TF Ops，它實(shí)例化了數(shù)據(jù)流圖；TFQ Ops 可以控制量子電路的執(zhí)行。這些電路可以通過調(diào)用qsim或Cirq從而以仿真模式運(yùn)行，或者最終在QPU硬件上執(zhí)行。

根據(jù)谷歌的白皮書[2]，當(dāng)前已經(jīng)可以使用TFQ包括用于量子分類，量子控制和量子近似優(yōu)化的監(jiān)督學(xué)習(xí)。此外，高級(jí)應(yīng)用還可用TFQ來解決高級(jí)量子學(xué)習(xí)任務(wù)，包括元學(xué)習(xí)、哈密頓學(xué)習(xí)和熱采樣。

AI科技評(píng)論簡(jiǎn)單介紹幾個(gè)應(yīng)用：

量子-經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)混合分類器。在量子數(shù)據(jù)的情況下，隱藏的經(jīng)典參數(shù)可以嵌入到量子系統(tǒng)的非局域子系統(tǒng)或子空間中，然后研究員必須執(zhí)行一些解纏的量子變換，以便從非局部的子空間中提取信息。

谷歌強(qiáng)勢(shì)開源量子版TensorFlow">

圖注：用于檢測(cè)團(tuán)簇狀態(tài)CNN的結(jié)構(gòu)

經(jīng)典的神經(jīng)網(wǎng)絡(luò)往往具有平移不變性，而具有平移對(duì)稱性的量子數(shù)據(jù)有很多種。這樣的量子數(shù)據(jù)往往是簇態(tài)（cluster states）。量子-經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)混合分類器可以解決簇態(tài)時(shí)檢測(cè)錯(cuò)誤的問題，具體做法是將其看做有監(jiān)督的分類任務(wù)，不過訓(xùn)練所使用的數(shù)據(jù)將由各種正確和不正確準(zhǔn)備的簇態(tài)組成，每個(gè)都與它們的標(biāo)簽配對(duì)。

量子控制中的混合機(jī)器學(xué)習(xí)。為了充分利用神經(jīng)網(wǎng)絡(luò)的優(yōu)化能力的同時(shí)，而不用考慮計(jì)算開銷，有必要對(duì)各種神經(jīng)網(wǎng)絡(luò)表示和不同類型的量子控制動(dòng)力學(xué)之間的聯(lián)系進(jìn)行更深的理解。

谷歌強(qiáng)勢(shì)開源量子版TensorFlow">

圖注：用于學(xué)習(xí)量子控制分解的混合量子-經(jīng)典神經(jīng)網(wǎng)絡(luò)模型的體系結(jié)構(gòu)

為了達(dá)到這個(gè)目標(biāo)，需要TFQ集成幾個(gè)功能：

• 混合量子-經(jīng)典網(wǎng)絡(luò)模型；
• 批量量子電路模擬器；
• 基于量子期望的反向傳播；
• 基于梯度和基于非梯度的快速經(jīng)典優(yōu)化器。

量子近似優(yōu)化算法（簡(jiǎn)稱QAOA）。QAOA最初是用來求解最大割問題， 目前的QAOA框架已尋找高階哈密頓量和連續(xù)變量哈密頓量等類似問題。

3、怎么用？

TFQ可以讓研究人員在單個(gè)計(jì)算圖中將量子數(shù)據(jù)集、量子模型和經(jīng)典控制參數(shù)構(gòu)造為張量。當(dāng)然與經(jīng)典機(jī)器學(xué)習(xí)一樣，量子機(jī)器學(xué)習(xí)的關(guān)鍵挑戰(zhàn)也是對(duì)“噪音數(shù)據(jù)”進(jìn)行分類。

但是，要構(gòu)建和訓(xùn)練這樣的模型，研究人員必須執(zhí)行以下操作：

• 準(zhǔn)備量子數(shù)據(jù)集，每個(gè)量子數(shù)據(jù)張量都指定為用Cirq編寫的量子電路，該電路可實(shí)時(shí)生成量子數(shù)據(jù)。
• 評(píng)估量子神經(jīng)網(wǎng)絡(luò)模型，量子模型實(shí)質(zhì)上是對(duì)輸入的量子數(shù)據(jù)進(jìn)行解糾纏，從而留下以經(jīng)典相關(guān)性編碼的隱藏信息，從而使其可用于本地測(cè)量（ local measurements ）和經(jīng)典的后處理（ classical post-processing）。
• 樣本或期望值。量子態(tài)的測(cè)量從經(jīng)典隨機(jī)變量中以樣本形式提取信息。來自隨機(jī)變量的值的分布通常取決于量子態(tài)本身以及所測(cè)得的可觀測(cè)值。由于許多變分算法都取決于測(cè)量的平均值，因此TFQ提供了對(duì)涉及步驟（1）和（2）的多個(gè)運(yùn)行求期望值的方法。
• 評(píng)估經(jīng)典神經(jīng)網(wǎng)絡(luò)模型。提取經(jīng)典信息后，其格式適用于進(jìn)一步的經(jīng)典后處理，由于提取的信息可能仍會(huì)以測(cè)量的期望之間的經(jīng)典相關(guān)性進(jìn)行編碼，因此經(jīng)典深度神經(jīng)網(wǎng)絡(luò)能應(yīng)用于提取此類相關(guān)性。
• 評(píng)估損失函數(shù) 。根據(jù)經(jīng)典后處理的結(jié)果，評(píng)估損失函數(shù)。
• 評(píng)估梯度和更新參數(shù)。評(píng)估損失函數(shù)后，應(yīng)沿預(yù)期可降低損失的方向更新自由參數(shù)這通常是通過梯度下降執(zhí)行的。

從代碼方面來看。基礎(chǔ)的安裝與調(diào)用與Python其他深度學(xué)習(xí)庫沒有什么區(qū)別。

例如安裝：

pip install -q tensorflow-quantum 

導(dǎo)入相關(guān)模塊：

import tensorflow as tf 
import tensorflow_quantum as tfq 
import cirq 
import sympy 
import numpy as np 
# visualization tools 
%matplotlib inline 
import matplotlib.pyplot as plt 
from cirq.contrib.svg import SVGCircuit 

谷歌強(qiáng)勢(shì)開源量子版TensorFlow">

更多代碼層面的教程請(qǐng)移步下面的鏈接，谷歌由淺入深專門介紹了如何運(yùn)用TFQ。

https://www.tensorflow.org/quantum/tutorials/hello_many_worlds

在具體的算法層面，谷歌也在白皮書中放出了代碼介紹，例如在量子-經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)混合分類器算法中的部分代碼介紹如下：

谷歌強(qiáng)勢(shì)開源量子版TensorFlow">

4、So What？

Reddit 社區(qū)很快便有對(duì)谷歌開源TFQ的回應(yīng)。有網(wǎng)友表示：

谷歌強(qiáng)勢(shì)開源量子版TensorFlow">

是的，量子機(jī)器學(xué)習(xí)平臺(tái)的開源，與我們何干？

然而正如物理學(xué)家理查德·費(fèi)曼所說，“自然世界不是經(jīng)典的，如果你想模擬自然世界，最好使用一套量子的機(jī)制。”

在過去幾年，盡管以深度學(xué)習(xí)為代表的機(jī)器學(xué)習(xí)方法在許多問題上產(chǎn)生了深遠(yuǎn)的影響。然而從長(zhǎng)遠(yuǎn)來看，正如牛頓經(jīng)典力學(xué)并不能精確描述自然世界一樣，我們?nèi)粝肽M自然世界，經(jīng)典機(jī)器學(xué)習(xí)方法會(huì)顯得力有未逮，而量子機(jī)器學(xué)習(xí)方法則將成為必然。

如今，諸多科技巨頭相繼布局量子計(jì)算，由此也可見，在未來的10~20年內(nèi)，量子計(jì)算以及量子機(jī)器學(xué)習(xí)必將成為社會(huì)發(fā)展的重要推動(dòng)力。

現(xiàn)在入手 TFQ，或恰逢其時(shí)。

展望未來，我們?nèi)绾瓮苿?dòng)發(fā)展？量子計(jì)算或許是我們工具箱里可以使用的工具。

5~10年內(nèi)，我們會(huì)面對(duì)前所未有的挑戰(zhàn)，量子計(jì)算會(huì)破解我們今天所有的加密，但是我們可以想辦法繞過去。任何不斷發(fā)展的技術(shù)都會(huì)面臨一些挑戰(zhàn)，但人工智能和量子技術(shù)的結(jié)合將會(huì)幫助我們解決一些我們現(xiàn)在認(rèn)為的最大的問題。