（文章來源：DeepTech）

量子物理和機器學習的結合，誕生了量子機器學習這一跨學科領域。全球范圍內，不少頂尖高校和企業研究機構正投身于此并完善該領域的研究生態。近日，谷歌就在其官網宣布，與滑鐵盧大學、Alphabet X 和大眾汽車公司合作發布 TensorFlow Quantum (TFQ)。

TFQ 是一個用于快速構建量子機器學習模型的開源庫，將能提供必要的工具，把量子計算和機器學習研究領域結合起來，控制和模擬自然或人工量子系統。例如有 50 - 100 個量子位的嘈雜中型量子 (NISQ) 處理器。機器學習 (ML) 雖然不能完全模擬自然界中的系統，但是它能夠學習這些系統的模型并預測系統的行為。

在過去的幾年里，經典的機器學習模型已經在處理具有挑戰性的科學問題上初露鋒芒，促進了人類在癌癥檢測、圖像處理、地震預測、極端天氣預測和新系外行星探測方面的進步。近年來隨著量子計算的發展，新量子機器學習模型的發展可能會對世界上的重大問題產生深遠影響，有望使人類在醫學、材料、傳感和通信領域取得突破。然而，到目前為止，還缺乏相應的研究工具來發現有用的量子機器學習模型。這些模型可以處理基于量子的數據并在可用的量子計算機上執行任務。

TFQ 包含如量子位、門、電路和測量操作符等基本結構，這些都是指定量子計算所必需的。用戶指定的量子計算可以在仿真或實際硬件上執行。Cirq 還包含大量的機器，如編譯器和調度器，幫助用戶為 NISQ 機器設計高效的算法，使量子 - 經典混合算法能夠在量子電路模擬器上運行，并最終在量子處理器上運行。

谷歌的團隊也已經將 TFQ 用于量子 - 經典卷積神經網絡，機器學習用于量子控制，分層學習用于量子神經網絡、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量子神經網絡。團隊在 TFQ 白皮書中對這些量子應用進行了綜述，每個示例都可以在瀏覽器中通過 Colab 從研究存儲庫運行。

那么，TFQ 具體是如何工作的？根據谷歌官方博客介紹，TFQ 允許研究人員在單個計算圖中構建量子數據集、量子模型和經典控制參數。量子測量的結果，導致經典的概率事件，是由 TensorFlow Ops 獲得的。TFQ 訓練可以使用標準的 Keras 函數進行。為了對如何使用量子數據提供一些直觀的認識，可以考慮使用量子神經網絡對量子狀態進行監督分類。量子機器學習和經典機器學習一樣，關鍵的挑戰是如何對 “噪聲數據” 進行分類。為了建立和訓練這樣一個模型，研究者可以做以下工作：

1. 準備量子數據庫。量子數據是張量(一個多維數列)。每個量子數據張量都被指定為一個用 Cirq 編寫的量子電路，它可以動態地生成量子數據。張量由張量流在量子計算機上執行，生成一個量子數據庫。

2. 評估量子神經網絡模型。研究人員可以使用 Cirq 建立量子神經網絡的原型，然后將其嵌入到張量流計算圖中。基于對量子數據結構的了解，可以從幾個大類中選擇參數化的量子模型。該模型的目標是執行量子任務，以提取隱藏在糾纏態下的信息。換句話說，量子模型從本質上分離了輸入的量子數據，將隱藏的信息編碼在經典的相關性中，從而使其可用于局部測量和經典的后處理。

3. 樣本或平均值。量子態的測量以樣本的形式從經典隨機變量中提取經典信息。這個隨機變量的值的分布一般取決于量子態本身和測量的可觀測值。由于許多變分算法取決于測量值的平均值，也稱為期望值，因此 TFQ 提供了在涉及步驟 (1) 和(2)的多次運行中求平均值的方法。

4. 評估經典神經網絡模型。一旦經典信息被提取出來，它的格式就適合進一步的經典后處理。由于所提取的信息仍然可能被編碼為測量期望之間的經典關聯，因此可以使用經典的深度神經網絡來提取這種關聯。5. 評估成本函數。通過給定經典后處理的結果，對成本函數進行評估。如果量子數據是被標記的，這基于模型執行分類任務的準確性，如果任務是無監督的，則基于其他標準。

6. 評估梯度和更新參數。在評估成本函數之后，應該按照預期的方向更新線路中的自由參數，以降低成本。這通常是通過梯度下降來實現。TFQ 的一個關鍵特性將是能夠同時訓練和執行多個量子電路。

TensorFlow 能夠在計算機集群之間并行化計算，并能夠在多核計算機上模擬相對較大的量子電路，從而實現了這一目標。為了實現這一目標，谷歌團隊也宣布開放 qsim , 該模擬器能夠在谷歌云節點上在 111 秒內仿真門深度為 14 的 32 量子位的量子電路。該模擬器還特別針對多核 Intel 處理器進行了優化。結合 TFQ，團隊已經在 60 分鐘內在谷歌云節點上以門深度 20 對 20 量子位的量子電路進行了 100 萬次電路仿真。

（責任編輯：fqj）