自然世界不是經(jīng)典的，如果你想模擬自然世界，最好使用一套量子機制。——理查德·費曼 文 | 蔣寶尚編 | 賈   偉 繼2019年10月谷歌在《Nature》上發(fā)布關于驗證“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）。

簡單來說，類似于TensorFlow ，TFQ 作為一個開源庫，將直接降低量子機器學習的門檻，讓我們能夠快速構建量子機器學習模型。 TensorFlow Quantum專注于處理量子數(shù)據(jù)，及構建量子-經(jīng)典混合模型（hybrid quantum-classical models）。它在 Cirq 中集成了設計的量子計算算法和邏輯，并提供與現(xiàn)有 TensorFlow API 兼容的量子計算原語，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、量子機器學習

 在介紹TFQ之前，我們首先應當了解什么是「量子機器學習」；而要想理解量子機器學習，就必須先要理解兩個概念：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?，?shù)據(jù)（以二值數(shù)據(jù)為例）似乎總是“要么是（1），要么非（ 0 ）”。然而當我們細想，就會發(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)的兩個極端。

量子的思維正是這樣。 在量子力學中常用“態(tài)”（這是一個希爾伯特空間的向量）來描述一個系統(tǒng)。例如經(jīng)典的信息輸入序列 01，用量子力學的語言描述即 |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> 不可能同時出現(xiàn)，這本質上就是或“是”或“非”的觀點。顯然對于這些正交態(tài)的操作也必須是正交的變換。 

（雷鋒網(wǎng)）

然而在量子數(shù)據(jù)中，擴展了經(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： 

也即它同時可能是四種經(jīng)典數(shù)據(jù)中的任何一種（取決于前面的系數(shù)，你可以簡單理解為四個相互正交的向量之間的疊加），而不是非此即彼。 當我們用這種量子數(shù)據(jù)取代經(jīng)典數(shù)據(jù)輸入到網(wǎng)絡中時，會發(fā)生什么呢？如下圖所示

 

Source：知乎[4]（雷鋒網(wǎng)）

 在經(jīng)典的感知機中，我們輸入的是一個 0 、1 組成的向量，但如果是量子感知機的話，它輸入的就是許多個 |φ> = c1 |0> +c2 | 1> 組成的向量，而這個向量的每個元素又都可能既是 0 又是 1 。 然而到現(xiàn)實中，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用量子處理器來學習量子數(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行處理，而經(jīng)典部分則在經(jīng)典處理器上進行處理。 

（雷鋒網(wǎng)）

谷歌研究人員表示，在可預期的將來，量子計算機最有用的功能可能便是一個硬件加速器，也即它并不是作為一個單獨的設備存在，而是作為CPU、GPU等傳統(tǒng)處理器的加速輔助。因此提供設計量子-經(jīng)典混合模型的工具就非常有必要。 值得一提的是，和機器學習一樣，量子機器學習也經(jīng)歷了兩代的發(fā)展。對應于第一代機器學習（以支持向量機、k-平均聚類等為代表），第一代量子機器學習主要是一些量子加速線性代數(shù)方法。隨著以深度學習為代表的第二代機器學習的發(fā)展，量子機器學習也因為量子計算機算力的提升步入了第二代，其特點便是基于啟發(fā)方法（和深度學習類似）。

2、TensorFlow Quantum 

簡單來說，TensorFlow Quantum 是一個基于TensorFlow的機器學習庫，所面向的是量子-經(jīng)典混合機器學習模型的設計。 更為直白一點，相關量子算法的研究可以調用 TFQ 內(nèi)部的計算框架，然后用 Python 編程完成運算。另外，可以使用標準Keras功能進行訓練。 

在具體設計方面，TFQ實現(xiàn)了將TensorFlow與量子計算硬件集成所需的組件，并創(chuàng)建了兩個數(shù)據(jù)類型原語。這兩個原語分別是：

1、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，類似于不同的實值數(shù)據(jù)點的批次； 

2.Pauli sum：表示Cirq中定義的Pauli運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算符。 

上圖為TFQ 的軟件棧，顯示了它與TensorFlow、Cirq和計算硬件的交互。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算符。

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

在Keras模型抽象的下面是量子層和微分器，當連接到經(jīng)典的張量流層時，它們能夠實現(xiàn)量子-經(jīng)典的混合自動微分。

在這些層和微分器之下，有TF Ops，它實例化了數(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用qsim或Cirq從而以仿真模式運行，或者最終在QPU硬件上執(zhí)行。 

根據(jù)谷歌的白皮書[2]，當前已經(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)督學習。此外，高級應用還可用TFQ來解決高級量子學習任務，包括元學習、哈密頓學習和熱采樣。 

AI科技評論簡單介紹幾個應用： 

量子-經(jīng)典卷積神經(jīng)網(wǎng)絡混合分類器。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。

圖注：用于檢測團簇狀態(tài)CNN的結構 

經(jīng)典的神經(jīng)網(wǎng)絡往往具有平移不變性，而具有平移對稱性的量子數(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)絡混合分類器可以解決簇態(tài)時檢測錯誤的問題，具體做法是將其看做有監(jiān)督的分類任務，不過訓練所使用的數(shù)據(jù)將由各種正確和不正確準備的簇態(tài)組成，每個都與它們的標簽配對。 量子控制中的混合機器學習。為了充分利用神經(jīng)網(wǎng)絡的優(yōu)化能力的同時，而不用考慮計算開銷，有必要對各種神經(jīng)網(wǎng)絡表示和不同類型的量子控制動力學之間的聯(lián)系進行更深的理解。

圖注：用于學習量子控制分解的混合量子-經(jīng)典神經(jīng)網(wǎng)絡模型的體系結構 

為了達到這個目標，需要TFQ集成幾個功能：1、混合量子-經(jīng)典網(wǎng)絡模型；2、批量量子電路模擬器；3、基于量子期望的反向傳播；4、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。

2、怎么用？

TFQ可以讓研究人員在單個計算圖中將量子數(shù)據(jù)集、量子模型和經(jīng)典控制參數(shù)構造為張量。當然與經(jīng)典機器學習一樣，量子機器學習的關鍵挑戰(zhàn)也是對“噪音數(shù)據(jù)”進行分類。 

圖注：TFQ計算步驟的抽象概述。 但是，要構建和訓練這樣的模型，研究人員必須執(zhí)行以下操作：

 1、準備量子數(shù)據(jù)集，每個量子數(shù)據(jù)張量都指定為用Cirq編寫的量子電路，該電路可實時生成量子數(shù)據(jù)。 

2、評估量子神經(jīng)網(wǎng)絡模型，量子模型實質上是對輸入的量子數(shù)據(jù)進行解糾纏，從而留下以經(jīng)典相關性編碼的隱藏信息，從而使其可用于本地測量（ local measurements ）和經(jīng)典的后處理（ classical post-processing）。  

3、樣本或期望值。量子態(tài)的測量從經(jīng)典隨機變量中以樣本形式提取信息。來自隨機變量的值的分布通常取決于量子態(tài)本身以及所測得的可觀測值。由于許多變分算法都取決于測量的平均值，因此TFQ提供了對涉及步驟（1）和（2）的多個運行求期望值的方法。 

4、評估經(jīng)典神經(jīng)網(wǎng)絡模型。提取經(jīng)典信息后，其格式適用于進一步的經(jīng)典后處理，由于提取的信息可能仍會以測量的期望之間的經(jīng)典相關性進行編碼，因此經(jīng)典深度神經(jīng)網(wǎng)絡能應用于提取此類相關性。 

5、評估損失函數(shù) 。根據(jù)經(jīng)典后處理的結果，評估損失函數(shù)。 

6、評估梯度和更新參數(shù)。評估損失函數(shù)后，應沿預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?；A的安裝與調用與Python其他深度學習庫沒有什么區(qū)別。 

例如安裝：
pip install -q tensorflow-quantum

導入相關模塊：
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

更多代碼層面的教程請移步下面的鏈接，谷歌由淺入深專門介紹了如何運用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)絡混合分類器算法中的部分代碼介紹如下： 

So What？

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

是的，量子機器學習平臺的開源，與我們何干？ 然而正如物理學家理查德·費曼所說，“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制?！?/p>

 在過去幾年，盡管以深度學習為代表的機器學習方法在許多問題上產(chǎn)生了深遠的影響。然而從長遠來看，正如牛頓經(jīng)典力學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)典機器學習方法會顯得力有未逮，而量子機器學習方法則將成為必然。 如今，諸多科技巨頭相繼布局量子計算，由此也可見，在未來的10~20年內(nèi)，量子計算以及量子機器學習必將成為社會發(fā)展的重要推動力。 

現(xiàn)在入手 TFQ，或恰逢其時。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。