Google重磅发布开源库TFQ快速建立量子机器学习模型.docx

Google重磅发布开源库TFQ，快速建立量子机器学习模型 机器学习资源合集：海量资源免费下载 机器学习全套学习资料/习题/算法总结/实例源码等资源内容 整理 | 弯月 编辑 | 郭芮 出品 | AI科技大本营 ID rgznai100 近日 Google 与滑铁卢大学、群众汽车等结合发布 TensorFlow Quantum TFQ 一个可快速建立量子机器学习模型原型的开源库。TFQ提供了必要的工具 将量子计算以及机器学习技术结合起来 以控制并建模自然或者人工的量子计算系统。 固然机器学习不能完全模拟自然界的系统 但是它可以学习这些系统的模型并预测系统的行为。 在过去的几年度里 传统的机器学习模型已在处理具有挑战性的科学问题上初露锋芒 并促进了人类在癌症检测、图像处理、地震预测、极端天气预测以及新系外行星探测方面的进步。近年度来随着量子计算的开展 新量子机器学习模型的开展已开场对世界重大问题产生深远的影响 并有望让人类在医学、材料、传感以及通信领域获得打破。然而 到目前为止 我们仍然缺乏相应的研究工具来发现有用的量子机器学习模型这些模型可以处理基于量子的数据 并在量子计算机上执行任务。 而如今 TFQ 通过提供与现有 TensorFlow API 兼容的量子计算根本要素和高性能量子电路模拟器 将量子计算开源框架 Cirq 与 TensorFlow 集成在一起 为传统的判别以及生成量子模型的设计以及实现提供了高层的抽象。 什么是量子机器学习模型 量子模型具有以量子力学来表示以及概括数据的才能。然而 为了理解量子模型 首先必须明确两个概念 量子数据以及量子-经典混合模型 hybrid quantum-classical model 。 量子数据具有叠加以及纠缠的特性 因此其结合概率分布需要大量传统的计算资源来表示或者存储。量子数据可以在量子处理器、传感器、网络中产生以及模拟 包括化学物质以及量子物质的模拟、量子控制、量子通信网络、量子计量学等等。 从技术上来讲 由 NISQ 处理器生成的量子数据具有关键的特性 嘈杂 且通常在测量之前就出现了纠缠。然而 将量子机器学习应用到嘈杂的纠缠量子数据可以最大程度地提取有用的经典信息。受这些技术的启发 TFQ 库提供了开发模型的原语 这些模型可用于解纠缠以及泛化量子数据中的相关性 进而为改良现有量子算法或者发现新的量子算法提供了时机。 第二个需要引入的概念是量子-经典混合模型。由于近来的量子处理器仍然相对较小 且很嘈杂 因此量子模型不能仅依赖量子处理器NISQ 处理器需要以及经典处理器配合 才能变得高效。由于TensorFlow支持跨CPU、GPU以及TPU的异构计算 因此它是试验量子-经典混合算法的首选平台。 TFQ包含量子计算所需的根本构造 比方量子比特、门、电路和测量运算符等。用户指定的量子计算可在模拟的环境和真实的硬件上执行。Cirq 还包含大量的构件 用以帮助用户为 NISQ 处理器设计高效的算法 进而让量子-经典混合算法的实现能在量子电路模拟器上运行 最终在量子处理器上运行。 目前 Google 已将 TFQ 用于实现量子-经典卷积神经网络 和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和经典的递归神经网络。Google 提供了这些量子应用的概览 每个例如都可以通过 Colab 在阅读器中运行。 TFQ怎样工作 研究人员可以利用TFQ 在单个计算图中构建量子数据集、量子模型和作为张量的经典控制参数。引发经典概率事件的量子测量的结果可由TensorFlow Ops 获得。而 TFQ 训练可以使用标准的 Keras 函数进展。 为了方便大众理解量子数据的使用 Google 提供了使用量子神经网络对量子状态进展监视分类的讲明。与经典机器学习一样 量子机器学习所面临的关键性挑战在于怎样对 “噪声数据 进展分类。假如想构建以及训练这样的模型 研究人员可以执行以下操作 1. 准备一个量子数据集 量子数据作为张量 多维数组 来加载。每个量子数据张量都指定为用Cirq编写的量子电路。这个电路可实时生成量子数据 张量由TensorFlow在量子计算机上执行 用来生成量子数据集。 2. 评估一个量子神经网络模型 研究人员可以使用Cirq建立量子神经网络的原型 然后将其嵌入到TensorFlow计算图中。基于对量子数据构造的解析 可以从几个大类中选择参数化的量子模型。这个模型的目的是执行量子处理 用来提取隐藏在典型的纠缠态下的信息。换句话讲 量子模型本质上是对输入的量子数据进展解纠缠 将隐藏的信息编码在经典的相关性中 进而使它们适用于本地测量以及经典后处理。 3. 样本或者平均值 量子态的测量需要以样本的形式 从经典随机变量中提取经典信息。来自该随机变量值的分布 通常取决于量子态本身和所测得的可观测值。由于许多变分算法依赖于测量值的平均值 也称为期望值 因此TFQ提供了在涉及步骤(1)以及(2)的屡次运行中求平均值的方法。 4. 评估一个经典的神经网络模型 在经典信息被提取出来后 它的格式就合适进一步的经典后处理。由于提取的信息可能被编码为测量期望之间的经典关联 因此 研究人员可以使用经典深度神经网络来提取这种关联。 5. 评估本钱函数 根据经典后处理的结果 评估本钱函数。这可以基于模型执行分类任务的准确性 假如量子数据被标记 或基于其他标准 假如任务是无监视的 。 6. 评估梯度以及更新参数 在评估了本钱函数之后 应按预期可降低本钱的方向更新管道中的自由参数 这通常是通过梯度下降来执行的。 TFQ 的一个关键特性将是可以同时训练以及执行多个量子电路。 TensorFlow 可以在计算机集群之间并行化计算 并可以在多核计算机上模拟相对较大的量子电路 因此可以实现TFQ的这一特性。此外 Goolge 团队还宣布开放 qsim ,  该模拟器可以在 Goolge 云节点上在 111 秒内模拟门深度为14的32量子位量子电路。该模拟器还十分针对多核 Intel 处理器进展了优化。Google 结合 TFQ 已在60分钟内在Google 云节点上以门深度 20 对 20 量子位的量子电路进展了 100 万次电路仿真。 展望将来 如今 TFQ 主要面向在经典量子电路模拟器上执行量子电路。将来 TFQ 有望在 Cirq 支持的真正量子处理器 包括 Google 自己的处理器 Sycamore 上执行量子电路。更多有关TFQ的信息 可浏览 Google 的白皮书并访问 TensorFlow Quantum 网站。 TFQ主页 s:/ tensorflow.org/quantum/ TFQ GitHub地址 s:/github /tensorflow/quantum TFQ白皮书 s:/arxiv.org/abs/2003.02989 参考链接 s:/ai.googleblog /2020/03/announcing-tensorflow-quantum-open.html 【end】 原力方案 ?原力方案【第二季】- 学习力挑战?正式开场 即日起至 3月21日 千万流量支持原创 更有专属【勋章】等你来挑战 推荐浏览 简单粗暴理解与实现机器学习之逻辑回归 逻辑回归介绍、应用场景、原理、损失和优化 你点的每个“在看 我都认真当成了AI