【.com快言】量子计算与人工智能(AI)的交叉有望成为整个技术发展史上最引人入胜的趋势之一。量子计算的出现可能会迫使我们重新构想几乎所有现有的计算范式，人工智能也不例外。然而，量子计算机的计算能力也有望加速AI的许多方面，而这些方面在今天仍然不切实际。人工智能和量子计算相辅相成的第一步是重新构想在量子架构上运行的机器学习模型。最近，谷歌开源了一个构建量子机器学习模型的框架：TensorFlowQuantum。TensorFlowQuantum的核心概念是在TensorFlow编程模型中交织量子算法和机器学习程序。谷歌将这种方法称为量子机器学习，并能够使用其最近的一些量子计算框架（例如谷歌的Cirq）来实现它。量子机器学习当我们谈论量子计算和人工智能时，我们要回答的第一个问题是后者如何从新兴的量子架构中受益。量子机器学习(QML)是可以充分利用量子特性的机器学习模型的总称。QML的第一个应用侧重于重构传统的机器学习模型，以便它们可以在随量子比特数显着扩展的状态空间上执行快速线性代数。然而，量子硬件的发展由于其计算能力的提高拓宽了QML的前景，逐渐发展成为一种可以凭经验研究的启发式方法。这个过程类似于GPU的出现如何使机器学习向深度学习范式演进。在TensorFlowQuantum的上下文中，QML可以定义为两个主要部分：量子数据集b。混合量子模型量子数据集量子数据是自然或人工量子系统中出现的任何数据源。这可能是来自量子力学实验的经典数据，也可能是由量子设备直接生成然后作为算法输入的数据。有一些证据表明，“量子数据”上的混合量子-经典机器学习应用程序可以提供优于纯经典机器学习的量子优势，原因如下所述。量子数据表现出叠加和纠缠现象，导致可能需要大量经典计算资源来表示或存储的联合概率分布。混合量子模型正如机器学习可以从训练数据集中概括模型一样，QML可以从量子数据集中概括量子模型。然而，由于量子处理器仍然很小且嘈杂，因此量子模型无法单独使用量子处理器来概括量子数据。混合量子模型提出了一种场景，在这种场景中，量子计算机最适合作为硬件加速器，与经典计算机共生。该模型非常适合TensorFlow，因为它已经支持跨CPU、GPU和TPU的异构计算。Cirq构建混合量子模型的第一步是能够利用量子运算。为此，TensorFlowQuantum依赖于Cirq，这是一个用于在近期设备上调用量子电路的开源框架。Cirq包含指定量子计算所需的基本结构，例如量子位、门、电路和测量运算符。Cirq背后的想法是提供一个简单的编程模型，抽象出量子应用软件的基本构建块。最新版本包括以下关键构建块：电路：在Cirq中，电路代表量子电路的最基本形式。Cirq电路表示为由在某个抽象时间间隔内对量子位执行的操作组成的矩的集合。时间表和设备：时间表是另一种形式的量子电路，其中包含有关门的时间和持续时间的更多详细信息。从概念上讲，计划由一系列ScheduledOperations和运行计划的设备的描述组成。盖茨：在Cirq中，盖茨抽象了对量子位集合的操作。模拟器：Cirq包含一个Python模拟器，可用于运行电路和时间表。模拟器架构可跨多个线程和CPU进行扩展，使其能够运行相当复杂的电路。TensorFlowQuantumTensorFlowQuantum(TFQ)是一个用于构建QML应用程序的框架。TFQ使机器学习研究人员能够将量子数据集、量子模型和经典控制参数构建为单个计算图中的张量。从架构的角度来看，TFQ提供了一个模型，它抽象了与TensorFlow、Cirq和计算硬件的交互。栈顶是要处理的数据。经典数据直接由TensorFlow处理；TFQ增加了这个能力：处理由量子电路和量子算子组成的量子数据。堆栈中的下一层是TensorFlow中的KerasAPI。由于TFQ的核心原则是与核心TensorFlow（尤其是与Keras模型和优化器）的原生集成，因此该级别跨越堆栈的整个宽度。在Keras模型抽象之下是我们的量子层和微分器，当它们与经典TensorFlow层连接时，可以实现混合量子-经典自动微分。在量子层和微分器之下，TFQ依赖于TensorFlow运算符，它为数据流图创建实例。从执行的角度来看，TFQ遵循以下步骤来训练和构建QML模型。1.准备量子数据集：将量子数据加载为张量，指定为用Cirq编写的量子电路。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：在这一步中，研究人员可以使用Cirq对量子神经网络进行原型设计，然后将其嵌入到TensorFlow计算图中。3.采样或平均：此步骤利用对涉及步骤1和2的几次运行进行平均的方法。4.评估经典神经网络模型：此步骤使用经典深度神经网络来捕获前面步骤中提取的指标之间的这种相关性.5.评估成本函数：与传统的机器学习模型类似，TFQ使用这一步来评估成本函数。如果量子数据被标记，这可能基于模型执行分类任务的准确程度；如果任务不受监督，则根据其他标准。6.评估梯度和更新参数：在评估成本函数后，管道中的自由参数应朝着预期成本降低的方向更新。TensorFlow和Cirq的结合为TFQ提供了一组丰富的功能，包括更简单和熟悉的编程模型，以及同时训练和执行许多量子电路的能力。结合量子计算和机器学习的工作仍处于起步阶段。当然，TFQ是该领域最重要的里程碑之一，利用了量子学习和机器学习领域的一些最佳IP。有关TFQ的更多详细信息，请访问项目网站（https://www.tensorflow.org/quantum）。原标题：探索TensorFlowQuantum，谷歌创建量子机器学习模型的新框架，作者：JesusRodriguez
