建立在量子架構(gòu)上工作的機(jī)器學(xué)習(xí)模型TensorFlow Quantum是怎樣的

本篇文章為大家展示了建立在量子架構(gòu)上工作的機(jī)器學(xué)習(xí)模型TensorFlow Quantum是怎樣的，內(nèi)容簡(jiǎn)明扼要并且容易理解，絕對(duì)能使你眼前一亮，通過(guò)這篇文章的詳細(xì)介紹希望你能有所收獲。

量子計(jì)算和人工智能(AI)的交叉有望成為整個(gè)科技史上最引人注目的工作之一。量子計(jì)算的出現(xiàn)可能會(huì)迫使我們重新設(shè)想幾乎所有現(xiàn)有的計(jì)算范式，人工智能也不例外。然而，量子計(jì)算機(jī)的計(jì)算能力也有可能加速人工智能的許多領(lǐng)域，這些領(lǐng)域目前仍不實(shí)用。人工智能和量子計(jì)算協(xié)同工作的第一步是將機(jī)器學(xué)習(xí)模型重新構(gòu)想為量子架構(gòu)。

TensorFlow Quantum的核心思想是將量子算法和機(jī)器學(xué)習(xí)程序都交織在TensorFlow編程模型中。谷歌將這種方法稱為量子機(jī)器學(xué)習(xí)，并能夠通過(guò)利用一些最新的量子計(jì)算框架(如谷歌Cirq)來(lái)實(shí)現(xiàn)它。

量子機(jī)器學(xué)習(xí)

當(dāng)談到量子計(jì)算和人工智能時(shí)，我們需要回答的第一個(gè)問(wèn)題是后者如何從量子架構(gòu)的出現(xiàn)中獲益。量子機(jī)器學(xué)習(xí)(QML)是一個(gè)廣義的術(shù)語(yǔ)，指的是可以利用量子特性的機(jī)器學(xué)習(xí)模型。第一個(gè)QML應(yīng)用程序?qū)Ｗ⒂谥貥?gòu)傳統(tǒng)的機(jī)器學(xué)習(xí)模型，這樣它們就能夠在一個(gè)狀態(tài)空間上執(zhí)行快速的線性代數(shù)，這個(gè)狀態(tài)空間隨著量子位的數(shù)量呈指數(shù)增長(zhǎng)。然而，由于量子硬件計(jì)算能力的提高，量子硬件的發(fā)展拓寬了QML的視野，逐漸發(fā)展為可以進(jìn)行經(jīng)驗(yàn)研究的啟發(fā)式方法。此過(guò)程類似于GPU的創(chuàng)建如何使機(jī)器學(xué)習(xí)向深度學(xué)習(xí)范例發(fā)展。

在TensorFlow Quantum的上下文中，可以將QML定義為兩個(gè)主要組件：

a）量子數(shù)據(jù)集

b）混合量子模型

量子數(shù)據(jù)集

量子數(shù)據(jù)是在自然或人工量子系統(tǒng)中出現(xiàn)的任何數(shù)據(jù)源。這可以是來(lái)自量子力學(xué)實(shí)驗(yàn)的經(jīng)典數(shù)據(jù)，也可以是由量子設(shè)備直接生成然后作為輸入輸入到算法中的數(shù)據(jù)。有一些證據(jù)表明，量子-經(jīng)典混合機(jī)器學(xué)習(xí)應(yīng)用于“量子數(shù)據(jù)”可以提供比純經(jīng)典機(jī)器學(xué)習(xí)更大的量子優(yōu)勢(shì)，原因如下所述。量子數(shù)據(jù)表現(xiàn)出疊加和糾纏，導(dǎo)致聯(lián)合概率分布，這可能需要指數(shù)數(shù)量的經(jīng)典計(jì)算資源來(lái)表示或存儲(chǔ)。

混合量子模型

就像機(jī)器學(xué)習(xí)可以從訓(xùn)練數(shù)據(jù)集推廣模型一樣，QML也可以從量子數(shù)據(jù)集推廣量子模型。然而，由于量子處理器仍然相當(dāng)小和有噪聲，量子模型不能只用量子處理器一般化量子數(shù)據(jù)。混合量子模型提出了一種方案，其中量子計(jì)算機(jī)將最有用作為硬件加速器，與傳統(tǒng)計(jì)算機(jī)共生。這個(gè)模型非常適合TensorFlow，因?yàn)樗呀?jīng)支持跨cpu、gpu和TPUs的異構(gòu)計(jì)算。

Cirq框架

建立混合量子模型的第一步是能夠利用量子操作。為了做到這一點(diǎn)，TensorFlow Quantum依靠Cirq，這是一個(gè)用于在近期設(shè)備上調(diào)用量子電路的開(kāi)源框架。Cirq包含基本結(jié)構(gòu)，如量子位、門、電路和測(cè)量操作符，這些都是指定量子計(jì)算所必需的。Cirq背后的想法是提供一個(gè)簡(jiǎn)單的編程模型，抽象出量子應(yīng)用的基本構(gòu)建塊。當(dāng)前版本包括以下主要構(gòu)建模塊:

1. 電路（Circuits）:在Cirq中，Cirquit代表量子電路的最基本形式。一個(gè)Cirq電路被表示為一個(gè)力矩的集合，其中包含了在一些抽象的時(shí)間滑動(dòng)期間可以在量子位上執(zhí)行的操作。

2. 調(diào)度和設(shè)備（Schedules 、 Devices）:調(diào)度是量子電路的另一種形式，它包含有關(guān)閘的時(shí)間和持續(xù)時(shí)間的更詳細(xì)信息。從概念上講，一個(gè)調(diào)度是由一組調(diào)度操作和運(yùn)行調(diào)度的設(shè)備描述組成的。

3. 門（Gates）:在Cirq中，門對(duì)量子位的集合進(jìn)行抽象運(yùn)算。

4. 模擬器（Simulators）:Cirq包含一個(gè)Python模擬器，可用于運(yùn)行電路和調(diào)度。模擬器架構(gòu)可以跨多個(gè)線程和cpu進(jìn)行擴(kuò)展，這允許它運(yùn)行相當(dāng)復(fù)雜的電路。

TensorFlow Quantum

TensorFlow Quantum(TFQ)是一個(gè)用于構(gòu)建QML應(yīng)用程序的框架。TFQ允許機(jī)器學(xué)習(xí)研究人員在單個(gè)計(jì)算圖中構(gòu)造量子數(shù)據(jù)集、量子模型和經(jīng)典控制參數(shù)作為張量。

從架構(gòu)的角度來(lái)看，TFQ提供了一個(gè)抽象與TensorFlow、Cirq和計(jì)算硬件的交互的模型。頂部是要處理的數(shù)據(jù)。經(jīng)典數(shù)據(jù)由TensorFlow自動(dòng)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算子。下一層是TensorFlow中的Keras API。因?yàn)門FQ的一個(gè)核心原則是與核心TensorFlow的本地集成，特別是與Keras模型和優(yōu)化器的集成，所以這個(gè)級(jí)別跨越了堆棧的整個(gè)寬度。在Keras模型抽象的下面是我們的量子層和微分器，當(dāng)與經(jīng)典TensorFlow層連接時(shí)，它們可以實(shí)現(xiàn)混合量子經(jīng)典自動(dòng)分類。在層和區(qū)分符之下，TFQ依賴于TensorFlow操作，該操作實(shí)例化數(shù)據(jù)流圖。

從執(zhí)行角度來(lái)看，TFQ遵循以下步驟來(lái)訓(xùn)練和構(gòu)建QML模型。

1. 準(zhǔn)備量子數(shù)據(jù)集:量子數(shù)據(jù)作為張量加載，指定為在Cirq中編寫的量子電路。張量由TensorFlow在量子計(jì)算機(jī)上執(zhí)行，生成量子數(shù)據(jù)集。

2. 評(píng)估量子神經(jīng)網(wǎng)絡(luò)模型:在這一步中，研究人員可以使用Cirq創(chuàng)建一個(gè)量子神經(jīng)網(wǎng)絡(luò)的原型，他們稍后將該模型嵌入到TensorFlow計(jì)算圖中。

3. 樣本或平均值:此步驟利用方法計(jì)算涉及步驟(1)和(2)的多個(gè)運(yùn)行的平均值。

4. 評(píng)估一個(gè)經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型:這一步使用經(jīng)典的深度神經(jīng)網(wǎng)絡(luò)來(lái)提取在前面步驟中提取的測(cè)量值之間的相關(guān)性。

5. 評(píng)估代價(jià)函數(shù):與傳統(tǒng)機(jī)器學(xué)習(xí)模型類似，TFQ使用這一步評(píng)估代價(jià)函數(shù)。這可能基于如果量子數(shù)據(jù)被標(biāo)記，模型執(zhí)行分類任務(wù)的準(zhǔn)確性，或者如果任務(wù)不受監(jiān)督，則基于其他標(biāo)準(zhǔn)。

6. 評(píng)估梯度和更新參數(shù)——在評(píng)估成本函數(shù)后，管道中的自由參數(shù)應(yīng)該按照預(yù)期的降低成本的方向進(jìn)行更新。

TensorFlow和Cirq的結(jié)合使TFQ具有一系列功能，包括一個(gè)更簡(jiǎn)單和熟悉的編程模型，以及同時(shí)訓(xùn)練和執(zhí)行多個(gè)量子電路的能力。

連接量子計(jì)算和機(jī)器學(xué)習(xí)的相關(guān)努力仍處于非常初級(jí)的階段。當(dāng)然，TFQ代表了這一領(lǐng)域最重要的里程碑之一，它利用了量子和機(jī)器學(xué)習(xí)中一些最好的IP。

上述內(nèi)容就是建立在量子架構(gòu)上工作的機(jī)器學(xué)習(xí)模型TensorFlow Quantum是怎樣的，你們學(xué)到知識(shí)或技能了嗎？如果還想學(xué)到更多技能或者豐富自己的知識(shí)儲(chǔ)備，歡迎關(guān)注億速云行業(yè)資訊頻道。