智东西(公众号:zhidxcom)
编 | 心缘
智东西3月10日消息,谷歌今天宣布推出量子机器学习库TensorFlow Quantum(TFQ)。
该工具可以构建量子数据集、原型混合量子模型和经典机器学习模型,支持量子电路模拟器以及训练判别和生成量子模型。
TFQ白皮书《TensorFlow Quantum:用于量子机器学习的软件框架》已在3月6日提交给预印本平台arXiv。论文作者有20多位,分别来自谷歌最神秘的部门Google X、滑铁卢大学量子计算研究所、NASA的Quantum AI Lab、大众汽车和Google Research。
白皮书中写道:“我们希望这个框架为量子计算和机器学习研究界提供必要的工具,以探索经典和人工量子系统的模型,并最终发现可能产生量子优势的新量子算法”,“将来,我们希望扩展支持的自定义仿真硬件的范围,以包括GPU和TPU集成。”
自去年谷歌首秀“量子霸权”后,陆续有科技公司公开踏入量子计算这一面向未来的超级计算战场,最新的公布还有微软云量子计算服务Azure Quantum、亚马逊云服务Amazon Braket和霍尼韦尔号称“全球功能最强的计算机”。
废话不多说,快来看看谷歌这次的新发布究竟有何亮点?
TFQ白皮书:https://arxiv.org/pdf/2003.02989
物理学家理查德·费曼(Richard Feynman)曾说过:“自然不是古典的,该死的,因此,如果要模拟自然,最好将其变成量子力学的。”
由于自然现象遵循量子规则,因此Masoud Mohseni认为,如果机器学习模型要准确地反映世界,那么它们也必须是量子的。
机器学习(ML)虽然不能准确地模拟自然界中的系统,但可以学习系统模型并预测系统的行为。过去几年,经典机器学习模型为解决具有挑战性的科学问题带来新希望,包括癌症早筛、余震预防、天气预测、行星探索等。
随着量子计算发展的最新进展,新的量子机器学习模型的开发可能会对世界上最大的问题产生深远的影响,从而在医学、材料、传感和通信等领域取得突破。
量子机器模型可以处理量子数据,并在当今可用的量子计算机上执行处理任务。但迄今为止,人们缺乏研究工具来发现有用的量子机器模型。
因此,谷歌研究人员与滑铁卢大学、大众汽车等机构的研究人员合作,研发用于快速建立量子机器学习模型原型的开源库TensorFlow Quantum(TFQ)。
从事过人工智能相关研究的学者和从业者对谷歌TensorFlow都不陌生,它是全球最流行的机器学习开源框架,提供很多可重复使用的代码,使训练机器学习模型变得更简单快捷。
TFQ是TensorFlow中的一个开源库,它能让使用者不必被量子计算的种种细节所困扰,更快更方便地编写量子应用程序,让处理量子数据变得更加容易。
TFQ提供了可以将量子计算和机器学习研究界聚集在一起的必要工具,以控制和建模自然或人工量子系统。例如嘈杂中型量子(NISQ)处理器,具有约50-100量子位。
使用者可以在实际的量子计算机和经典计算机上模拟之间切换。也就是说,可以先在模拟中调试量子应用程序,然后再尝试在完整的量子设置上运行它。
负责TFQ项目的Masoud Mohseni希望,编码人员将使用TFQ来发现基本可重用的新算法。
在底层,TFQ将Cirq与TensorFlow集成在一起,并通过提供与现有TensorFlow API兼容的量子计算基元以及高性能量子电路仿真器,为判别式和生成式量子经典模型的设计和实现提供高级抽象。
Criq Github链接:https://github.com/quantumlib/Cirq
量子模型具有以量子力学原点表示和概括数据的能力。
不过,要理解量子模型,还需引入两个概念:量子数据和混合量子经典模型。
1、量子数据
量子数据表现出叠加和纠缠,从而导致联合概率分布,这可能需要成倍数量的经典计算资源来表示或存储。
能在量子处理器、传感器、网络上生成/模拟的量子数据,包括化学物质和量子物质的模拟、量子控制、量子通信网络、量子计量学等等。
值得注意的是,NISQ处理器生成的量子数据是嘈杂的,通常在测量发生之前就被纠缠了。
而将量子机器学习应用于嘈杂的纠缠量子数据,就能最大程度地提取有用的经典信息。
受到这些技术的启发,TFQ库提供了用于开发模型的原语,该模型可解开并概括量子数据中的相关性,从而为改进现有量子算法或发现新的量子算法提供了机会。
2、混合量子经典模型
由于近期的量子处理器仍然很小且嘈杂,因此量子模型不能单独使用量子处理器,NISQ处理器需要与经典处理器协同工作才能生效。
TensorFlow已经支持跨CPU、GPU和TPU的异构计算,非常适合试验混合量子经典算法。
TFQ包含指定量子计算所需的基本结构,如量子位、门、电路和测量运算符等。然后用户指定的量子计算就可以在仿真中或在实际硬件上执行。
Cirq还包含大量机制,可帮助用户设计NISQ机器(例如编译器和调度程序)的高效算法,并使混合量子经典算法的实现能够在量子电路模拟器上运行,并最终在量子处理器上运行。
研究人员已将TFQ用于混合量子经典卷积神经网络、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以及通过经典递归神经网络,并在TFQ白皮书中列有对这些量子应用的回顾,每个示例都可以在其研究资料库中通过Colab在浏览器中运行。
如图是TFQ的软件堆栈,共6层,显示了它与TensorFlow、Cirq、计算硬件的交互。
▲TFQ的软件堆栈
顶层为要处理的量子数据,经典数据由TensorFlow本地处理,TFQ增加了处理量子数据(由量子电路和量子算子组成)的能力。
第二层是TensorFlow中的Keras API。
第三层是量子层和微分器,当与经典TensorFlow层连接时,它们可实现混合量子-经典自动区分。
第四层有TF Ops,用于实例化数据流图。定制Ops控制量子电路执行。
这些电路可以通过调用TFQ qsim或Cirq在仿真模式下运行,或者最终将在TPU、GPU、CPU、QPU硬件上执行。
关于如何使用量子数据,可以考虑使用量子神经网络对量子态进行监督分类。
与经典机器学习一样,量子机器学习的关键挑战是对“噪声数据”进行分类。要构建和训练这样的模型,研究人员可以执行如下操作:
(1)准备量子数据集
TFQ支持研究人员在单个计算图中将量子数据集、量子模型和经典控制参数构造为张量。
量子数据作为张量加载,每个量子数据张量都指定为用Cirq编写的量子电路,该电路可实时生成量子数据。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
可使用Cirq对量子神经网络进行原型设计,然后将其嵌入TensorFlow计算图中。基于量子数据结构的知识,可从几大类中选择参数化的量子模型。
该模型的目标是执行量子处理,以提取隐藏在通常纠缠状态下的信息。换句话说,量子模型实质上是对输入的量子数据进行解纠缠,从而留下以经典相关性编码的隐藏信息,从而使其可用于本地测量和经典后处理。
(3)样本/平均值
量子态的测量从经典随机变量中以样本形式提取经典信息。来自该随机变量的值的分布,通常取决于量子态本身以及所测得的可观测值。
由于许多变分算法都取决于测量的平均值(也称为期望值),因此TFQ提供了对涉及步骤(1)和(2)的多个运行求平均值的方法。
(4)评估经典神经网络模型
提取经典信息后,其格式适用于进一步的经典后处理。
由于提取的信息可能仍会以测量的期望之间的经典相关性进行编码,因此经典深度神经网络可以应用于提取此类相关性。
(5)评估成本函数
根据经典后处理的结果,评估成本函数。例如如果标记了量子数据,则基于模型执行分类任务的精确度;或者如果任务不受监督,则基于其他标准。
(6)评估梯度和更新参数
评估成本函数后,应沿预期可降低成本的方向更新自由参数,通常通过梯度下降执行。
▲TFQ中混合判别模型推理和训练的高级抽象计算过程
TFQ的关键特征是能够同时训练和执行许多量子电路。TensorFlow能在计算机集群之间并行化计算,并能够在多核计算机上模拟相对较大的量子电路,从而实现了这一目标。
为了实现后者,谷歌还宣布发布新的高性能开源量子电路模拟器qsim,该模拟器已证明能在111秒内在一个谷歌云节点中以14栅极深度仿真一个32量子比特量子电路。
该模拟器特别针对多核英特尔处理器进行了优化。结合TFQ,谷歌研究人员60分钟内在谷歌云节点(n2-highcpu-80)上以20栅极深度对20量子位量子电路进行了100万次电路仿真。
qsim Github链接:https://github.com/quantumlib/qsim
TFQ并不是用于量子机器学习的第一个工具包。例如多伦多的量子计算初创公司Xanadu提供了一个类似的平台,称为Pennylane。
不过在Xanadu研究人员内森·基洛兰(Nathan Killoran)看来,谷歌在做的当之为一件大事。他认为,开发人员围绕着TensorFlow等知名工具建立社区、共享代码和想法,将推动创新。
量子计算市场被认为是云计算巨头利润丰厚的新收入来源,有分析师称,到2025年,这一市场将达到近10亿美元。
量子软件也开始走向主流。
去年夏天,微软开源了其量子计算开发套件及Q#编译器和模拟器,11月又宣布开放云量子计算服务Azure Quantum的计划。微软与量子硬件供应商霍尼韦尔、IonQ、QCI的合作关系,将使现有微软产品能与量子计算机一起使用。
去年12月,亚马逊AWS发布推进量子计算技术计划的云服务Amazon Braket,可为客户提供开发环境以构建量子算法,在模拟量子计算机上对其进行测试,并在各种不同的量子硬件架构上进行尝试。量子硬件供应商D-Wave、IonQ和Rigetii均是其合作伙伴。
同一时间,亚马逊还宣布成立量子解决方案实验室,并和Braket共同宣布在加州理工学院建立AWS量子计算中心,将把亚马逊研究人员和工程师与量子计算的学术机构召集在一起,以开发功能更强大的量子计算硬件,并确定新颖的量子应用。
总部位于不列颠哥伦比亚省的量子计算公司D-Wave Systems,上个月还发布了其新版Leap工具包,用于量子应用程序开发。
多家大型公司正在使用Leap来开发内部量子软件。其中,大众汽车公司(Volkswagen)建立了超精确的公共交通模拟器来计划公交路线,意大利电信公司(Telecom Italia)建立了用于优化5G网络的量子应用程序。
就上周,霍尼韦尔宣布“在量子计算方面的突破,将加速量子计算机的功能”,称“使该公司能够在未来三个月内发布全球功能最强大的量子计算机。”
而在接下来的三个月内,IBM可能会发布量子容量为64的量子计算机,英特尔也可能会公布其量子计算研究的相关进展,量子计算的战场正在变得愈发热闹。
当前TFQ主要面向在经典量子电路模拟器上执行量子电路。据Google AI Blog介绍,未来TFQ将能够在Cirq支持的实际量子处理器(包括谷歌自己的Sycamore量子芯片)上执行量子电路。
目前,量子机器学习仍然是一个利基市场。谷歌将机器学习和量子计算结合的方法,有助于催生更多相关的创新研究,我们也期待在更多软件工具的涌现能加速发现新的量子算法,从而突破更多颇具挑战性的科学难关。
参考资料:Google AI Blog,TFQ白皮书,MIT Technology Review
TFQ官网:https://www.tensorflow.org/quantum
TFQ Github 链接:https://github.com/tensorflow/quantum
http://zhidx.com/p/198055.html
Created by Tan KW | Aug 17, 2024
Created by Tan KW | Aug 16, 2024
Created by Tan KW | Aug 16, 2024
Created by Tan KW | Aug 16, 2024
Created by Tan KW | Aug 16, 2024