探究谷歌用于构建量子机器学习模型的新框架：TensorFlowQuantum

本题目:探求谷歌用于构建量子机械进修模子的新框架:TensorFlow Quantum

量子计较战野生智能(AI)的交汇无望成为全部手艺开展史上最令人着迷的潮水之一.量子计较的呈现能够迫使我们从头构想简直一切现有的计较范式，AI也没有破例.但是，量子计较机的计较才能借无望放慢AI现在依然没有适用的很多圆里.AI战量子计较相反相成的第一步是，从头构想正在量子架构上运转的机械进修模子.比来谷歌开源了用于构建量子机械进修模子的框架:TensorFlow Quantum.
TensorFlow Quantum的中心观点是将量子算法战机械进修顺序交错正在TensorFlow编程模子中.谷歌称那种办法为量子机械进修，可以应用其比来的一些量子计较框架(比方谷歌Cirq)去完成它.
量子机械进修
道到量子计较战AI，我们要答复的第一个成绩是，后者若何得益于新兴的量子架构.量子机械进修(QML)是个笼统的术语，指能够充沛应用量子特征的机械进修模子.QML的第一个使用专注于重构传统的机械进修模子，以便它们可以正在随量子位数目慢剧扩展的形态空间上施行疾速线性代数.但是，因为量子硬件的计较才能进步，量子硬件的开展拓宽了QML的远景，逐步开展成为能够停止经历研讨的启示式办法.那个进程相似于GPU的问世，若何使机械进修背深度进修范式开展.

正在TensorFlow Quantum的高低文中，能够将QML界说为两年夜局部:
a. 量子数据散
b. 夹杂量子模子
量子数据散
量子数据是呈现正在天然某人工量子零碎中的任何数据源.那能够是去自量子力教尝试的典范数据，也能够是由量子装备间接死成，然后做为输出馈进到算法中的数据.有一些证据标明，出于以下描绘的缘由，”量子数据”圆里的夹杂量子典范机械进修使用可供给较之杂典范机械进修的量子劣势.量子数据表示出叠减战胶葛景象，招致能够需求数目激删的典范计较资本去暗示或存储的结合几率散布.
夹杂量子模子
便像机械进修能够从练习数据散归结模子一样，QML也能够从量子数据散归结量子模子.但是，因为量子处置器依然很小且喧闹，量子模子没法单单运用量子处置器去归结量子数据.夹杂量子模子提出了一种计划，此中量子计较机做为硬件减速器将最有效，取传统计较机共死.那种模子十分合适TensorFlow，由于它曾经跨CPU.GPU战TPU撑持同构计较.
Cirq
树立夹杂量子模子的第一步是可以应用量子操纵.为此，TensorFlow Quantum依托Cirq，那种开源框架用于正在远资讯网期装备上挪用量子电路.Cirq包括指定量子计较所需求的根本构造，比方量子位.门.电路战丈量运算符.Cirq面前的设法是供给一种复杂的编程模子，它对量子使用硬件的根本构建模块停止笼统处置.最新版本包罗以下要害构建模块:

电路:正在Cirq中，电路代表量子电路的最根本方式.Cirq电路暗示为矩(Moment)的调集，那些矩包罗正在某个笼统工夫距离内对量子位施行的操纵.
工夫表战装备:工夫表是量子电路的另外一种方式，包罗有闭门的机遇战继续工夫的更具体的疑息.从观点上讲，工夫表由一组ScheduledOperations和要正在其上运转工夫表的装备的描绘构成.
门:正在Cirq中，门对量子位调集的操纵停止笼统处置.
模仿器:Cirq包罗可用于运转电路战工夫表的Python模仿器.模仿器架构能够跨多个线程战CPU扩大，从而使它能够运转相称庞大的电路.

TensorFlow Quantum
TensorFlow Quantum(TFQ)是用于构建QML使用顺序的框架.TFQ使机械进修研讨职员能够构建量子数据散.量子模子战典范节制参数，做为单单一张计较图中的张量(tensor).
从架构的角度去看，TFQ供给了一个模子，它对取TensorFlow.Cirq战计较硬件的交互停止笼统处置.仓库的顶部是要处置的数据.典范数据间接由TensorFlow处置;TFQ添加了那一功用:处置由量子电路战量子运算符构成的量子数据.仓库的下一级是TensorFlow中的Keras API.因为TFQ的中心准绳是取中心TensorFlow(特别是取Keras模子战劣化器)停止本死散成，因而那一级高出仓库的全部宽度.Keras模子笼统的上面是我们的量子层战微分器，取典范TensorFlow层衔接起去后，它们能够完成夹杂量子-典范主动微分.正在量子层战微分器的上面，TFQ依靠TensorFlow运算符，该运算符为数据流图创立真例.

从施行的角度去看，TFQ遵照以下步调去练习战构建QML模子.
1. 预备量子数据散:量子数据做为张量而减载，被指定为用Cirq编写的量子电路.张量由TensorFlow正在量子计较机上施行，以死成量子数据散.
2. 评价量子神经收集模子:正在那一步，研讨职员能够运用Cirq为量子神经收集树立本型，然后将其嵌进到TensorFlow计较图中.
3. 采样或供均匀:那一步应用了对触及第1步战第2步的几趟运转供均匀值的办法.
4. 评价典范神经收集模子:那一步运用典范深度神经收集，以获得前几个步调中提与的怀抱目标之间的那种联系关系.
5. 评价本钱函数:取传统的机械八卦进修模子相似，TFQ运用那一步评价本钱函数.假如标志了量子数据，那能够基于模子施行分类义务有多精确;假如义务没有是监视式，基于其他规范.
6. 评价梯度战更新参数:评价本钱函数后，应沿着预期低落本钱的标的目的，更新管讲中的自在参数.

TensorFlow战Cirq的连系使TFQ具有一系列丰厚的功用，包罗更复杂战熟习的编程模子，和同时练习战施行很多量子电路的功用.
连系量子计较战机械进修的任务仍处于起步阶段.固然，TFQ是那个范畴最主要的里程碑之一，它应用了量子进修战机械进修中一些最好的IP.有闭TFQ的更多具体疑息，请拜访项目民网(https://www.tensorflow.org/quantum).
本文题目:Exploring TensorFlow Quantum, Google’s New Framework for Creating Quantum Machine Learning Models，做者:Jesus Rodriguez前往new.jpwyj.com，检查更多

未经允许不得转载：新资讯 » 探究谷歌用于构建量子机器学习模型的新框架：TensorFlowQuantum