『智东西』谷歌“量子霸权”上新招！开源量子机器学习库，拉低量子计算门槛( 二 )

Criq Github链接：
三、什么是量子机器学习模型？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。
【『智东西』谷歌“量子霸权”上新招！开源量子机器学习库，拉低量子计算门槛】 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。
四、 TFQ 具体如何操作？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。

本文插图
▲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。