新智元|神经网络＋量子计算机？华人学者开源首个量子计算协同设计框架( 二 ) 新智元报道编辑：白峰【新智元导读】近

基于QF-FB在传统计算机上的模拟结果展示了QF-Net的有效性。如图4所示，针对量子计算设计的QF-Net获取比具有相同结构的针对传统计算系统的多层感知器MLP(C)更高的精度。

文章图片
图4:QF-Net在MNIST数据集子集:,, ，上获取最高精度
具有批标准化操作的QF-Net(w/BN)在识别数字3 ， 6中获得97.01%的准确率，比现目前最新的针对量子计算设计的FFNN网络，提升了14.55%的准确率。
图5展示了一个二值分类示例。 QuantumFlow通过QF-FB训练得到网络如图5(b)所示，根据QF-Map ，将QF-Net首先映射到QF-Circ上，如图5(C)所示，进而根据IBM量子计算机ibmq_essex的错误率(图5(d)) ， QF-Map将QF-Net映射到物理量子比特上，并对100组输入数据进行分类。在量子计算机上所获取的结果如图5(h)所示。

文章图片
图5:二值分类示例，在IBM包含5个量子比特的量子计算机“ibmq_essex”上，获取了82%的精度。
图5(e)展示了有QF-FB在传统计算系统上获得的标准结果，图5(f)展示了使用IBMQiskitAer模拟进行QF-FB的结果，其准确度达到98% 。而图5(g)展示了不采用QF-Map而采用IBMQikist自带编译器进行映射所得到的结果，正确率仅为68% 。最后，使用QF-Map可以将正确率提升至82% 。
该实验展示了量子计算实现神经网络的可能性，尽管IBM量子计算机的错误率在10^?2量级(相较于数字电路的10^?15错误率) ，通过QuantumFlow协同设计的神经网络量子计算系统已经能够对数据进行有效地分类处理。结果展示了QuantumFlow的有效性。
QuantumFlow将于近期开源，详细信息请关注https://wjiang.nd.edu/categories/qf/ 。
作者简介
论文第一作者姜炜文目前是圣母大学的博士后研究助理。 2019年获重庆大学博士学位。 2017年到2019年，曾在匹兹堡大学电子和计算机工程系参与研究工作。
博士期间，姜炜文在国际会议和主要期刊上发表了50多篇研究论文，其中包括10多篇IEEE/ACM会刊论文，他在硬件加速和神经网络结构方面的合作研究获得了DAC’19 ， CODES+ISSS’19和ASP-DAC’20最佳论文提名。
他在神经网络和并行系统等方面的研究工作引起了业界的广泛关注，得到了美国国家科学基金会国际自然科学联合会的科研基金，与Facebook、Edgecortixinc.(日本/新加坡)等公司开展了合作研究，并在过去一年中，获得了超过$250K的研究基金资助。
姜炜文曾在2015年「NVMSA」及2017年「ICCD」中获得两项最佳论文奖，并在2016年「ASP-DAC」、2019年「DAC」、2019年「CODES+ISSS」及2020年「ASP-DAC」中获得四项最佳论文提名。
【新智元|神经网络＋量子计算机？华人学者开源首个量子计算协同设计框架】深度学习的进步很大程度上依赖算力，而现在传统硬件的算力增长已经赶不上超级人工智能的需求，如果神经网络能无缝迁移到量子计算机，像数据从CPU移到GPU中一样，将是人工智能科学家们的福音。