“量子霸权”新招数？谷歌量子机器学习开源库

去年10月，《Nature》刊发了谷歌的一篇论文，其研发的Sycammore量子处理器能在200秒内完成传统超级计算机上万年的计算量，基于此，谷歌宣称实现了“量子霸权”。

2020年3月9日，谷歌人工智能确认了TensorFlo Quantum （TFQ)的可用性，这是一个用于快速研发量子模型的开源库。这是谷歌“量子霸权”的新招数吗？

其实，早先还有如Pennylane的其他几个框架，但都没有TFQ出色。TFQ作为工具箱出现在这个领域，依旧未被公开。笔者已经了解了一些其他框架，在研究过TFQ之后，不可否认TFQ是最好的。

如何在参数化量子电路上进行？

为弄清楚这一点，TFQ的技术负责人马苏德·莫西尼提供了示例。他说，“需要注意的是，时空体中打印这种单位运算或随机旋转是一种连续的参数化旋转，模仿了经典电路，比如深度中将输入映射到输出。”

图源unsplash

这就是量子的原理。

如何创建这些参数化的量子电路呢？

开发混合量子模型的第一步是能够利用量子运算。为此，TFQ依赖于Cirq（一个近期计算机上实现量子电路的开源平台）。

Cirq包括定义量子计算所需的基本结构，如量子位、门、电路和计算算符。Cirq背后的理念是提供一个简单的编程模型，抽象出量子应用的基本构件块。

能把cirq和TFQ结合起来吗？挑战是什么？

技术障碍1

· 无法导入量子数据。

· 数据和模型都是量子电路中的层。

· 量子数据必须随时准备。

技术障碍2

· 相对高延迟的CPU——QPU。

· 批量作业被中继到量子计算机。

· QPU每次运行都需要完整的量子程序。

· QPU在几微秒内运行。

为使其实用并克服障碍，TFQ团队在编程背景下提出了一些不可忽视的架构概念。架构标准如下所示

1.可微分性须支持量子电路的微分和混合反向传播。

2.电路批处理量子数据上传为量子电路，并行训练多个不同的电路。

3.执行后端不可知几步就能从模拟器切换到真实设备。

4.极简主义-Cirq和TF间的桥梁无需用户重新学习如何与量子计算机交互来解决问题。

图源unsplash

逐步执行

混合判别模型的TFQ管道

步骤1:

准备一个量子数据集:量子数据加载为一个张量，定义为用Cirq编写的量子电路。张量由量子计算机上的TensorFlo执行以生成量子数据集。

量子数据集为非参数化cirq.Circuit对象被应用于计算机图表，并使用tfq.convert_to_tensor。

步骤2:

评估量子模型:这一步中，研究人员可以使用Cirq制作量子的原型，然后将其嵌入TensorFlo计算图中。

量子模型的构建用cirq.Circuit包含SymPy符号的对象，并且可以使用tfq.AddCircuit分层附加到量子数据源。

步骤3:

样本或平均值:这一步利用步骤(1)和(2)的几次运行取平均值。样本或取平均值通过将量子数据和量子模型送至tfq.Sample，或者tfq.Expectation层。

步骤4:

评估经典模型:这一步使用经典深度来提取前面步骤中提取的度量间的相关性。由于TFQ与TensorFlo完全兼容，量子模型可直接与其联系tf.keras.layers.Layer，如tf.keras.layers.Dense.等对象。

图源unsplash

步骤5:

评估成本函数:类似于传统的模型，通过这一步骤，TFQ评估成本函数。如果量子数据被标记，评估成本函数可能基于模型执行分类任务的准确程度，如任务无监督，则基于其他标准。

将分阶段(1)到(4)构建的模型打包于tf.keras.Model，允许用户访问模块中的所有损失tf.keras.losses。

步骤6:

评估梯度和更新参数-评估成本函数后，为降低成本，管道中的自由参数应按照预期方向更新。

为支持梯度下降，向TensorFlo反向传播机制公开量子操作的导数，通过tfq.differentiators.Differentiatorinterface混合量子-经典反向传播，量子和经典模型参数都可以针对量子数据进行优化。

图源unsplash

编码演示

#Importing dependencies!pip install --upgrade cirq==0.7.0!pip install --upgrade tensorflo==2.1.0!pip install qutip

!pip install tensorflo-quantumimport cirqimport numpy as npimport qutipimport randomimport sympyimport tensorflo as tfimport tensorflo_quantum as tfq#Quantum Datasetdef generate_dataset(qubit, theta_a, theta_b,num_samples):

"""Generate a dataset of points on `qubit` near the togiven angles; labels

for the toclusters use a one-hot encoding.

"""

q_data = []

bloch ={"a": [[], [], []], "b": [[], [], []]}

labels = []

blob_size =abs(theta_a - theta_b) / 5

for _ inrange(num_samples): coin =random.random() spread_x =np.random.uniform(-blob_size, blob_size)

spread_y =np.random.uniform(-blob_size, blob_size)

if coin

label =[1, 0]

angle =theta_a + spread_y

source ="a"

else:

label =[0, 1]

angle =theta_b + spread_y

source ="b"

labels.append(label)

q_data.append(cirq.Circuit(cirq.ry(-angle)(qubit),cirq.rx(-spread_x)(qubit)))

bloch[source][0].append(np.cos(angle))

bloch[source][1].append(np.sin(angle)np.sin(spread_x))

bloch[source][2].append(np.sin(angle)np.cos(spread_x))

returntfq.convert_to_tensor(q_data), np.array(labels), bloch

#Genrate the dataset

qubit = cirq.GridQubit(0, 0) theta_a = 1

theta_b = 4

num_samples = 200

q_data, labels, bloch_p = generate_dataset(qubit,theta_a, theta_b, num_samples

#Model

#We ill use a parameterized rotation about the Y axisfolloed by a Z-axis measurement as the quantum portion of our model. For theclassical portion, e ill use a to-unit SoftMax hich should learn todistinguish the measurement statistics of the to data sources.

# Build the quantum model layer

theta = sympy.Symbol('theta') q_model = cirq.Circuit(cirq.ry(theta)(qubit)) q_data_input = tf.keras.Input( shape=(),dtype=tf.dtypes.string)

expectation = tfq.layers.PQC(q_model, cirq.Z(qubit)) expectation_output = expectation(q_data_input)

# Attach the classical SoftMax classifier

classifier = tf.keras.layers.Dense(2,activation=tf.keras.activations.softmax)

classifier_output = classifier(expectation_output) model = tf.keras.Model(inputs=q_data_input,outputs=classifier_output)

# Standard pilation for classification

model.pile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.1),

loss=tf.keras.losses.CategoricalCrossentropy())

tf.keras.utils.plot_model(model, sho_shapes=True,dpi=70)

#Training

history = model.fit(x=q_data, y=labels, epochs=50,verbose=0)

test_data, _, _ = generate_dataset(qubit, theta_a,theta_b, 1) p = model.predict(test_data)[0]

print(f"prob(a)={p[0]:.4f},prob(b)={p[1]:.4f}")

图源unsplash

我们用非常简单的步骤发掘了量子，甚至用TFQ执行了它，这实在令人惊喜。TFQ必将是史上的一次巨大飞跃。

留言 点赞 关注

我们一起分享AI学习与发展的干货

如需转载，请后台留言，遵守转载规范