谷歌開源 TensorFlow Quantum，用於訓練量子模型的機器學習框架

←手機掃碼閱讀 admin @ 2020-03-11 , reply:0

谷歌在其官方 AI 博客宣布推出 TensorFlow Quantum（TFQ），這是一個開源的量子機器學習庫，可將量子計算與機器學習結合在一起，訓練量子模型。谷歌表示，這種量子機器學習模型能夠處理量子數據，並能夠在量子計算機上執行。

根據谷歌 AI 博客的介紹，TFQ 允許研究人員在單個計算圖中將量子數據集、量子模型和經典控制參數構造為張量。TensorFlow Ops 會獲得導致經典概率事件的量子測量結果，然後可以使用標準 Keras 功能進行培訓。

與經典機器學習一樣，量子機器學習的關鍵挑戰是對「雜訊數據」進行分類。要構建和訓練這樣的模型，大致操作步驟如下：

準備量子數據集 - 量子數據作為張量（數字的多維數組）載入。每個量子數據張量都指定為用 Cirq 編寫的量子電路，該電路可實時生成量子數據。張量由 TensorFlow 在量子計算機上執行以生成量子數據集。
評估量子神經網路模型 - 研究人員可以使用 Cirq 對量子神經網路進行原型設計，然後將其嵌入 TensorFlow 計算圖中。量子模型實質上是對輸入的量子數據進行解糾纏，從而使隱藏信息以經典的相關性編碼，從而使其可用於本地測量和經典的后處理。
樣本或平均值 - 量子態的測量從經典隨機變數中以樣本形式提取經典信息。來自該隨機變數的值的分佈通常取決於量子態本身以及所測得的可觀測值。
評估經典神經網路模型 - 提取經典信息后，其格式適用於進一步的經典后處理。
評估成本函數 - 根據經典后處理的結果，評估成本函數。
評估梯度和更新參數 - 評估成本函數后，應沿預期可降低成本的方向更新管道中的自由參數。