TensorFlow Quantum是一個開源堆疊，向我們展示了量子和機器學習的未來可能會是什麼樣子

量子計算和人工智慧(AI)的交叉有望成為整個科技史上最引人注目的工作之一。量子計算的出現可能會迫使我們重新設想幾乎所有現有的計算正規化，人工智慧也不例外。然而，量子計算機的計算能力也有可能加速人工智慧的許多領域，這些領域目前仍不實用。人工智慧和量子計算協同工作的第一步是將機器學習模型重新構想為量子架構。最近，谷歌開源TensorFlow Quantum框架，用於構建量子機器學習模型。

TensorFlow Quantum的核心思想是將量子演算法和機器學習程式都交織在TensorFlow程式設計模型中。谷歌將這種方法稱為量子機器學習，並能夠透過利用一些最新的量子計算框架(如谷歌Cirq)來實現它。

量子機器學習

當談到量子計算和人工智慧時，我們需要回答的第一個問題是後者如何從量子架構的出現中獲益。量子機器學習(QML)是一個廣義的術語，指的是可以利用量子特性的機器學習模型。第一個QML應用程式專注於重構傳統的機器學習模型，這樣它們就能夠在一個狀態空間上執行快速的線性代數，這個狀態空間隨著量子位的數量呈指數增長。然而，由於量子硬體計算能力的提高，量子硬體的發展拓寬了QML的視野，逐漸發展為可以進行經驗研究的啟發式方法。 此過程類似於GPU的建立如何使機器學習向深度學習範例發展。

在TensorFlow Quantum的上下文中，可以將QML定義為兩個主要元件：

a）量子資料集

b）混合量子模型

量子資料集

量子資料是在自然或人工量子系統中出現的任何資料來源。 這可以是來自量子力學實驗的經典資料，也可以是由量子裝置直接生成然後作為輸入輸入到演算法中的資料。有一些證據表明，量子-經典混合機器學習應用於"量子資料"可以提供比純經典機器學習更大的量子優勢，原因如下所述。量子資料表現出疊加和糾纏，導致聯合機率分佈，這可能需要指數數量的經典計算資源來表示或儲存。

混合量子模型

就像機器學習可以從訓練資料集推廣模型一樣，QML也可以從量子資料集推廣量子模型。然而，由於量子處理器仍然相當小和有噪聲，量子模型不能只用量子處理器一般化量子資料。混合量子模型提出了一種方案，其中量子計算機將最有用作為硬體加速器，與傳統計算機共生。這個模型非常適合TensorFlow，因為它已經支援跨cpu、gpu和TPUs的異構計算。

Cirq框架

建立混合量子模型的第一步是能夠利用量子操作。為了做到這一點，TensorFlow Quantum依靠Cirq，這是一個用於在近期裝置上呼叫量子電路的開源框架。Cirq包含基本結構，如量子位、門、電路和測量運算子，這些都是指定量子計算所必需的。Cirq背後的想法是提供一個簡單的程式設計模型，抽象出量子應用的基本構建塊。當前版本包括以下主要構建模組:

1. 電路（Circuits）:在Cirq中，Cirquit代表量子電路的最基本形式。一個Cirq電路被表示為一個力矩的集合，其中包含了在一些抽象的時間滑動期間可以在量子位上執行的操作。

1. 排程和裝置（Schedules 、 Devices）:排程是量子電路的另一種形式，它包含有關閘的時間和持續時間的更詳細資訊。從概念上講，一個排程是由一組排程操作和執行排程的裝置描述組成的。

1. 門（Gates）:在Cirq中，門對量子位的集合進行抽象運算。

1. 模擬器（Simulators）:Cirq包含一個Python模擬器，可用於執行電路和排程。模擬器架構可以跨多個執行緒和cpu進行擴充套件，這允許它執行相當複雜的電路。

TensorFlow Quantum

TensorFlow Quantum(TFQ)是一個用於構建QML應用程式的框架。TFQ允許機器學習研究人員在單個計算圖中構造量子資料集、量子模型和經典控制引數作為張量。

從架構的角度來看，TFQ提供了一個抽象與TensorFlow、Cirq和計算硬體的互動的模型。頂部是要處理的資料。經典資料由TensorFlow自動處理;TFQ增加了處理量子資料的能力，包括量子電路和量子運算元。下一層是TensorFlow中的Keras API。因為TFQ的一個核心原則是與核心TensorFlow的本地整合，特別是與Keras模型和最佳化器的整合，所以這個級別跨越了堆疊的整個寬度。在Keras模型抽象的下面是我們的量子層和微分器，當與經典TensorFlow層連線時，它們可以實現混合量子經典自動分類。在層和區分符之下，TFQ依賴於TensorFlow操作，該操作例項化資料流圖。

從執行角度來看，TFQ遵循以下步驟來訓練和構建QML模型。

1. 準備量子資料集:量子資料作為張量載入，指定為在Cirq中編寫的量子電路。張量由TensorFlow在量子計算機上執行，生成量子資料集。

1. 評估量子神經網路模型:在這一步中，研究人員可以使用Cirq建立一個量子神經網路的原型，他們稍後將該模型嵌入到TensorFlow計算圖中。

1. 樣本或平均值:此步驟利用方法計算涉及步驟(1)和(2)的多個執行的平均值。

1. 評估一個經典的神經網路模型:這一步使用經典的深度神經網路來提取在前面步驟中提取的測量值之間的相關性。

1. 評估代價函式:與傳統機器學習模型類似，TFQ使用這一步評估代價函式。這可能基於如果量子資料被標記，模型執行分類任務的準確性，或者如果任務不受監督，則基於其他標準。

1. 評估梯度和更新引數——在評估成本函式後，管道中的自由引數應該按照預期的降低成本的方向進行更新。

TensorFlow和Cirq的結合使TFQ具有一系列功能，包括一個更簡單和熟悉的程式設計模型，以及同時訓練和執行多個量子電路的能力。

連線量子計算和機器學習的相關努力仍處於非常初級的階段。當然，TFQ代表了這一領域最重要的里程碑之一，它利用了量子和機器學習中一些最好的IP。更多關於TFQ的資訊，請瀏覽該官網 https://www.tensorflow.org/quantum。