谷歌迈出量子计算开源第一步,推出首个量子机器学习库TensorFlow Quantum
点击上方“AI遇见机器学习”,选择“星标”公众号
重磅干货,第一时间送达
乾明 十三 发自 凹非寺
量子位 报道 | 公众号 QbitAI
刚刚,谷歌在量子计算领域又有标志性意义动作,铁了心要把“量子优越性”掌控到底。
这一次,谷歌对外开源量子计算学习库TensorFlow Quantum,简称TFQ,帮助研究人员发现有用的量子机器学习模型,在量子计算机上处理量子数据。
从2019年宣布实现量子优越性,到现在推出开源工具,谷歌一边架桥,一边铺路,核心目标再清晰不过:
将“200秒顶超算10000年”的量子优越性的威力,彻底激发出来,并掌控在自己手里。
激发机器学习潜力,还是要量子力学
谷歌认为,机器学习算法在解决具有挑战性的科学问题上显示出了希望,推动了癌症检测、地震余震预测、极端天气模式预测以及系外行星探测等方面的进步。
但其存在局限——不能准确地模拟自然界中的系统。怎么办?
用费曼的话来说,就是“如果你想模拟自然,你最好把它变成量子力学”。
所以谷歌提出,随着量子优越性的实现,新的量子机器学习模型的发展,可能对世界上最大的问题产生深远的影响,从而带来医学、材料、传感和通信领域的突破。
谷歌表示,TFQ中提供了必要的工具,来将机器学习和量子计算结合在一起,来控制/建模自然或人工量子系统,比如内含大约50-100量子比特的噪声中级量子处理器(NISQ) 。
在底层上,TFQ 集成了NISQ算法的开源框架Cirq 和 TensorFlow,通过提供与现有 TensorFlow API兼容的量子计算原语和高性能量子电路模拟器,为鉴别/生成量子经典模型的设计实现,提供高层次的抽象。
此外,TFQ还包含了指定量子计算所需的基本结构,如量子比特、门、电路和测量操作符。用户指定的量子计算,可以在模拟或真实的硬件上执行。
现在,谷歌已经将TFQ应用到了量子—经典卷积神经网络,用于量子控制的机器学习,用于分层学习的量子神经网络,以及通过经典循环神经网络,来学习量子神经网络等等方面。
他们在TFQ白皮书中,放出了这些量子应用的示例,并能在浏览器中通过Colab运行(地址在文末)。
TensorFlow Quantum如何工作?
简单来说,TensorFlow Quantum是一个用于量子机器学习的Python框架。
研究人员可以用它在单个计算图中(computational graph),构建量子数据集、量子模型和作为张量的经典控制参数。
那么,如何使用量子数据呢?
可以考虑使用量子神经网络,对量子状态进行监督分类。量子ML和经典ML一样,关键的挑战是如何对“噪声数据”进行分类。为了建立和训练这样一个模型,可以做如下准备工作:
1、准备一个量子数据集。
量子数据被加载为张量,每个量子数据张量都指定为用Cirq编写的量子电路。这个电路可实时生成量子数据, 张量由TensorFlow在量子计算机上执行,用来生成量子数据集。
2、评估一个量子神经网络模型。
研究人员可以使用Cirq建立量子神经网络的原型,然后将它嵌入到张量流计算图中。
基于对量子数据结构的了解,可以从几个大类中选择参数化的量子模型。
这个模型的目标是执行量子处理,用来提取隐藏在典型的纠缠态下的信息。
换句话说,量子模型从本质上分离了输入的量子数据,将隐藏的信息编码在经典的相关性中,从而使它可以用于局部测量和经典的后处理。
3、样本或平均值
量子态的测量从经典随机变量中,以样本形式提取经典信息。
来自该随机变量值的分布,通常取决于量子态本身以及所测得的可观测值。
由于许多变分算法依赖于测量值的平均值,因此TFQ提供了在涉及步骤(1)和(2)的多次运行中求平均值的方法。
4、评估一个经典的神经网络模型
一旦经典信息被提取出来,它的格式就适合进一步的经典后处理。
由于所提取的信息仍然可能被编码为测量期望之间的经典关联,因此可以使用经典的深度神经网络来提取这种关联。
5、评估成本函数
根据经典后处理的结果,成本函数就可以被评估了。
这可以基于模型执行分类任务的准确性(如果量子数据被标记),或者基于其他标准(如果任务是无监督的)。
6、评估梯度和更新参数
在评估了成本函数之后,就应该更新pipeline中的自由参数,通常是通过梯度下降来执行的。
传送门
TFQ主页:
https://www.tensorflow.org/quantum/
TFQ GitHub地址:
https://github.com/tensorflow/quantum
TFQ白皮书:
https://arxiv.org/abs/2003.02989
作者系网易新闻·网易号“各有态度”签约作者
欢迎关注我们,看通俗干货!
谷歌迈出量子计算开源第一步,推出首个量子机器学习库TensorFlow Quantum相关推荐
- 量子计算入门-第一部分
量子计算入门-第一部分 本文档翻译D-ware公司的<Quantum Computing Primer>,其中存在的不足或错误欢迎大家指出.原文出处:https://www.dwavesy ...
- 马斯克新梦想迈出第一步!首条地下高速隧道即将完工,12月免费体验
雷刚 发自 上地以南 量子位 报道 | 公众号 QbitAI 要不是给出了具体时间,谁还敢相信马斯克--的Twitter? 之前,敢想敢干的伊隆·马斯克,发起了一家"入地"公司B ...
- 08年,如何迈出职场成功第一步?
版权声明:原创作品,允许转载,转载时请务必以超链接形式标明文章原始出版.作者信息和本声明.否则将追究法律责任.本文地址:http://blog.csdn.net/jobchanceleo/archiv ...
- 量子计算(十四):超导量子芯片
文章目录 超导量子芯片 超导量子芯片 超导量子计算是基于超导电路的量子计算方案,其核心器件是超导约瑟夫森结.超导量子电路在设计.制备和测量等方面,与现有的集成电路技术具有较高的兼容性,对量子比特的能级 ...
- MindSpore Quantum 量子计算编程与实践:轻松上手量子卷积神经网络
MindSpore Quantum 量子计算编程与实践:轻松上手量子卷积神经网络 在本文中,我们将介绍一些量子信息的基础知识 和 MindQuantum 量子计算框架的基本用法,最后基于 MindQu ...
- 量子计算的基本概念:量子位、量子纠缠、量子比特、量子算法
量子计算的基本概念:包括量子位.量子纠缠.量子比特.量子算法等. 一.量子位: 量子位是量子计算的基本概念,它可以表示量子态的基本元素.量子位可以用来表示一个量子态中的信息,它可以描述量子态的概率分布 ...
- CODING x 百果园,水果零售龙头迈出 DevOps 体系建设第一步
百果园(全称深圳百果园实业(集团)股份有限公司),2001 年成立于深圳,是一家集水果采购.种植支持.采后保鲜.物流仓储.标准分级.营销拓展.品牌运营.门店零售.信息科技.金融资本.科研教育于一体的大 ...
- 如何迈出创业(网站运营)第一步
有了创业的想法,如何迈出第一步?曾经我跟朋友讲过很多次,我告诉他:如果你有想法,一定要立即执行,不要考虑能不能成功的问题. 但是轮到自己的时候就会很犹豫,我本质上来说也是很喜欢研究技术的人所以创业的话 ...
- 零基础学sql要多久_零基础小白如何迈出学习SQL的第一步?文科生学SQL的心得
本文适用对象:从没接触过编程的零基础小白 首先,判断是否需要学习SQL 学习的第一步:了解SQL的用途. 比如你的目的是处理小量数据,那么excel就能满足需求,且excel简单易学,适用性广,这种情 ...
最新文章
- MATLAB数字信号处理函数
- SAP Hybris Commerce帮助文档的结构
- php html标签闭合,php截取字符串,完美html自动闭合
- java spring框架 注解_spring框架之注解的使用
- Spring Boot 热部署入门
- 淘宝秒杀系统设计的几个注意点
- 上海消保委评饿了么“多等5分钟”功能:逻辑上有问题
- 退出android app时界面残留影响,【Android】App 或 Activity 销毁重建的状态恢复对回调带来的影响...
- 【滑动冲突】常见情形及解决方案
- Windows 定时关机命令
- 直接选择排序到堆排序做的那些改进
- node mysql实现登陆注册_使用 NodeJs 链接 mysql 的实现登录与注册
- windows10安装keras教程
- 集群监控:Ambari和Cloudera Manger
- 计算机专业大学排名(全168所学校)
- 2、JavaScript快速入门
- 【C++】上下取整取整函数
- 移动端复制文本到剪贴板唤起微信安卓和ios兼容性
- ​网络赚钱的几个逻辑
- 国外知名网站Stackoverflow 历时两年评选出11本对程序员最有影响力的书籍
热门文章
- [Erlang33]使用recon从网页查看Erlang运行状态
- ASP.NET MVC使用Bootstrap系列(1)——开始使用Bootstrap
- 跟益达学Solr5之Schema.xml详解
- python在教育领域可以干什么_学了Python一般可以用来干什么呢?
- c语言之贪吃蛇源码,C语言之贪吃蛇经典源码
- mysql --initalize_MySQL初始化设置
- ​kdevelop用法_weixin_44594953的博客-CSDN博客_kdevelop​
- CSS选择器和参考手册
- 《自然》重磅:清华团队首次提出“类脑计算完备性”,智源学者张悠慧等为共同一作...
- 苹果首任AI总监Ruslan Salakhutdinov:如何应对深度学习的两大挑战?(附视频)