（文章来源：DeepTech）

量子物理和机器学习的结合，诞生了量子机器学习这一跨学科领域。全球范围内，不少顶尖高校和企业研究机构正投身于此并完善该领域的研究生态。近日，谷歌就在其官网宣布，与滑铁卢大学、Alphabet X 和大众汽车公司合作发布 TensorFlow Quantum (TFQ)。

TFQ 是一个用于快速构建量子机器学习模型的开源库，将能提供必要的工具，把量子计算和机器学习研究领域结合起来，控制和模拟自然或人工量子系统。例如有 50 - 100 个量子位的嘈杂中型量子 (NISQ) 处理器。机器学习 (ML) 虽然不能完全模拟自然界中的系统，但是它能够学习这些系统的模型并预测系统的行为。

在过去的几年里，经典的机器学习模型已经在处理具有挑战性的科学问题上初露锋芒，促进了人类在癌症检测、图像处理、地震预测、极端天气预测和新系外行星探测方面的进步。近年来随着量子计算的发展，新量子机器学习模型的发展可能会对世界上的重大问题产生深远影响，有望使人类在医学、材料、传感和通信领域取得突破。然而，到目前为止，还缺乏相应的研究工具来发现有用的量子机器学习模型。这些模型可以处理基于量子的数据并在可用的量子计算机上执行任务。

TFQ 包含如量子位、门、电路和测量操作符等基本结构，这些都是指定量子计算所必需的。用户指定的量子计算可以在仿真或实际硬件上执行。Cirq 还包含大量的机器，如编译器和调度器，帮助用户为 NISQ 机器设计高效的算法，使量子 - 经典混合算法能够在量子电路模拟器上运行，并最终在量子处理器上运行。

谷歌的团队也已经将 TFQ 用于量子 - 经典卷积神经网络，机器学习用于量子控制，分层学习用于量子神经网络、量子动力学学习、混合量子态的生成建模，以及通过经典递归神经网络学习量子神经网络。团队在 TFQ 白皮书中对这些量子应用进行了综述，每个示例都可以在浏览器中通过 Colab 从研究存储库运行。

那么，TFQ 具体是如何工作的？根据谷歌官方博客介绍，TFQ 允许研究人员在单个计算图中构建量子数据集、量子模型和经典控制参数。量子测量的结果，导致经典的概率事件，是由 TensorFlow Ops 获得的。TFQ 训练可以使用标准的 Keras 函数进行。为了对如何使用量子数据提供一些直观的认识，可以考虑使用量子神经网络对量子状态进行监督分类。量子机器学习和经典机器学习一样，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，研究者可以做以下工作：

1. 准备量子数据库。量子数据是张量(一个多维数列)。每个量子数据张量都被指定为一个用 Cirq 编写的量子电路，它可以动态地生成量子数据。张量由张量流在量子计算机上执行，生成一个量子数据库。

2. 评估量子神经网络模型。研究人员可以使用 Cirq 建立量子神经网络的原型，然后将其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。该模型的目标是执行量子任务，以提取隐藏在纠缠态下的信息。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，从而使其可用于局部测量和经典的后处理。

3. 样本或平均值。量子态的测量以样本的形式从经典随机变量中提取经典信息。这个随机变量的值的分布一般取决于量子态本身和测量的可观测值。由于许多变分算法取决于测量值的平均值，也称为期望值，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. 评估经典神经网络模型。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。通过给定经典后处理的结果，对成本函数进行评估。如果量子数据是被标记的，这基于模型执行分类任务的准确性，如果任务是无监督的，则基于其他标准。

6. 评估梯度和更新参数。在评估成本函数之后，应该按照预期的方向更新线路中的自由参数，以降低成本。这通常是通过梯度下降来实现。TFQ 的一个关键特性将是能够同时训练和执行多个量子电路。

TensorFlow 能够在计算机集群之间并行化计算，并能够在多核计算机上模拟相对较大的量子电路，从而实现了这一目标。为了实现这一目标，谷歌团队也宣布开放 qsim , 该模拟器能够在谷歌云节点上在 111 秒内仿真门深度为 14 的 32 量子位的量子电路。该模拟器还特别针对多核 Intel 处理器进行了优化。结合 TFQ，团队已经在 60 分钟内在谷歌云节点上以门深度 20 对 20 量子位的量子电路进行了 100 万次电路仿真。

（责任编辑：fqj）