Google AI 量子团队：一起探索量子神经网络

文 / Jarrod McClean，Google AI 量子团队高级研究员和 Hartmut Neven，工程总监

自成立以来，Google AI 量子团队一直努力理解量子计算在机器学习中发挥的作用。目前已经证实在全局优化方面具有优势的算法表明，量子计算机可能有助于更快地训练机器学习中的现有模型，因此我们正在构建实验型量子计算机，以研究复杂的量子系统如何执行这些运算。这项研究可能很有价值，但它尚未提及这一激发人们好奇之心的想法，即量子计算机或许能提供一种方法，帮助人们更深入地了解物理系统中的复杂模式，在这个方面，传统计算机完全束手无策。

今天我们来讨论 Google AI 量子团队近期发表的两篇论文，看看量子计算机在处理学习任务方面的作用。第一篇论文构建了一个神经网络量子模型，以研究如何在量子处理器上执行热门分类任务。在第二篇论文中，我们展示了与计算几何相比，量子几何的独特特征如何改变了这些网络的训练策略，并为实现更稳健的网络训练提供指引。

在《在近期处理器上执行量子神经网络分类》( Classification with Quantum Neural Networks on Near Term Processors ) 一文中，我们构建了一个量子神经网络 ( QNN ) 模型，该模型专为近期内有望推出的量子处理器而设计。虽然目前的研究主要集中在理论部分，但研究架构对于不久的将来在量子计算机上执行的实现和测试大有帮助。这些 QNN 可以通过标记数据的监督式学习来调整，同时我们指出，有可能使用著名的 MNIST 数据集训练 QNN 对图像进行分类。使用更大的量子设备跟进这一领域的研究可能会使量子网络与热门经典网络在学习模式的能力上形成竞争。 

使用量子神经网络执行分类。这里我们描绘了一个示例量子神经网络，相比于经典深度神经网络中的隐藏层，图中的方框代表量子位上的纠缠行为或 “量子门”。在超导量子位环境中，我们可以通过对应每个方框的微波控制脉冲来实施这一行为

在《量子神经网络训练 “风景” 的贫瘠高原》( Barren Plateaus in Quantum Neural Network Training Landscapes ) 一文中，我们重点研究了量子神经网络训练和与经典神经网络中关键难点相关的探查性问题，即梯度消失或爆炸问题。在传统神经网络中，神经元权重的良好无偏见初始猜测通常涉及随机选择，尽管这有时也有些困难。我们的论文表明，由于量子几何的独特特征，梯度问题显然不会成为量子案例中的良好策略，反而会将您带入 “贫瘠高原”。此项研究对于未来量子神经网络的初始化和训练策略或许具有指导意义。

QNN 梯度消失：高维空间的浓度测量。在维度非常高的空间（例如量子计算机探索的空间）中，绝大多数状态都有悖常理地位于超球面的中纬线附近（左图）。这意味着在随机选择时，任何此空间上的平滑函数都会大概率倾向于采用非常接近其平均值的数值（右图）

这项研究为改进量子神经网络的构建和训练奠定了基础。特别值得一提的是，使用 Google 硬件完成的量子神经网络实验性实现将让我们能够在近期快速探索量子神经网络。我们希望由这些状态的几何结构形成的数据分析能够衍生出训练这些网络的新算法，这将是解锁其全部潜力的关键之处。

更多 AI 相关阅读：