好嗨喲~谷歌量子神經網絡新進展揭秘

量子計算碰上機器學習，谷歌今日的博客介紹了他們在 量子神經網絡 方面的最新進展。

谷歌人工智能量子團隊自成立以來，一直致力于理解量子計算在機器學習中的作用。現有算法對全局優化的作用表明， 量子計算機 可能有助于更快地訓練機器學習中的現有模型，因此谷歌正在構建實驗型的量子計算機來調查復雜的量子系統是如何進行這些計算的。雖然這項研究可能很有價值，但還無法證明量子計算機能夠提供一種方式來了解物理系統中的復雜模式，這一點傳統的計算機任何時候都無法做到。

谷歌人工智能量子團隊最近發表了兩篇論文，這兩篇論文在理解量子計算機對學習任務的作用方面取得了進展。第一篇論文構建了一個神經網絡的量子模型，來研究如何在量子處理器上執行分類任務。在第二篇論文中，谷歌展示了量子幾何的獨特特征是如何改變了訓練這些網絡的策略的，并為更穩健的網絡訓練提供了指導。

在論文《Classification with Quantum Neural Networks on Near Term Processors》中，谷歌構建了一個 量子神經網絡 （QNN），該模型專為短期內可能出現的量子處理器而設計。雖然目前的工作主要都是理論上的，但它們的結構有助于在不久的將來在量子計算機上進行的實現和測試。這些 QNN 可以通過標記數據的監督學習來調整，谷歌表明有望訓練 QNN 在著名的 MNIST 數據集上進行圖像分類任務。用更大的量子設備跟蹤這一領域的研究可能會導致量子網絡學習模式的能力不如流行的經典網絡。

論文鏈接：https://arxiv.org/abs/1802.06002

量子神經網絡 進行分類。上圖描述了一個簡單的 量子神經網絡 ，相比于典型深度神經網絡中的隱藏層，圖中的方框表示糾纏行為或者說是「量子門」。在超導量子位環境中，可以通過對應每個方框的微波控制脈沖實現這一點。

在論文《Barren plateaus in quantum neural network training landscapes》中，谷歌聚焦于 量子神經網絡 的訓練、探查經典神經網絡中的關鍵難題，即梯度消失、爆炸的問題。在傳統神經網絡中，神經元權重較好的無偏見初始猜測大多與隨機性有關，盡管有時也有些困難。這篇論文表明，量子幾何的獨特特征能夠明確地防止梯度問題成為量子案例中的好策略，相反它會帶你進入貧瘠的高原（barren plateaus）。該研究可能為未來初始化、訓練 量子神經網絡 時提供策略。

論文鏈接：https://www.nature.com/articles/s41467-018-07090-4

QNN 梯度消失：高維空間的測量濃度。在高維空間中，如量子計算機這樣的探索，大量的狀態反常識地處于超球面中緯線（左圖）的附近。這意味著在隨機選擇時（右圖），這一空間中的任意平滑函數將大概率傾向于采取接近 平均值的數值。

該研究為構建、訓練 量子神經網絡 提供了改進的階梯。特別是，使用谷歌硬件對 量子神經網絡 的實驗實現，能夠讓我們在近期內快速探索 量子神經網絡 。谷歌研究團隊希望源自這些幾何學狀態的洞見能帶來訓練這些網絡的新算法，這也是解鎖未來潛力的重要之處。

來自：https://ai.googleblog.com/2018/12/exploring-quantum-neural-networks.html