好嗨喲 谷歌量子神經網路新進展揭秘

選自Googleblog

作者：Jarrod McClean、Hartmut Neven

機器之心編譯

參與：李亞洲、王淑婷

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路方面的最新進展。

谷歌人工智慧量子團隊自成立以來，一直致力於理解量子計算在機器學習中的作用。現有演算法對全局優化的作用表明，量子計算機可能有助於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複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複雜模式，這一點傳統的計算機任何時候都無法做到。

谷歌人工智慧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路的量子模型，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徵是如何改變了訓練這些網路的策略的，並為更穩健的網路訓練提供了指導。

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路（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，但它們的結構有助於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路學習模式的能力不如流行的經典網路。

論文鏈接：https://arxiv.org/abs/1802.06002

量子神經網路進行分類。上圖描述了一個簡單的量子神經網路，相比於典型深度神經網路中的隱藏層，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衝實現這一點。

在論文《Barren plateaus in quantum neural network training landscapes》中，谷歌聚焦於量子神經網路的訓練、探查經典神經網路中的關鍵難題，即梯度消失、爆炸的問題。在傳統神經網路中，神經元權重較好的無偏見初始猜測大多與隨機性有關，儘管有時也有些困難。這篇論文表明，量子幾何的獨特特徵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、訓練量子神經網路時提供策略。

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於超球面中緯線（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於採取接近平均值的數值。

該研究為構建、訓練量子神經網路提供了改進的階梯。特別是，使用谷歌硬體對量子神經網路的實驗實現，能夠讓我們在近期內快速探索量子神經網路。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路的新演算法，這也是解鎖未來潛力的重要之處。

本文為機器之心編譯，轉載請聯繫本公眾號獲得授權。

------------------------------------------------

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！