谷歌在其官方AI博客宣布推出TensorFlow Quantum(TFQ)，這是一個開源的量子機器學(xué)習(xí)庫，可將量子計算與機器學(xué)習(xí)結(jié)合在一起，訓(xùn)練量子模型。谷歌表示，這種量子機器學(xué)習(xí)模型能夠處理量子數(shù)據(jù)，并能夠在量子計算機上執(zhí)行。

　　根據(jù)谷歌AI博客的介紹，TFQ允許研究人員在單個計算圖中將量子數(shù)據(jù)集、量子模型和經(jīng)典控制參數(shù)構(gòu)造為張量。TensorFlow Ops會獲得導(dǎo)致經(jīng)典概率事件的量子測量結(jié)果，然后可以使用標(biāo)準(zhǔn) Keras功能進行培訓(xùn)。

　　與經(jīng)典機器學(xué)習(xí)一樣，量子機器學(xué)習(xí)的關(guān)鍵挑戰(zhàn)是對“噪聲數(shù)據(jù)”進行分類。要構(gòu)建和訓(xùn)練這樣的模型，大致操作步驟如下：

　　準(zhǔn)備量子數(shù)據(jù)集 -量子數(shù)據(jù)作為張量(數(shù)字的多維數(shù)組)加載。每個量子數(shù)據(jù)張量都指定為用Cirq編寫的量子電路，該電路可實時生成量子數(shù)據(jù)。張量由TensorFlow在量子計算機上執(zhí)行以生成量子數(shù)據(jù)集。

　　評估量子神經(jīng)網(wǎng)絡(luò)模型 -研究人員可以使用Cirq對量子神經(jīng)網(wǎng)絡(luò)進行原型設(shè)計，然后將其嵌入TensorFlow計算圖中。量子模型實質(zhì)上是對輸入的量子數(shù)據(jù)進行解糾纏，從而使隱藏信息以經(jīng)典的相關(guān)性編碼，從而使其可用于本地測量和經(jīng)典的后處理。

　　樣本或平均值 -量子態(tài)的測量從經(jīng)典隨機變量中以樣本形式提取經(jīng)典信息。來自該隨機變量的值的分布通常取決于量子態(tài)本身以及所測得的可觀測值。

　　評估經(jīng)典神經(jīng)網(wǎng)絡(luò)模型 -提取經(jīng)典信息后，其格式適用于進一步的經(jīng)典后處理。

　　評估成本函數(shù) -根據(jù)經(jīng)典后處理的結(jié)果，評估成本函數(shù)。

　　評估梯度和更新參數(shù) -評估成本函數(shù)后，應(yīng)沿預(yù)期可降低成本的方向更新管道中的自由參數(shù)。

　　TensorFlow Quantum的關(guān)鍵特征是擁有能夠同時訓(xùn)練和執(zhí)行許多量子電路的能力。目前，TensorFlow Quantum主要面向在經(jīng)典量子電路模擬器上執(zhí)行量子電路。谷歌的希冀是，將來TFQ能夠在Cirq 支持的實際量子處理器上執(zhí)行量子電路。

特別提醒：本網(wǎng)內(nèi)容轉(zhuǎn)載自其他媒體，目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實，對本文以及其中全部或者部分內(nèi)容、文字的真實性、完整性、及時性本站不作任何保證或承諾，并請自行核實相關(guān)內(nèi)容。本站不承擔(dān)此類作品侵權(quán)行為的直接責(zé)任及連帶責(zé)任。如若本網(wǎng)有任何內(nèi)容侵犯您的權(quán)益，請及時聯(lián)系我們，本站將會在24小時內(nèi)處理完畢。