尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
文 / Jarrod McClean，Google AI 量子團隊高級研究員和 Hartmut Neven，工程總監
自成立以來，Google AI 量子團隊一直努力理解量子計算在機器學習中發揮的作用。目前已經證實在全局優化方面具有優勢的算法表明，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，因此我們正在構建實驗型量子計算機，以研究複雜的量子系統如何執行這些運算。這項研究可能很有價值，但它尚未提及這一激發人們好奇之心的想法，即量子計算機或許能提供一種方法，幫助人們更深入地了解物理系統中的複雜模式，在這個方面，傳統計算機完全束手無策。
今天我們來討論 Google AI 量子團隊近期發表的兩篇論文，看看量子計算機在處理學習任務方面的作用。第一篇論文構建了一個神經網路量子模型，以研究如何在量子處理器上執行熱門分類任務。在第二篇論文中，我們展示了與計算幾何相比，量子幾何的獨特特徵如何改變了這些網路的訓練策略，並為做到更穩健的網路訓練提供指引。
在《在近期處理器上執行量子神經網路分類》( Classification with Quantum Neural Networks on Near Term Processors ) 一文中，我們構建了一個量子神經網路 ( QNN ) 模型，該模型專為近期內有望推出的量子處理器而設計。雖然目前的研究主要集中在理論部分，但研究架構對於不久的將來在量子計算機上執行的做到和測試大有幫助。這些 QNN 可以通過標記數據的監督式學習來調整，同時我們指出，有可能使用著名的 MNIST 數據集訓練 QNN 對圖像進行分類。使用更大的量子設備跟進這一領域的研究可能會使量子網路與熱門經典網路在學習模式的能力上形成競爭。
使用量子神經網路執行分類。這里我們描繪了一個示例量子神經網路，相比於經典深度神經網路中的隱藏層，圖中的方框代表量子位上的糾纏行為或 「量子門」。在超導量子位環境中，我們可以通過對應每個方框的微波控制脈沖來實施這一行為
在《量子神經網路訓練 「風景」 的貧瘠高原》( Barren Plateaus in Quantum Neural Network Training Landscapes ) 一文中，我們重點研究了量子神經網路訓練和與經典神經網路中關鍵難點相關的探查性問題，即梯度消失或爆炸問題。在傳統神經網路中，神經元權重的良好無偏見初始猜測通常涉及隨機選擇，盡管這有時也有些困難。我們的論文表明，由於量子幾何的獨特特徵，梯度問題顯然不會成為量子案例中的良好策略，反而會將您帶入 「貧瘠高原」。此項研究對於未來量子神經網路的初始化和訓練策略或許具有指導意義。
QNN 梯度消失：高維空間的濃度測量。在維度非常高的空間（例如量子計算機探索的空間）中，絕大多數狀態都有悖常理地位於超球面的中緯線附近（左圖）。這意味著在隨機選擇時，任何此空間上的平滑函數都會大概率傾向於採用非常接近其平均值的數值（右圖）
這項研究為改進量子神經網路的構建和訓練奠定了基礎。特別值得一提的是，使用 Google 硬件完成的量子神經網路實驗性做到將讓我們能夠在近期快速探索量子神經網路。我們希望由這些狀態的幾何結構形成的數據分析能夠衍生出訓練這些網路的新算法，這將是解鎖其全部潛力的關鍵之處。