神经网络+量子核算机？华人学者开源首个量子核算协同规划结构（量子计算神经网络）-人工智能-知优网

近日，由圣母大学姜炜文博士后，史弋宇教授和 IBM 研究院 Jinjun Xiong 博士开展的研究，实现了首个机器学习和量子计算协同设计框架，QuantumFlow，为神经网络在量子计算机上的实现铺平了道路。

近来，由圣母大学姜炜文博士后，史弋宇教授和 IBM 研讨院 Jinjun Xiong 博士展开的研讨，完结了首个机器学习和量子核算协同规划结构，QuantumFlow，为神经网络在量子核算机上的完结铺平了路途。

QuantumFlow 结构可以自动地完结神经网络到 IBM 量子核算机的布置。

原文链接: https://arxiv.org/pdf/2006.14815.pdf

神经网络加快迎来新玩家

量子核算机是一种运用量子逻辑进行通用核算的设备，运用量子比特进行数据存储，运用量子算法来进行数据操作。

量子核算研讨可以追溯到 19 世纪 60 时代，在 2016 诞生了首台可编程量子核算机。IBM 于 2019 年 1 月展现了商业化量子核算机 IBM Q，并猜测将于 20 世纪 20 时代取得量子优势:针对实在的运用场景，展现出量子核算逾越经典核算的才能。

图 1: 量子优势之路:从 19 世纪 60 时代的量子科学，2016 年进入量子预备阶段，20 世纪 20 时代将进入量子优势阶段以运用量子核算机处理实际问题 (Source: IBM)

图 2: 神经网络硬件加快器迎来新成员:量子核算机

深度神经网络是当下核算运用中展开最快，运用最广的机器学习算法。如图2所示，深度神经网络加快器，现已在通用处理器(CPU,GPU)以及专用加快器(FPGA，ASIC)上得到广泛研讨。

但是，跟着运用不断复杂化导致网络结构不断扩大，存储功能瓶颈已逐步凸显。在传统核算渠道上，N 个数字比特只能表明 1 个 N 位数据，但是在量子核算中，M 个量子比特却一起能表明 2^M 个数据，并能一起操作这些数据。

量子核算机如此强壮的存储与核算才能，使其具有巨大潜能打破神经网络在传统核算渠道上的功能瓶颈，获取量子优势。

首个量子核算协同规划结构，让你的神经网络飞起来

如安在深度学习范畴获取量子优势还面对许多应战，其间根除个妨碍就是短少一个协同规划神经网络与量子线路的自动化东西。

现有作业或是测验直接将针对传统核算体系规划的神经网络映射到量子核算机，或是直接规划量子神经网络。

但是这样的独立规划很难发挥量子核算机的优势(例如实数乘法会引进过多量子比特，带来巨大开支)。底子原因是缺少一个协同规划的东西，该作业填补了这一空白，提出了根除个神经网络/量子核算协同规划结构，QuantumFlow。

图3 QuantumFlow 协同规划结构

如图 3所示，QuantumFlow 结构包含四个组件：

网络模型规划器 QF-Net:其运用随机变量对输入实数数据进行表明，可以自然地运用量子状况进行表明，并完结随机变量的运算。该规划器提出了便于量子线路完结的根本运算操作，包含向量的线性、非线性运算与批规范化操作。

量子线路规划器 QF-Circ:针对 QF-Net 中每一个运算操作，规划了对应的量子线路完结。

前向反向传达器 QF-FB:提供在传统核算渠道高效的前向后向传达完结，认为支撑高效地 QF-Net 模型练习。

网络映射 QF-Map:依据依托 QF-FB 练习得到的 QF-Net 模型，将首要进行网络-线路映射，树立 QF-Net 对应的量子线路 QF-Circ;从而进行虚拟-物理量子比特映射，布置 QF-Net 到量子计算机。在进行虚拟-物理量子比特映射时，将考虑量子核算机的错误率，以前进模型精度。

依据 QF-FB 在传统核算机上的模仿成果展现了 QF-Net 的有效性。如图 4所示，针对量子核算规划的 QF-Net 获取比具有相同结构的针对传统核算体系的多层感知器 MLP(C) 更高的精度。

图 4: QF-Net 在 MNIST 数据集子集:{3,6}, {3,8}, {1,3,6}，上获取最高精度

具有批规范化操作的 QF-Net(w/ BN) 在辨认数字 3，6 中取得 97.01% 的准确率，比现现在最新的针对量子核算设计的 FFNN 网络，提升了 14.55% 的准确率。

图 5展现了一个二值分类示例。QuantumFlow 经过 QF-FB 练习得到网络如图 5(b) 所示，依据 QF-Map，将 QF-Net 首要映射到 QF-Circ 上，如图 5(C) 所示，从而依据 IBM 量子核算机 ibmq_essex 的错误率 (图 5(d))，QF-Map 将 QF-Net 映射到物理量子比特上，并对 100 组输入数据进行分类。在量子核算机上所获取的成果如图 5(h) 所示。

图 5: 二值分类示例，在 IBM 包含 5 个量子比特的量子核算机 “ibmq_essex” 上，获取了 82% 的精度。

图 5(e) 展现了有 QF-FB 在传统核算体系上取得的规范成果，图 5(f) 展现了运用 IBM Qiskit Aer 模仿进行 QF-FB 的成果，其准确度到达 98%。而图 5(g) 展现了不选用 QF-Map 而选用 IBM Qikist 自带编译器进行映射所得到的成果，正确率仅为 68%。最终，运用 QF-Map 可以将正确率提升至 82%。

该试验展现了量子核算完结神经网络的可能性，虽然 IBM 量子核算机的错误率在 10^−2 量级(相较于数字电路的 10^−15 错误率)，经过 QuantumFlow 协同规划的神经网络量子核算体系现已可以对数据进行有效地分类处理。成果展现了 QuantumFlow 的有效性。

QuantumFlow 将于近期开源，详细信息请重视 https://wjiang.nd.edu/categories/qf/。

作者简介

论文根除作者姜炜文现在是圣母大学的博士后研讨助理。2019年获重庆大学博士学位。2017年到2019年，曾在匹兹堡大学电子和核算机工程系参加研讨作业。