探索量子神经网络

lixia01

自成立以来，Google AI Quantum 团队一直致力于了解量子计算在机器学习中的作用。具有可证明的全局优化优势的算法的存在表明，量子计算机可能有助于更快地训练机器学习中的现有模型，我们正在构建实验性量子计算机来研究复杂的量子系统如何执行这些计算。虽然这可能被证明是无价的，但它还没有触及一个诱人的想法，即量子计算机可能能够提供一种方法来更多地了解物理系统中的复杂模式，而传统计算机在任何合理的时间内都无法做到这一点。
今天，我们讨论 Google AI Quantum 团队最近发表的两篇论文，它们在理解量子计算机在学习任务中的能力方面取得了进展。第一篇论文构建了一个神经网络的量子模型，以研究如何在量子处理器上执行一个流行的分类任务。在第二篇论文中，我们展示了与传统网络相比，量子几何的特殊特征如何改变训练这些网络的策略，并为更稳健地训练这些网络提供了指导。
在“使用近期处理器上的量子神经网络进行分类”中，我们构建了一个量子神经网络 (QNN) 模型，该模型专门用于预计近期上市的量子处理器。虽然当前的工作主要是理论性的，但它们的结构有助于在不久的将来在量子计算机上实施和测试。这些 QNN 可以通过对标记数据进行监督学习来调整，我们表明可以训练 QNN 对著名的 MNIST 数据集中的图像进行分类。在更大的量子设备上进行该领域的后续工作可能会使量子网络学习模式的能力与流行的经典网络相媲美。
用于分类的量子神经网络。这里我们描述了一个示例量子神经网络，与传统深度神经网络中的隐藏层不同，这些框代表量子比特上的纠缠动作或“量子门”。在超导量子比特设置中，这可以通过与每个框相对应的微波控制脉冲来实现。
在“量子神经网络训练领域的贫瘠高原”中，我们专注于量子神经网络的训练，并探讨与经典神经网络中的一个关键难题相关的问题，即梯度消失或爆炸问题。在传统的神经网络中，神经元权重的良好无偏初始猜测通常涉及随机化，尽管也可能存在一些困难。我们的论文表明，量子几何的特殊特征明确地阻止了这在量子情况下成为一种好策略，反而会将你带到贫瘠高原。这项工作的影响可能会指导未来初始化和训练量子神经网络的策略。
这项研究为量子神经网络的构建和训练的改进奠定了基础。特别是，使用 Google 硬件对量子神经网络进行实验性实现将使人们在短期内能够快速探索量子神经网络。我们希望从这些状态的几何结构中获得的见解将带来训练这些网络的新算法，这对于充分发挥它们的潜力至关重要。