色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
电子发烧友
开通电子发烧友VIP会员 尊享10大特权
海量资料免费下载
精品直播免费看
优质内容免费畅学
课程9折专享价
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內(nèi)不再提示

研究量子機器學習 (QML) 時面臨到的一些挑戰(zhàn)

Tensorflowers ? 來源:TensorFlow ? 作者:TensorFlow ? 2021-01-27 10:43 ? 次閱讀

量子力學曾是一門富有爭議的學說。早期的批判者(如愛因斯坦)曾在量子力學領域留下一句名言,即“上帝不會擲骰子”(指的是量子測量的概率特性),尼爾斯·玻爾對此評論道:“愛因斯坦,不要對上帝指手畫腳。”然而大家都同意愛因斯坦的觀點,引用約翰·惠勒的一句話就是,“如果你不曾為量子力學困惑不已,則將無法領略其中的真諦”。

隨著對量子力學的認識不斷深入,我們不僅從中收獲到許多重要的物理發(fā)現(xiàn),同時也通過量子力學催生了量子計算領域。量子計算是一門與傳統(tǒng)計算不同的計算范式。此領域以量子力學原理為基礎,并不斷加以開發(fā),從而可獲得比使用傳統(tǒng)計算機更快的速度(在某些情況下可實現(xiàn)超多項式時間)。

在這篇文章中,我會聊聊自己在開始研究量子機器學習 (QML) 時面臨到的一些挑戰(zhàn),以及我通過 TensowFlow Quantum(TFQ) 和 Cirq 受益并幫助其他研究人員探索量子計算和 QML 領域的方法。因為我之前接觸過 TensorFlow,所以使用 TensorFlow Quantum 對我來說也是輕車熟路。事實證明,TFQ 對我完成工作很有幫助,然后終于在第 16 屆 AIIDE 會議上,我在量子強化學習領域用 TFQ 發(fā)表了我的首個作品,而那則是我最輝煌的時刻。我希望這篇文章可以幫助和激勵其他研究人員、新手和專家,使其通過 TFQ 進一步推動 QML 領域的發(fā)展。

QML 背景

QML 和機器學習在傳統(tǒng)神經(jīng)網(wǎng)絡/深度學習方法方面有著重要的相似性和不同點。這兩種方法均可看做是使用了轉(zhuǎn)換的“堆疊層”,而這正是較大模型的構(gòu)成要素。在這兩種情況下,我們通常會為了最小化某些損失函數(shù),將數(shù)據(jù)用于通知模型參數(shù)更新(大多情況下是這樣,但不完全都是通過基于梯度的方法)。這兩種方法的不同之處在于,QML 模型可以利用量子力學的力量,而深度神經(jīng)網(wǎng)絡則不能。我們會將一種由 TFQ 提供技術(shù)支持的重要 QML 稱作變分量子電路 (QVC)。QVC 也可稱作量子神經(jīng)網(wǎng)絡 (QNN)。

QVC 如下圖所示(來自 TFQ 白皮書)。圖表閱讀順序為從左往右,其中量子位由水平橫線表示。QVC 可分為三個重要而又不同的部分:編碼器電路、變分電路和測量運算符。編碼器電路可以接收自然量子數(shù)據(jù)(如非參數(shù)化量子電路),或?qū)鹘y(tǒng)數(shù)據(jù)轉(zhuǎn)化為量子數(shù)據(jù)。編碼器電路連接到變分電路,后者由其可學習參數(shù)定義。在學習過程中更新的部分即為電路的參數(shù)化部分。QVC 最后的組成部分為測量運算符。如要從 QVC 中提取信息,必須應用某種量子測量方法(如 Pauli X、Y 或 Z 基的測量)。通過使用提取自這些測量方法中的信息,我們得以在傳統(tǒng)計算機上計算損失函數(shù)(以及梯度)并更新參數(shù)。同時,可通過類似傳統(tǒng)神經(jīng)網(wǎng)絡(如 Adam 或 RMSProp)的優(yōu)化器來優(yōu)化這些梯度。QVC 也可與傳統(tǒng)神經(jīng)網(wǎng)絡相結(jié)合(如圖所示),因為量子電路具備可微分性,因此梯度可以反向進行傳播。

3c4bb3a4-5fa6-11eb-8b86-12bb97331649.png

TFQ 白皮書
https://arxiv.org/abs/2003.02989

然而圍繞 QVC 的直觀模型和數(shù)學框架與傳統(tǒng)神經(jīng)網(wǎng)絡有一些重要區(qū)別,而在這些差異中存在著量子加速的潛能。量子計算和 QML 可以對量子現(xiàn)象加以利用,如疊加和糾纏。疊加源自于波函數(shù),而波函數(shù)是多個狀態(tài)的線性組合,可讓量子位同時呈現(xiàn)出兩種不同的狀態(tài)(以概率的方式)。能夠在此類疊加上采取操作(即同時對多個狀態(tài)進行操作)是量子力學計算不可或缺的一部分。糾纏是一種通過多量子位門生成的復雜現(xiàn)象。對這些概念和量子計算具有基本的了解是使用 QML 的重要前提。這里有關于上述內(nèi)容的大量可用資源,如 Preskill 的量子計算課程和 de Wolf 的講義。

Preskill 的量子計算課程
http://theory.caltech.edu/~preskill/ph219/ph219_2018-19

de Wolf 的講義
https://arxiv.org/pdf/1907.09415.pdf

不過目前想要使用真正的量子硬件,條件極為有限,因此很多量子計算研究人員都在模擬的量子計算機上進行工作。近期和當前的量子設備都具備 10 到 100 個量子位 (qubit),如 Google Sycamore 處理器。因其外觀尺寸和產(chǎn)生的噪音,這種硬件通常又被稱為嘈雜中型量子 (NISQ) 技術(shù)。TFQ 和 Cirq 即是為這些近期的 NISQ 設備量身打造而成。鑒于當前的糾錯技術(shù),這些設備要比某些通過著名量子算法實現(xiàn)量子加速的設備小得多;例如,秀爾算法需要上千個量子位,而量子近似優(yōu)化算法 (QAOA) 可能至少需要 420 個量子位才能獲得量子優(yōu)勢。然而 NISQ 設備在實現(xiàn)量子加速方面仍有巨大潛能(如 Google 通過 53 個量子位進行驗證地那樣)。

Google Sycamore 處理器
https://ai.googleblog.com/2019/10/quantum-supremacy-using-programmable.html

TFQ 和我的工作

TFQ 于今年(2020 年)3 月中旬發(fā)布,發(fā)布后不久我便開始使用。自那時起,我就已開始研究 QML,并格外關注了用于強化學習 (RL) 的 QML。盡管我已經(jīng)在量子電路模擬器的無障礙功能方面取得了巨大進步,但是仍然很難踏入 QML 這一領域。除了在數(shù)學和物理方面遇到的困難,根本困難則是位實現(xiàn)成果所投入的時間。對于那些從事傳統(tǒng)機器學習的研究人員來說,從頭開始編寫 QVC 所需的時間,以及正確測試和調(diào)試 QVC 花費的時間(更不用說優(yōu)化)都是一種挑戰(zhàn)。花費大量時間去構(gòu)建一個可能會失敗的試驗品,對我來說風險巨大,尤其我當時還是一個即將畢業(yè)的大學生!幸運的是,我不用冒這個險。隨著 TFQ 的發(fā)布,我可以在其中輕松即時地將我的想法轉(zhuǎn)變?yōu)楝F(xiàn)實。實際上,如果 TFQ 不曾發(fā)布,那我可能永遠也無法完成這項工作。受先前工作的啟發(fā),我們擴展性地在 RL 任務中應用了 QML。

強化學習
http://www.incompleteideas.net/book/RLbook2020.pdf

先前工作
https://ieeexplore.ieee.org/abstract/document/9144562

通過這一做法,我們證明了在當代 RL 算法中使用 QVC 代替神經(jīng)網(wǎng)絡的潛力(特別是 DQN 和 DDQN)。同時我們也展示了使用多類 QVC 模型的潛力,通過使用具有密集層或量子池層(分別表示混合動力和純動力)的 QVC 來減少正確輸出空間中量子位的數(shù)量。

3cf4052c-5fa6-11eb-8b86-12bb97331649.png

DQN
https://www.cs.toronto.edu/~vmnih/docs/dqn.pdf

DDQN
https://arxiv.org/pdf/1509.06461.pdf

量子池層
https://arxiv.org/abs/1810.03787

QVC 所具有的代表性效力也得以呈現(xiàn);通過使用具備約 50 個參數(shù)的 QVC,我們能夠收獲等同于在神經(jīng)網(wǎng)絡上使用更多數(shù)量級參數(shù)所呈現(xiàn)的性能。從圖上我們可以對比得出,在典型 CartPole 環(huán)境(讓小車上的一個倒立擺保持平衡)中達成的性能,左圖包括所有的神經(jīng)網(wǎng)絡,而右圖只顯示了最大的神經(jīng)網(wǎng)絡。NN 前面的數(shù)字代表參數(shù)空間的大小。

我們會繼續(xù)在 RL 中應用 QML,并為大家呈現(xiàn)更多稿件。這項工作現(xiàn)已納入 2020 NeurIPS 研討會:“預注冊實驗:用于機器學習研究的可替換發(fā)布模型?!?/p>

TFQ 使用建議

無論您的背景如何,只要您對 QML 研究感興趣,那 TFQ 對您來說都將是一個極佳的工具。在科學界,擁有“發(fā)表或者滅亡”的心態(tài)早已習以為常,不過這可能會扼殺創(chuàng)新工作并抑制思維的發(fā)散,對于那些需要采取大量實操工作的實驗而言更是如此。TFQ 不僅可以幫助您加速實驗,還可以助您輕松實現(xiàn)那些可能永遠難以試驗的想法。付諸實踐是實現(xiàn)很多新鮮有趣想法的常見阻礙,到目前為止由于將想法轉(zhuǎn)化為現(xiàn)實異常困難,很多想法依然停留在構(gòu)想階段,而 TFQ 則可以輕松做到這一點。

扼殺創(chuàng)新工作
https://www.theguardian.com/science/2013/dec/06/peter-higgs-boson-academic-system

對于初學者而言,TFQ 是出色的入門工具,即使您沒有大量的時間來研究編碼,您依然能從中收獲大量知識。無需從頭開始構(gòu)建,即可借助 QVC 進行嘗試和實驗。不得不說,這的確是一款令人難以置信的工具。對于有 TensorFlow 使用經(jīng)驗的傳統(tǒng) ML 研究人員來說,其可通過 TFQ,輕松完成對 QML 的小規(guī)?;虼笠?guī)模的過渡和轉(zhuǎn)換。TFQ 的 API 和其提供的模塊(如 Keras-esque 層和微分器)與 TF 的設計原則一致,而這一相似性則更有利于輕松完成編程轉(zhuǎn)換。對于身處 QML 領域的研究人員來說,TFQ 當然也能有所助力。

大規(guī)模
https://arxiv.org/abs/2011.01938

如想上手使用 TFQ,則必須要熟悉量子計算的基礎知識。您可以參閱上述參考資料或是除此之外的其他資源。還有另一個經(jīng)常遭到忽視的重要步驟,那就是閱讀 TFQ 白皮書。白皮書可供 QML 初學者使用,其中介紹了大量有關 QML 的理論知識,以及 TFQ 的基礎和高級用法。閱讀白皮書和使用 TFQ 同樣重要。試著嘗試不同的事物,如實驗;通過開展實驗,您不僅可以進一步了解軟件,還可以加深對理論和數(shù)學的理解。通過閱讀其他當代論文及引用了 TFQ 的論文,亦可讓自己沉浸于該領域正在進行的研究之中。

責任編輯:lq

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 機器學習
    +關注

    關注

    66

    文章

    8467

    瀏覽量

    133628
  • 量子計算
    +關注

    關注

    4

    文章

    1126

    瀏覽量

    35355
  • tensorflow
    +關注

    關注

    13

    文章

    330

    瀏覽量

    60811

原文標題:TensorFlow Quantum 使用心得

文章出處:【微信號:tensorflowers,微信公眾號:Tensorflowers】歡迎添加關注!文章轉(zhuǎn)載請注明出處。

收藏 0人收藏

    評論

    相關推薦

    十大鮮為人知卻功能強大的機器學習模型

    解決獨特的挑戰(zhàn)。在本文中,我們將探索一些最被低估但極具實用價值的機器學習算法,這些算法絕對值得你將其納入工具箱。1.變分自編碼器(VariationalAutoen
    的頭像 發(fā)表于 04-02 14:10 ?179次閱讀
    十大鮮為人知卻功能強大的<b class='flag-5'>機器</b><b class='flag-5'>學習</b>模型

    智慧路燈的推廣面臨哪些挑戰(zhàn)

    面臨諸多挑戰(zhàn)。這些挑戰(zhàn)涉及多個層面,從經(jīng)濟成本到技術(shù)適配,再到公眾認知,每個都關乎叁仟智慧路燈能否順利普及,進而影響智慧城市建設的步伐。深入剖析這些
    的頭像 發(fā)表于 03-27 17:02 ?135次閱讀

    NVIDIA助力解決量子計算領域重大挑戰(zhàn)

    NVIDIA 加速量子研究中心提供了強大的工具,助力解決量子計算領域的重大挑戰(zhàn)。
    的頭像 發(fā)表于 03-27 09:17 ?278次閱讀

    【「具身智能機器人系統(tǒng)」閱讀體驗】2.具身智能機器人的基礎模塊

    目前高速發(fā)展的大模型能給具身智能帶來一些突破性的進展。 對于感知系統(tǒng),要做的主要任務是物體檢測,語義分割,立體視覺,鳥瞰視角感知。 有很多算法都可以實現(xiàn)物體檢測,比如文章提到的HOG + SVM算法
    發(fā)表于 01-04 19:22

    使用CUDA-Q實現(xiàn)量子聚類算法

    量子計算機能夠利用疊加、糾纏和干涉等量子特性,從數(shù)據(jù)中歸納出知識點并獲得洞察。這些量子機器學習QML
    的頭像 發(fā)表于 11-20 10:14 ?466次閱讀
    使用CUDA-Q實現(xiàn)<b class='flag-5'>量子</b>聚類算法

    NVIDIA與谷歌量子AI部門達成合作

    NVIDIA CUDA-Q 平臺使谷歌量子 AI 研究人員能夠為其量子計算機創(chuàng)建大規(guī)模的數(shù)字模型,以解決設計中面臨的各種挑戰(zhàn)
    的頭像 發(fā)表于 11-20 09:39 ?457次閱讀

    NVIDIA 助力谷歌量子 AI 通過量子器件物理學模擬加快處理器設計

    NVIDIA CUDA-Q 平臺使谷歌量子 AI 研究人員能夠為其量子計算機創(chuàng)建大規(guī)模的數(shù)字模型,以解決設計中面臨的各種挑戰(zhàn) ? ? SC2
    發(fā)表于 11-19 10:39 ?365次閱讀
    NVIDIA 助力谷歌<b class='flag-5'>量子</b> AI 通過<b class='flag-5'>量子</b>器件物理學模擬加快處理器設計

    深度學習中RNN的優(yōu)勢與挑戰(zhàn)

    循環(huán)神經(jīng)網(wǎng)絡(RNN)是深度學習領域中處理序列數(shù)據(jù)的基石。它們通過在每個時間步長上循環(huán)傳遞信息,使得網(wǎng)絡能夠捕捉時間序列數(shù)據(jù)中的長期依賴關系。然而,盡管RNN在某些任務上表現(xiàn)出色,它們也面臨一些
    的頭像 發(fā)表于 11-15 09:55 ?902次閱讀

    分享一些常見的電路

    理解模電和數(shù)電的電路原理對于初學者來說可能比較困難,但通過一些生動的教學方法和資源,可以有效地提高學習興趣和理解能力。 下面整理了一些常見的電路,以動態(tài)圖形的方式展示。 整流電路 單相橋式整流
    的頭像 發(fā)表于 11-13 09:28 ?589次閱讀
    分享<b class='flag-5'>一些</b>常見的電路

    機器視覺要面臨挑戰(zhàn)及其解決方法

    機器視覺是指使用計算機和圖像處理技術(shù)從圖像中提取信息,并將其轉(zhuǎn)換為機器可理解的格式。這種方法已經(jīng)被廣泛應用于自動化生產(chǎn)、質(zhì)量控制、測量和檢測等領域。然而,機器視覺仍然面臨
    的頭像 發(fā)表于 11-11 01:03 ?622次閱讀

    麻省理工學院對光子集成的量子發(fā)射器的光譜特性研究

    有待解決,因此世界各地的研究者都在積極研究。例如,集成用于通信、計算、信息處理和量子增強傳感的量子測量協(xié)議需要有源單光子量子光源,其中,發(fā)射
    的頭像 發(fā)表于 11-08 06:25 ?330次閱讀
    麻省理工學院對光子集成的<b class='flag-5'>量子</b>發(fā)射器的光譜特性<b class='flag-5'>研究</b>

    Arm與紅帽如何加速軟件生態(tài)系統(tǒng)發(fā)展

    隨著 IT 基礎設施環(huán)境的不斷發(fā)展,企業(yè)機構(gòu)在從廣闊的云網(wǎng)絡到資源有限的邊緣環(huán)境之間,橫跨不同基礎設施進行部署時,會面臨到無數(shù)的挑戰(zhàn)。每種部署方式的要求不盡相同,而為了實現(xiàn)無縫集成,則需要標準化的解決方案進行應對。
    的頭像 發(fā)表于 09-05 15:51 ?453次閱讀

    學習時報》刊發(fā)本源量子量子攻擊實踐專家署名文章

    隨著量子計算的快速發(fā)展,傳統(tǒng)加密技術(shù)面臨“Q-day”的挑戰(zhàn),即量子計算機可能破解現(xiàn)有加密體系,威脅經(jīng)濟穩(wěn)定、國家安全和個人隱私。為此,抗量子
    的頭像 發(fā)表于 09-05 08:04 ?360次閱讀
    《<b class='flag-5'>學習</b>時報》刊發(fā)本源<b class='flag-5'>量子</b>抗<b class='flag-5'>量子</b>攻擊實踐專家署名文章

    【《計算》閱讀體驗】量子計算

    經(jīng)典計算機的能力。 量子計算的重要性在于三點。首先,量子計算對強丘奇-圖靈論題提出了明確挑戰(zhàn)。強丘奇-圖靈論題斷言,任何可物理實現(xiàn)的計算裝置都可以被圖靈機模擬,而計算速度至多下降個多
    發(fā)表于 07-13 22:15

    全光網(wǎng)應用面臨挑戰(zhàn)

    盡管全光網(wǎng)絡具有諸多優(yōu)勢和廣闊的應用前景,但在實際應用中仍然面臨一些挑戰(zhàn),例如: 成本挑戰(zhàn):全光網(wǎng)絡的建設和維護成本相對較高,包括光纖敷設、光交換設備和光傳輸設備等硬件設備的采購和維護
    的頭像 發(fā)表于 05-09 11:03 ?765次閱讀
    主站蜘蛛池模板: 老牛天天晚上夜噜噜噜 | 中文亚洲大香伊蕉不卡一区 | 2021久久最新国产精品 | 真实国产精品视频国产网 | 婷婷五月久久精品国产亚洲 | 午夜神器18以下不能进免费 | 久久国产亚洲精品AV麻豆 | 韩日午夜在线资源一区二区 | 特黄AAAAAAA片免费视频 | 一区二区不卡在线视频 | 日日摸夜夜添夜夜爽出水 | 大肥婆丰满大肥奶bbw肥 | 国产偷国产偷亚洲高清人乐享 | 久久久97人妻无码精品蜜桃 | 亚州免费一级毛片 | 国产主播福利一区二区 | 国产在线观看网址你懂得 | 色欲AV久久综合人妻蜜桃 | 小蝌蚪视频在线观看免费观看WWW | yy8090理论三级在线看 | 黄色三级在线观看 | 成人免费视频网站www | 人人碰在线视频 | 亚洲国产日韩欧美视频二区 | 九色PORNY真实丨国产免费 | 亚洲 视频 在线 国产 精品 | 久久影院午夜理论片无码 | 欧美亚洲另类图片 | 在线视频av大全色久久 | 变形金刚7免费观看完整 | 两个人的视频日本在线观看完整 | 国产AV一区二区三区传媒 | china年轻小帅脸直播飞机 | 九九免费高清在线观看视频 | 99这里只有是精品2 99这里有精品视频视频 | 亚洲 视频 在线 国产 精品 | 日本xxx在线观看免费播放 | 日本午夜精品理论片A级APP发布 | 真人美女精美小穴 | 成片免费观看视频在线网 | 黑人玩弄极品人妻系列 |

    電子發(fā)燒友

    中國電子工程師最喜歡的網(wǎng)站

    • 2931785位工程師會員交流學習
    • 獲取您個性化的科技前沿技術(shù)信息
    • 參加活動獲取豐厚的禮品