米兰·(milan)中国官方网站-量子 CNN 对数据集的测试准确率高，但存在局限性
作者 | Holly Emblem编译 | 黄楠
编纂 | 陈彩娴
于10月4日宣布的2022年诺贝尔奖中，Alain Aspect 、John F. Clause 及 Anton Zeilinger 三位科学家依附量子纠缠得到物理学奖项，引起了外界对于量子研究范畴的存眷及会商。
此中，以量子计较为代表的研究投资近几年迎来显著增长，人们最先摸索从安全、收集通讯等范畴出发，用量子要领来倾覆现有的经典计较技能。
有研究职员认为，量子计较的焦点于在“经由过程计较成本更低的技能解决经典难题”，而跟着最近几年来深度进修及量子计较的研究并行成长，不少研究者也最先存眷到这两个范畴的交织点：量子深度进修。
近日，Xbox 游戏事情室 Rare 洞察主管 Holly Emblem 于新的文章“Quantum Deep Learning: A Quick Guide to Quantum Convolutional Neural Networks”中，就量子深度进修的现有研究及运用举行先容，并重点会商了量子卷积神经收集 (QCNN)与经典计较要领比拟存于的上风及局限性。
1经典计较及量子计较的区分起首先容一个关在经典计较及量子计较区分的主要观点。于经典计较机上履行步伐时，编译器会将步伐语句转换为二进制位；而于量子计较中，与经典计较机上的位于任什么时候候都代表 1 或者 0 的状况差别，量子位可以或许于这两种状况间“悬停”，只有当它被丈量时，量子比特才会瓦解到它的两个基态之一，即 1 或者 0。
这类属性称为叠加，于量子计较使命中有至关主要的作用。经由过程叠加，量子计较机可以并行履行使命，而不需要彻底并行的架构或者 GPU 来履行。其缘故原由于在，当每一个叠加状况对于应一个差别的值，假如对于叠加状况举行操作，则该操作同时于所有状况上履行。
这里举一个叠加量子态的例子：
量子态的叠加是指数的，a 及 b 指几率幅度，其给出了一旦履行丈量就投射到一个状况的几率。此中，叠加量子态是经由过程利用量子逻辑门来创立的。
图注：Ragsxl 于芬兰埃斯波的 IQM 量子计较机2纠缠及贝尔态叠加于量子物理学中十分主要，而另外一个要害的道理则是纠缠。
纠缠指于两个或者多个粒子之间、以某种方式孕育发生或者引起彼此作用的举动，这象征着这些粒子的量子态再也不能相互自力地描写，纵然相隔很远也是云云。当粒子被纠缠时，假如一个粒子被丈量，与之纠缠的另外一个粒子将当即丈量为相反的状况（这些粒子没有局部状况）。
跟着对于量子比特及纠缠的理解的成长，继而来会商贝尔态，下面展示了量子比特的最年夜纠缠态：
|00⟩ → β → 1 √ 2 (|00⟩ + |11⟩) = |β00⟩,
|01⟩ → β → 1 √ 2 (|01⟩ + |10⟩) = |β01⟩
|10⟩ → β → 1 √ 2 (|00⟩ - |11⟩) = |β10⟩
|11⟩ → β → 1 √ 2 (|01⟩ - |10⟩) = |β11⟩
利用量子电路创立贝尔态：
图注：Perry 量子计较神殿的贝尔态电路
于所显示的贝尔态电路中，其接管量子位输入并运用 Hadamard 门及 CNOT 门创来建一个纠缠的贝尔态。
今朝，贝尔态已经被用在开发一系列量子计较运用步伐；此中，Hegazy、Bahaa-Eldin 及 Dakroury 就提出了贝尔态及超密集编码可用在实现“无前提安全”的理论。
3卷积神经收集及量子卷积神经收集François Chollet 于 Python 深度进修中指出，卷积神经收集 (CNN) 于图象分类等使命中很受接待，其缘故原由于在它们能构建模式条理布局，例如先暗示线条、再暗示这些线条的边沿，这使患上 CNN 可以或许成立于层之间的信息上，并暗示繁杂的视觉数据。
CNN 具备卷积层，由过滤器构成，这些过滤器会于输入中“滑动”并孕育发生“特性图”，答应检测输入中的模式。同时，CNN 可以使用池化层来减小特性图的巨细，从而削减进修所需的资源。
图注：Cecbur 展示的卷积神经收集
界说了经典的 CNN 后，咱们就能够摸索量子 CNN （量子卷积神经收集，QCNN）是怎样使用这些传统要领、并对于其举行扩大。
Garg 及 Ramakrishnan 认为，开发量子神经收集的一种常见要领，是开发一种“混淆”要领，引入所谓的“量子卷积层”，这是一种基在随机量子电路的变换，于经典 CNN 中作为附加组件呈现。
下面展示了由 Yanxuan Lü 等研究职员开发、并于MNIST 手写数字数据集长进行测试的混淆 QCNN：
研究职员于论文“A Quantum Convolutional Neural Network for Image Classification”中，采用了量子电路及纠缠作为经典模子的一部门来获取输入图象，并天生猜测作为输出。
于这类要领中，QCNN 将图象数据作为输入，并将其编码为量子态 |x ，然后利用量子卷积及池化层对于其举行转换来提取特性；末了，利用强纠缠电路的全毗连层举行分类，并经由过程丈量获得猜测。
此中，优化是经由过程随机梯度降落(SGD)处置惩罚的，可用在削减练习数据标签与 QCNN 猜测标签之间的差异。聚焦在量子电路，量子卷积层中利用的门以下所示，此中包括了扭转算子及 CNOT 门。
于池化层丈量量子位的一个子集，所患上出的成果会决议是否对于其邻近的位运用单量子位门：
全连通层由“通用单量子位门”及孕育发生纠缠态的CNOT门构成，为了将 QCNN 与其他要领举行比力，研究职员利用了带有模仿 QCNN 的 MNIST 数据集。根据典型的要领，咱们创立了一个练习/测试数据集，并开发了一个由如下层构成的 QCNN：
2个量子卷积层
2 个量子池层
1个量子全毗连层
该 QCNN 对于数据集的测试集正确率到达了 96.65%，而按照 Papers with Code 的数据举行测试后，该数据集于经典 CNN 中的最高正确度患上分可到达 99.91%。
要留意的是，该试验只有两类 MNIST 数据集被分类，这也就象征着将其与其他 MNIST 模子机能彻底比力会存于局限性。
4可行性评估及总结虽然研究职员于 QCNN 开发了要领，但今朝该范畴的一个要害问题是，实现理论模子所需的硬件还有不存于。此外，混淆要领于经典 CNN 计较中同时引入量子演化层的测试要领，也面对着挑战。
假如咱们思量量子计较的上风之一，是可以解决“经由过程计较成本更低的技能解决经典棘手的问题”，那末这些解决方案中的一个主要方面就于在“量子加快”。有研究职员认为，量子呆板进修与经典实现比拟，其上风于在估计量子算法可具备多项式、甚至指数级的加快时间。
然而，上文中展示的 QCNN 要领存于一个局限性是，当咱们需要对于经典数据及丈量举行一致解码/编码的算法(如 QCNN )时，“量子加快”增益是有限的；而今朝，关在怎样设计出最佳的编码/解码及需要最小丈量的和谈、使其可以或许受益在“量子加快”的信息其实不多。
纠缠已经被证实是量子呆板进修的一个主要性子，本文所提到的关在 QCNN 使用强纠缠电路，可以孕育发生纠缠态作为其全连通层的研究，使模子可以或许举行猜测。不仅云云，纠缠也于其他范畴中被用在辅助深度进修模子，例如利用纠缠从图象中提取主要特性，以和于数据集中利用纠缠、可能象征着模子可以或许从比以前预期更小的练习数据集中进修等等。
本文提供了经典深度进修要领及量子深度进修要领的比力，并会商了使用量子层（包括强纠缠电路）天生猜测的 QCNN ，阐发量子深度进修的利益及局限性，并先容了纠缠于呆板进修中更遍及的运用，这也象征着咱们可以最先思量量子深度进修的下一步，尤其是 QCNN 于更多范畴中的运用。除了此以外，量子硬件也于不停前进，PsiQuantum 等公司更是提出了开发百万量子比特的量子处置惩罚器方针。
跟着深度进修及量子计较范畴研究的继承举行，咱们可以期待看到量子深度进修的进一步成长。
原文链接：https://towardsdatascience.com/quantum-deep-learning-a-quick-guide-to-quantum-convolutional-neural-networks-d65284e21fc4更多内容，点击下方存眷：扫码添加 AI 科技评论 微旌旗灯号，投稿 进群：
雷峰网(公家号：雷峰网)
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
-米兰·(milan)中国官方网站
