光子量子處理器Xanadu團隊：探索量子神經網路

AiTechYun

編輯：yuxiangyu

我們（Xanadu）致力於製造世界上第一款全片上光子量子處理器（all on-chip photonic quantum processor），使用尖端技術來利用光線的強大特性。這個博客的目的是讓你跟進我們的進展。從令人興奮的新發現到測試挑戰，這其中的一切，我們將讓你跟進量子技術領域的最新進展。

量子機器學習是Xanadu工作的重點之一。我們的機器學習團隊正在加強人工智慧和量子技術之間的聯繫。在本文中，我們將討論如何使一個神經網路成為一個量子體，大幅加快運行速度和網路容量。本文不需要科學或數學背景（即使你不了解神經網路）。更詳細的信息可以訪問論文。

論文：https://arxiv.org/abs/1710.03599

神經網路

如今，你可能已經從機器學習技術中受益。和過去一樣，機器學習日益成為我們日常生活的一部分。無論你是查看了社交媒體帳戶，進行在線搜索，甚至上班的路上，遠程伺服器都可能會使用各種學習演算法來改善你的體驗。機器學習的目標是讓計算機能夠根據數據做出預測和歸納，而不是讓我們明確地告訴它。這是一個發展很快也很酷的領域。

在機器學習中非常成功的方法是設計一個人造神經網路，這種方法受到了人腦中神經元結構的啟發。想像一組點，每個點可以處於兩種狀態之一：「開」或「關」。這些點與可變強度的線相互連接（如下圖）。這個網路的運作方式是，通過讓每個神經元根據與之相連的神經元的狀態來決定它的狀態，並且也要考慮連接的強度。神經網路能夠根據問題選擇結構。神經網路的用途很廣，包括語音識別和癌症檢測。

量子神經網路

那麼量子技術能為此做些什麼呢？在Xanadu，我們一直在研究如何將一種神經網路嵌入到量子系統中。我們首先使用量子的相干性，即一個系統可以同時存在多種狀態組合 – 我們稱之為相干疊加。具體的方法是把每個神經元與系統狀態聯繫起來：如果神經元處於「開」狀態，則其相應的狀態在疊加中帶有正號，而如果神經元處於「斷開」狀態，則疊加中帶負號。我們關注多量子位（量子比特）系統，每個量子位可以是「向上」或「向下」的。通過查看在我們量子位集合中所有可能的「上」和「下」組合，你會看到，少量的量子位中可以存儲指數級的神經元配置。例如，下圖展示了我們可以在2個量子位中存儲4個神經元的任何配置！

通過使用這種方法在量子位中嵌入神經元，並訪問更大的存儲容量，我們可以解鎖大量量子演算法，這可以幫助我們加速處理網路。在這裡遇到的第一個問題是選擇神經網路架構，讓我們知道哪種量子演算法最能發揮所提供性能優勢。這篇文章重點介紹Hopfield網路，它是一個所有神經元都以可變權重相互連接的結構（就像完全圖）。Hopfield網路可以用作內容可定址存儲器（Content Addressable Memory）系統：神經元的配置以各種模式（patterns，比如圖像）相關聯，這些模式通過改變神經元之間連接的權重來存儲。這就是Hebbian學習。然後可以將新模式載入到Hopfield網路中，處理目的是恢復存儲在記憶中的最相似模式。

操作Hopfield網路的傳統方式是，隨機選取神經元並通過考慮連接的神經元以及相應權重來更新它們。我們認為，Hopfield網路可以通過求逆包含所有神經元之間權重信息的矩陣，而在單個步驟中運行。然後，利用上面討論的量子位嵌入方法，我們可以李勇著名的量子HHL演算法來處理Hopfield網路。與標準計算機上運行的最佳演算法相比，HHL演算法可以在指數級快速時間內對矩陣進行求逆。但是，要利用HHL演算法，我們需要能夠做出哈密爾頓模擬（Hamiltonian simulation）的矩陣。

量子系統的哈密頓函數控制著它如何隨時間演化。因此，哈密頓量模擬是使量子系統以受控方式演化的藝術，因此它的演化與給定的哈密爾頓函數儘可能接近。我們開發的一種新技術，Hopfield網路矩陣的哈密爾頓模擬方法。這是通過在已儲存的記憶模式的批次中反覆的局部交換來實現的。通過局部交換，也就是說我們的量子位與另一組存儲著記憶模式序列的量子位交換。這個結構可以被認為是Hebbian學習的量子模擬（qHeb）。對此，我們將很快發布一篇更詳細的論文。我們的Hopfield網路的量子方法如下所示。我們將量子程序稱之為qHop，它使用量子子程序qHeb。

那麼，這有什麼用呢？

在量子位中編碼神經網路在存儲容量方面具有指數級優勢，而演算法qHop和qHeb則在處理速度上呈指數級增長。這意味著我們可以期望在量子處理器上運行更大的神經網路，並且比使用標準計算機時更快。Hopfield網路本身具有作為模式識別系統的應用，並很好的解決了TSP問題; 讀這本書一個非常明確的解釋。

我們特彆強調了遺傳學中Hopfield網路作為傳染病識別器的應用。我們想像一下，爆發流感已經發生，科學家已經部分測序了病毒的遺傳密碼。他們的目標是將遺傳序列與已知的一種流感病毒如H1N1或H5N1相匹配。通過將部分序列載入到已經存儲了神經元連接權重內的所有已知菌株的Hopfield網路中，科學家可以計算出是哪一種流感病毒導致了疫情的爆發。在下面的圖片中，我們將展示基因數據怎樣依據RNA鹼基對A，C，G和U存儲在網路的神經元中。該圖也對使用常規方法和新的矩陣求逆的方法操作Hopfield網路的模擬結果進行了比較。在量子處理器上運行這個演算法也能提高存儲容量和運行速度。

下一步的工作

我們很高興可以通過量子力學發現Hopfield網路的改進。然而現在，還有更多很多工作尚未完成！如何快速讀入和讀出量子設備的數據仍然需要解決。

與此同時，Xanadu實驗團隊一直致力於創新晶元設計，實現光子量子處理器。我們的主要目標是將量子機器學習的新見解與現實世界的光子量子處理器結合在一起。我們希望在我們的晶元中使用激光，這可能遠遠超出量子位的能力，給機器學習帶來顛覆性的影響。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！