[논문 리뷰] TensorFlow Quantum: A Software Framework for Quantum Machine Learning

Michael Broughton, Guillaume Verdon외 27명|arXiv (Cornell University)|2020. 03. 06.

Quantum Computing Algorithms and Architecture참고 문헌 13인용 수 311

한 줄 요약

TFQ는 Cirq를 TensorFlow와 통합하여 고전 데이터나 양자 데이터에서의 하이브리드 양자-고전 모델의 신속한 프로토타이핑과 학습을 가능하게 하는 오픈 소스 라이브러리로, 양자 회로를 통한 미분 가능한 역전파를 제공합니다.

ABSTRACT

We introduce TensorFlow Quantum (TFQ), an open source library for the rapid prototyping of hybrid quantum-classical models for classical or quantum data. This framework offers high-level abstractions for the design and training of both discriminative and generative quantum models under TensorFlow and supports high-performance quantum circuit simulators. We provide an overview of the software architecture and building blocks through several examples and review the theory of hybrid quantum-classical neural networks. We illustrate TFQ functionalities via several basic applications including supervised learning for quantum classification, quantum control, simulating noisy quantum circuits, and quantum approximate optimization. Moreover, we demonstrate how one can apply TFQ to tackle advanced quantum learning tasks including meta-learning, layerwise learning, Hamiltonian learning, sampling thermal states, variational quantum eigensolvers, classification of quantum phase transitions, generative adversarial networks, and reinforcement learning. We hope this framework provides the necessary tools for the quantum computing and machine learning research communities to explore models of both natural and artificial quantum systems, and ultimately discover new quantum algorithms which could potentially yield a quantum advantage.

연구 동기 및 목표

• 양자 및 고전 데이터에 대한 하이브리드 양자- 고전 모델의 빠른 프로토타이핑을 동기 부여하고 가능하게 한다.
• TensorFlow/Keras 내에서 양자 모델 설계 및 학습에 대한 고수준 추상화를 제공한다.
• Cirq와 TensorFlow를 연결하여 차별화 가능한 양자 회로와 역전파를 지원한다.
• 고성능 양자 회로 시뮬레이션과 실제 응용에서의 실용적 시연을 제공한다.
• 고급 양자 학습 작업의 탐색과 잠재적 양자 이점을 촉진한다。

제안 방법

• 네 가지 디자인 원칙을 도입한다: 차별화 가능성, 회로 배치, 실행 백엔드에 대한 중립성, 그리고 최소주의.
• 양자 회로와 연산자를 텐서로 표현하여 시뮬레이션 또는 하드웨어 실행을 위한 TensorFlow 연산으로 공급한다.
• 차별화 가능한 기대값 계산과 여러 그래디언트 방법(유한 차이, 매개변수 시프트, 확률적 방법)을 양자 회로에 대해 제공한다.
• 내재된 고성능 시뮬레이터(qsim)를 활용하고 tfq.convert_to_tensor를 통해 Cirq 객체를 통합하여 매끄러운 그래프 구성을 가능하게 한다.
• 최소한의 하이브리드 모델과 회로 구성에서 역전파에 이르는 확장 가능한 워크플로를 TFQ 스택 내에서 시演한다.

실험 결과

연구 질문

• RQ1 매개변수화된 양자 회로의 차별화 가능하고 배치 실행을 고전 ML 프레임워크 내에서 가능하게 하는 소프트웨어 스택은 어떻게 설계할 수 있는가?
• RQ2 Cirq 기반의 양자 회로 개념을 TensorFlow와 효과적으로 bridGe하여 학습 및 평가에서 하이브드 양자-고전 모델을 지원할 수 있는가?
• RQ3 TFQ를 양자 데이터 및 하이브리드 학습 작업에 적용하기 위한 실용적 응용과 워크플로우는 무엇인가?
• RQ4 훈련의 어려움을 완화하기 위한 전략(예: 그래디언트 추정기, 계층별 학습)은 무엇인가?

주요 결과

• TFQ는 텐서플로우/Keras 내부에서 하이브리드 양자-고전 모델에 대한 차별화 가능한 역전파를 가능하게 한다.
• 배치 회로 실행, 자동 기대값 추정, 그리고 양자 회로에 대한 다양한 그래디언트 계산을 지원한다.
• TFQ는 고성능 양자 회로 시뮬레이터(qsim) 및 하드웨어에 구애받지 않는 실행 백엔드 옵션을 제공한다.
• 이 프레임워크는 양자 데이터 분류, 양자 제어, 및 QAOA 유사 문제는 물론 메타러닝 및 강화학습과 같은 고급 작업에 이르는 다양한 응용을 가능하게 한다.
• TFQ 아키텍처는 사용자 학습 곡선을 최소화하기 위해 기존 Cirq 및 TensorFlow 기능을 활용하는 데 중점을 둔다.