[论文解读] TensorFlow Quantum: A Software Framework for Quantum Machine Learning

Michael Broughton, Guillaume Verdon+27 more|arXiv (Cornell University)|Mar 6, 2020

Quantum Computing Algorithms and Architecture参考文献 13被引用 311

一句话总结

tldr: TFQ 是一个开源库，将 Cirq 与 TensorFlow 集成，以便在经典或量子数据上实现混合量子-经典模型的快速原型设计和训练，并通过量子线路进行可微分的反向传播。

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.

研究动机与目标

• 促使并实现对量子和经典数据的混合量子-经典模型的快速原型设计。
• 在 TensorFlow/Keras 内为设计和训练量子模型提供高级抽象。
• 连接 Cirq 与 TensorFlow，以支持可微分的量子线路和反向传播。
• 提供高性能的量子线路仿真和跨应用的实际演示。
• 促进对先进量子学习任务及潜在量子优势的探索。

提出的方法

• 引入四条设计原则：可微分性、线路分批、执行后端无关性与极简主义。
• 将量子线路和算子表示为张量，输入到 TensorFlow 运算以进行仿真或硬件执行。
• 提供可微分的期望值计算和多种梯度方法（有限差分、参数平移、随机方法）用于量子线路。
• 利用原生高性能仿真器（qsim），并通过 tfq.convert_to_tensor 将 Cirq 对象整合，便于无缝图构建。
• 展示一个最小化的混合模型以及从线路构建到反向传播的可扩展工作流，在 TFQ 堆栈内。

实验结果

研究问题

• RQ1 如何在经典 ML 框架内设计一个软件栈，使参数化量子线路能够进行可微分、分批次执行？
• RQ2 Cirq 为基础的量子线路概念是否能够与 TensorFlow 有效桥接，以在训练和评估中支持混合量子-经典模型？
• RQ3 将 TFQ 应用于量子数据和混合学习任务的实际应用和工作流有哪些？
• RQ4 哪些策略（例如梯度估计器、逐层训练）有助于缓解混合量子-经典模型的训练挑战？

主要发现

• TFQ 使在 TensorFlow/Keras 内通过混合量子-经典模型实现可微分反向传播成为可能。
• 它支持批量线路执行、自动化期望估计，以及量子线路的多种梯度计算。
• TFQ 提供高性能的量子线路仿真器（qsim）和硬件无关的执行后端选项。
• 该框架支持一系列应用，包括量子数据分类、量子控制和类似 QAOA 的问题，以及元学习和强化学习等高级任务。
• TFQ 架构强调利用现有的 Cirq 与 TensorFlow 能力，以最大程度降低用户的新学习曲线。