[论文解读] VQNet: Library for a Quantum-Classical Hybrid Neural Network

Zhaoyun Chen, Cheng Xue+2 more|arXiv (Cornell University)|Jan 26, 2019

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

VQNet 是一种量子-经典混合神经网络框架，可在经典深度学习流水线中实现变分量子线路的端到端可微训练。通过将量子操作（qop 和 qop_pmeasure）与自动微分及反向传播相结合，VQNet 支持基于梯度的优化，成功实现了量子机器学习任务，如量子线路学习、VQE、QAOA 和量子分类，且在非线性函数逼近任务中表现出高精度。

ABSTRACT

Deep learning is a modern approach to realize artificial intelligence. Many frameworks exist to implement the machine learning task; however, performance is limited by computing resources. Using a quantum computer to accelerate training is a promising approach. The variational quantum circuit (VQC) has gained a great deal of attention because it can be run on near-term quantum computers. In this paper, we establish a new framework that merges traditional machine learning tasks with the VQC. Users can implement a trainable quantum operation into a neural network. This framework enables the training of a quantum-classical hybrid task and may lead to a new area of quantum machine learning.

研究动机与目标

• 弥合经典深度学习框架与变分量子线路之间的鸿沟，实现混合量子-经典机器学习。
• 在经典深度学习环境中，实现对量子操作的自动微分与反向传播。
• 提供一个可扩展、可扩展的平台，用于在近期量子硬件上快速原型设计与测试量子机器学习算法。
• 证明可将量子线路作为神经网络中的可训练层，使用标准优化技术进行训练的可行性。
• 通过支持常见组件、优化器以及未来硬件加速，为量子机器学习建立类似 TensorFlow 的生态系统奠定基础。

提出的方法

• 引入两种核心量子操作：qop（用于期望值计算）和 qop_pmeasure（用于概率测量），两者均通过参数偏移规则实现可微。
• 将量子线路作为可微算子嵌入经典计算图中，支持在经典与量子组件之间进行前向与反向传播。
• 使用带可训练参数的参数化量子线路（量子线路构造），并通过 Adam 和动量优化器等基于梯度的方法进行优化。
• 利用参数偏移规则计算损失函数相对于量子线路参数的梯度，实现对量子线路的反向传播。
• 构建混合模型，将量子线路视为神经网络中的层，与经典层联合训练。
• 采用模块化设计，支持在统一框架内集成多种量子算法（如 VQE、QAOA、量子分类器、量子线路学习）。

实验结果

研究问题

• RQ1 变分量子线路能否在经典深度学习框架中无缝集成，并获得对自动微分的完整支持？
• RQ2 在混合神经网络设置中，能否使量子操作实现可微并使用标准基于梯度的优化器进行训练？
• RQ3 VQNet 能否有效训练量子线路以逼近复杂非线性函数，如 x²、eˣ、sin(πx) 和 |x|？
• RQ4 该框架能否为多种量子机器学习算法（如 VQE、QAOA、量子分类）提供一致且可扩展的接口？
• RQ5 在近期量子硬件上的混合学习任务中，VQNet 的性能与经典深度神经网络相比如何？

主要发现

• VQNet 成功实现了可微的量子操作（qop 和 qop_pmeasure），支持前向与反向传播，实现了混合模型的端到端训练。
• 该框架在逼近非线性函数方面表现出色，损失与预测图显示对 y = x²、y = eˣ、y = sin(πx) 和 y = |x| 实现了近乎完美的拟合。
• 在所有测试的函数逼近任务中，损失函数在 200 个训练步骤内稳定收敛，表明使用动量优化器时优化过程稳定。
• VQNet 支持实现多种量子机器学习算法，包括 VQE、QAOA、量子分类和量子线路学习，且接口一致、代码可重用。
• 该框架实现了经典权重（coef）与量子线路参数（theta）的联合优化，证明了在单一训练循环中实现混合参数更新的可行性。
• VQNet 具备可扩展性，设计用于未来与噪声量子模拟器、分布式计算（GPU/TPU）以及高级组件（如自定义损失函数和优化器）的集成。