量子计算碰上机器学习，谷歌今日的博客介绍了他们在量子神经网络方面的最新进展。
谷歌人工智能量子团队自成立以来，一直致力于理解量子计算在机器学习中的作用。现有算法对全局优化的作用表明，量子计算机可能有助于更快地训练机器学习中的现有模型，因此谷歌正在构建实验型的量子计算机来调查复杂的量子系统是如何进行这些计算的。虽然这项研究可能很有价值，但还无法证明量子计算机能够提供一种方式来了解物理系统中的复杂模式，这一点传统的计算机任何时候都无法做到。
谷歌人工智能量子团队最近发表了两篇论文，这两篇论文在理解量子计算机对学习任务的作用方面取得了进展。第一篇论文构建了一个神经网络的量子模型，来研究如何在量子处理器上执行分类任务。在第二篇论文中，谷歌展示了量子几何的独特特征是如何改变了训练这些网络的策略的，并为更稳健的网络训练提供了指导。
在论文《Classification with Quantum Neural Networks on Near Term Processors》中，谷歌构建了一个量子神经网络（QNN），该模型专为短期内可能出现的量子处理器而设计。虽然目前的工作主要都是理论上的，但它们的结构有助于在不久的将来在量子计算机上进行的实现和测试。这些 QNN 可以通过标记数据的监督学习来调整，谷歌表明有望训练 QNN 在著名的 MNIST 数据集上进行图像分类任务。用更大的量子设备跟踪这一领域的研究可能会导致量子网络学习模式的能力不如流行的经典网络。
论文链接：https://arxiv.org/abs/1802.06002
量子神经网络进行分类。上图描述了一个简单的量子神经网络，相比于典型深度神经网络中的隐藏层，图中的方框表示纠缠行为或者说是「量子门」。在超导量子位环境中，可以通过对应每个方框的微波控制脉冲实现这一点。
在论文《Barren plateaus in quantum neural network training landscapes》中，谷歌聚焦于量子神经网络的训练、探查经典神经网络中的关键难题，即梯度消失、爆炸的问题。在传统神经网络中，神经元权重较好的无偏见初始猜测大多与随机性有关，尽管有时也有些困难。这篇论文表明，量子几何的独特特征能够明确地防止梯度问题成为量子案例中的好策略，相反它会带你进入贫瘠的高原（barren plateaus）。该研究可能为未来初始化、训练量子神经网络时提供策略。
论文链接：https://www.nature.com/articles/s41467-018-07090-4
QNN 梯度消失：高维空间的测量浓度。在高维空间中，如量子计算机这样的探索，大量的状态反常识地处于超球面中纬线（左图）的附近。这意味着在随机选择时（右图），这一空间中的任意平滑函数将大概率倾向于采取接近平均值的数值。
该研究为构建、训练量子神经网络提供了改进的阶梯。特别是，使用谷歌硬件对量子神经网络的实验实现，能够让我们在近期内快速探索量子神经网络。谷歌研究团队希望源自这些几何学状态的洞见能带来训练这些网络的新算法，这也是解锁未来潜力的重要之处。
原文链接：https://ai.googleblog.com/2018/12/exploring-quantum-neural-networks.html
