用量子计算辅助深度学习：研究者提出量子辅助Helmholtz机

人工智能和量子计算毫无疑问是当前计算领域大变革中两大最有发展潜力的技术，相关研究者也一直在努力将这两种技术结合到一起，比如《深度 | MIT 量子专家 Seth Lloyd：量子计算更擅长机器学习，发现传统计算无法发现的数据模式》。近日，来自美国 NASA 阿姆斯研究中心量子人工智能实验室、美国大学空间研究协会（USRA）高级计算机科学研究所（RIACS）、英国伦敦大学学院计算机科学系、美国 SGT Inc. 和哥伦比亚卡塔赫纳大学应用数学研究所的研究者提出了一种量子辅助深度学习框架：量子辅助 Helmholtz 机。乐投网对该研究进行了摘要介绍。

论文：量子辅助 Helmholtz 机：一种用于近期设备中产业数据集的量子经典深度学习框架（Quantum-assisted Helmholtz machines: A quantum-classical deep learning framework for industrial datasets in near-term devices）

 

论文链接：https://arxiv.org/pdf/1708.09784v1.pdf

 

鉴于机器学习的高商业价值和广泛的应用能力，它也被认为是近期量子技术的关键应用之一。在这项工作中，我们介绍了量子辅助 Helmholtz 机：一种混合的量子经典框架，它有望具有处理连续变量上高维度真实世界机器学习数据集的能力。和之前的方法仅仅使用量子计算机来辅助深度学习不同，我们使用深度学习来提取数据的低维二元表征，这很适合可以辅助无监督生成模型的训练的相对较小的量子处理器。为了在真实数据集上演示这个概念，我们使用了 1644 个量子比特构成的有噪声非容错量子设备 D-Wave 2000Q 来辅助在 MNIST 手写数字数据集的一个带有 16×16 连续值像素的下采样版本上的训练。尽管我们是在一个量子退火设备上演示这个概念的，但也可以使用这个灵活的框架探索离子阱技术或超导门模型架构（superconducting gate-model architecture）等其它量子平台。

 

图 1：量子辅助机器学习（QAML）的架构。(a) 量子辅助 Helmholtz 机（QAHM）；(b) 量子辅助深度信念网络（QADBN）；(c) 量子辅助深度玻尔兹曼机（QADBM）。在第 2 节中可以看到对本图中的架构的简要描述。

 

算法 1：在量子退火设备上的用于量子辅助 Helmholtz 机的 wake-sleep 算法

 

图 2：在 DW2000Q 量子退火设备上的 QAHM 的实验实现方案。识别网络（recognition network）(a) 是完全经典的，可以避免为数据集（来自 MNIST 手写数据的一个下采样版本，包含 7291 个数字）中的每个点都调用该量子设备。在这些实验中，我们使用了两个包含 120 和 60 个隐藏二元变量的集合 u1 和 u2，它们分别代表第一和第二个隐藏层。我们使用了 266 个连续单元 v 来编码这些 16×16 图像中的灰度像素，并且使用了 10 个可见的二元变量来编码数字的类别。在第二个隐藏层中的变量 u2 通过一个嵌入有效地完完全全地连接到了量子退火设备的 1644 个量子比特，表示了变量 z（参阅参考文献 [14]）。尽管该量子设备是生成网络 (b) 的一部分，但识别网络中 60 个变量的每一个都会根据嵌入进行复制，从而实现两个网络之间必要的对应。该训练算法的详细情况参阅第 3 节。(c)：在训练后通过生成器网络（generator network）得到的数字。(d)：与 (c) 中生成的图像的 Euclidean 距离最近的训练集图像。注意由网络生成的数据 (c) 并不是训练数据集图像的复制品。(e)：由该模型生成的一些样本以及它们最可能的类别。在视觉效果上，这种量子辅助模型看起来大多数时候能将类别和像素正确对应。