日益复杂和强大的体系架构的发展让深度学习(DL)已经扩展到了大型、异构、复杂和多类问题。伴随而来的是,用于计算的 DL 训练算法变得非常昂贵。随着摩尔定律接近极限,AI 领域正在寻求新的解决方案来解决此问题。量子计算设备的出现,或许可以打破经典计算和热力学限制,但借助量子计算进行 DL 的研究仍处于起步阶段。此外,目前尚不清楚如何将神经网络映射到量子计算机。针对上述问题,来自高通 AI 研究院的两位学者提出了深度学习量子场理论形式化,其中输入信号在高斯态中进行编码。他们展示了将线性和非线性层表征为单一量子门,并将量子模型的本征激发解释为粒子,这种粒子被称为「Hintons」。除了为研究神经网络打开新视角、提供新技术之外,这种量子公式化非常适合光学量子计算,并提供了可以在光学量子计算设备上高效运行的神经网络量子变形。最后,研究者探讨了适合经典模拟的量子变形模型的半经典极限。有意思的是,论文中出现的「Hintons」是对 Geoffrey Hinton 的致敬。
论文地址:/pdf/2103.04913.pdf研究主要贡献本文的主要贡献可以概括为以下四点:展示了如何使用高斯态进行贝叶斯推理;
设计实现标准非线性的幺正算符;
提出量子网络的当前可控极限;
讨论如何在量子计算机上实现所提出的模型。首先,研究人员回顾了概率数值神经网络的框架,该算法对有缺失数据的输入信号进行分类,使用高斯过程 (GP) 对信号进行插值,并使用 GP 表示定义神经网络。然后,该研究引入了一系列量子操作,泛化了概率数字神经网络的经典层。首先,研究人员展示了如何对高斯态进行贝叶斯推理,从而使量子纠缠能够表示智能体对离散化错误的不确定性。在下一步中,将展示如何实现作用于量子场的线性层的量子等效,就像经典线性层作用于经典场一样。最后,研究人员解释了如何在量子模型中嵌入经典神经网络。他们将由此产生的模型解释为量子模型的半经典极限。具体而言,该模型使用量子力学的元素(协方差的不确定性关系)和经典力学的非线性元素(类似于经典非线性,量子非线性作用于量子场)。
神经网络的层次结构。性能测试为了测试半经典神经网络的性能,研究人员在一台光学量子计算机上实现了它,实验表明结果符合预期。下图中,该研究提出的模型在量子光学硬件中实现的高层级描述。输入信号为 X_1、 X_3,对应观测值为 y_1、y_3,中间值 X_2 处的信息丢失了。然后研究人员为所有位置 X_1、X_2、X_3 准备激光束,并使用量子 GP(QGP)推断来创建后验状态。然后,该研究应用一系列线性和非线性层,直到检测器测量到一个可观测值,得到分类输入信号的 C 类。
此外,研究人员还提出了该领域令人兴奋的未来发展方向,例如研究更接近完整量子模型的近似解,找到在量子硬件上进行量子 GP 推理的有效方法,以及进一步发展量子非线性和经典模型的量子形式。
量子计算机底层逻辑 高通AI研究院提出通过量子场论 可将深度神经网络映射到量子计算机...