2024量子人工智能技術(shù)白皮書-量子信息網(wǎng)絡(luò)產(chǎn)業(yè)聯(lián)盟-2024.1

量子人工智能技術(shù)白皮書一、緒論(一)人工智能1.人工智能概述人工智能是機(jī)器，特別是計算機(jī)系統(tǒng)對人類智能過程的模擬。這些過程包括學(xué)習(xí)、推理和自我糾正。人工智能的特定應(yīng)用包括專家系統(tǒng)、語音識別和計算機(jī)視覺等。人工智能是由美國計算機(jī)科學(xué)家約翰·麥卡錫于

1956

年在達(dá)特茅斯會議上創(chuàng)造出來的。近年來它獲得各大媒體與公眾的持續(xù)關(guān)注，部分原因在于大數(shù)據(jù)，或者現(xiàn)在進(jìn)行的業(yè)務(wù)收集數(shù)據(jù)的速度、規(guī)模和種類的增加。人工智能可以執(zhí)行諸如比人類更有效地識別數(shù)據(jù)中的模式等任務(wù)，使企業(yè)能夠從數(shù)據(jù)中獲得更多洞察力。人工智能的發(fā)展大致經(jīng)歷了三個重要階段：1）1950-1970

年代：即人工智能的“邏輯推理”時代。1956

年夏天，美國達(dá)特茅斯學(xué)院舉行了歷史上第一次人工智能研討會，被認(rèn)為是人工智能誕生的標(biāo)志。在會上，麥卡錫首次提出了“人工智能”概念，紐厄爾和西蒙則展示了編寫的邏輯理論機(jī)器。人們當(dāng)時認(rèn)為只要機(jī)器具有邏輯推理能力就可以實現(xiàn)人工智能,但后來發(fā)現(xiàn)這樣還是遠(yuǎn)遠(yuǎn)達(dá)不到智能化水平。2）1970-1990

年代：即人工智能的“知識工程”時代。專家系統(tǒng)的出現(xiàn)使人工智能研究出現(xiàn)新高潮。DENDRAL

化學(xué)質(zhì)譜分析系統(tǒng)、MYCIN

疾病診斷和治療系統(tǒng)、PROSPECTIOR

探礦系統(tǒng)、Hearsay-II語音理解系統(tǒng)等專家系統(tǒng)的研究和開發(fā)，將人工智能引向了實用化。1量子人工智能技術(shù)白皮書人們當(dāng)時認(rèn)為要讓機(jī)器學(xué)習(xí)知識,才能讓機(jī)器變得智能化，但后來發(fā)現(xiàn)將總結(jié)好的知識灌輸給計算機(jī)十分困難。3）2000

年至今：即人工智能的“數(shù)據(jù)挖掘”時代。隨著各種機(jī)器學(xué)習(xí)算法的提出和應(yīng)用，特別是深度學(xué)習(xí)技術(shù)的發(fā)展，人們希望機(jī)器能夠通過大量數(shù)據(jù)分析，從而自動學(xué)習(xí)出知識并實現(xiàn)智能化水平。這一時期，隨著計算機(jī)硬件水平的提升，大數(shù)據(jù)分析技術(shù)的發(fā)展，機(jī)器采集、存儲、處理數(shù)據(jù)的水平有了大幅提高。特別是深度學(xué)習(xí)技術(shù)對知識的理解比之前淺層學(xué)習(xí)有了很大的進(jìn)步，Alpha

Go

和中韓圍棋高手過招大幅領(lǐng)先就是目前人工智能的高水平代表之一。人工智能可以通過多種方式進(jìn)行分類，這里列舉兩種分類的方法，第一種將人工智能系統(tǒng)分類為弱人工智能或強(qiáng)人工智能。弱人工智能，也稱為窄人工智能，是為特定任務(wù)設(shè)計和訓(xùn)練的人工智能系統(tǒng)。虛擬個人助理，如

Apple

的

Siri，是一種弱人工智能的形式。強(qiáng)人工智能，也稱為人工智能，是一種具有廣泛的人類認(rèn)知能力的人工智能系統(tǒng)，因此當(dāng)提出一項不熟悉的任務(wù)時，它具有足夠的智能來尋找解決方案，也就是是否能夠通過由數(shù)學(xué)家阿蘭·圖靈于1950

年開發(fā)的圖靈測試，判斷計算機(jī)是否能真像人一樣思考，盡管該方法存在爭議；第二種是來自密歇根州立大學(xué)綜合生物學(xué)和計算機(jī)科學(xué)與工程助理教授

Arend

Hintze

的分類方法。他將人工智能分為四類，從現(xiàn)有的人工智能系統(tǒng)類型到尚不存在的有感知系統(tǒng)。2.傳統(tǒng)人工智能特點人工智能（Artificial

Intelligence，以下簡稱

AI）的四大特點如下：2量子人工智能技術(shù)白皮書1）自我學(xué)習(xí)和自我進(jìn)化：AI系統(tǒng)能夠自我學(xué)習(xí)和自我進(jìn)化，不斷提高自身的智能水平。2）處理和分析數(shù)據(jù)的能力：AI系統(tǒng)能夠通過數(shù)據(jù)的分析和處理，提取出有用的信息和模式，并做出預(yù)測和決策。3）自動化和智能化的任務(wù)：AI系統(tǒng)能夠執(zhí)行各種自動化和智能化的任務(wù)，如語音識別、機(jī)器翻譯、自動駕駛等。4）與人交互的能力：AI系統(tǒng)能夠與人進(jìn)行交互，如通過語音、圖像等方式與人類進(jìn)行對話，從而不斷學(xué)習(xí)和適應(yīng)人類的語言和文化。(二)量子信息技術(shù)與人工智能的融合量子信息技術(shù)和人工智能都是當(dāng)今最前沿的技術(shù)領(lǐng)域之一，它們在各自的領(lǐng)域內(nèi)都有非常強(qiáng)的影響力和應(yīng)用前景。近年來，越來越多的研究者開始將量子計算和人工智能進(jìn)行深度融合，旨在實現(xiàn)更快速、更準(zhǔn)確和更高效的計算和決策。1.量子信息技術(shù)概述量子信息技術(shù)是量子物理與信息科學(xué)交叉的新生學(xué)科，其物理基礎(chǔ)是量子力學(xué)。而量子力學(xué)則是在

1920

年由愛因斯坦等科學(xué)家首次創(chuàng)立。自從問世以來，量子科學(xué)已經(jīng)先后孕育出原子彈、激光、核磁共振等新技術(shù)，成為

20

世紀(jì)最重要的科學(xué)發(fā)現(xiàn)之一。進(jìn)入

21

世紀(jì)，量子科技革命的第二次浪潮即將來臨。第二次量子科技革命將催生量子計算、量子通信和量子測量等一批新興技術(shù)，將極大地改變和提升人類獲取、傳輸和處理信息的方式和能力。其中，量子通信是較為重要的安全技術(shù)，它是利用量子態(tài)作為信息載體來進(jìn)行信3量子人工智能技術(shù)白皮書息交互的通信技術(shù)，利用單個光量子不可分割和量子不可克隆原理的性質(zhì)，在原理上確保非授權(quán)方不能復(fù)制與竊取量子信道內(nèi)傳遞的信息，以此保證信息傳輸安全。量子信息技術(shù)的三大基本原理：量子比特、量子疊加、量子糾纏。量子比特是量子計算機(jī)的最小儲存信息單位，一個量子比特可以表示

0

也可以表示

1，更可以表示

0

和

1

的疊加，即可處在

0

和

1兩種狀態(tài)按照任意比例的疊加，因此，量子比特包含的信息量遠(yuǎn)超過只能表示

0和

1的經(jīng)典比特。量子信息技術(shù)研究已成為當(dāng)前世界科技研究的一大熱點。國際社會紛紛加大研發(fā)力度和投入，力爭搶占技術(shù)制高點。中國近年來對量子信息技術(shù)的重視和支持力度也逐漸加大，習(xí)近平總書記在2018

年強(qiáng)調(diào)“以人工智能、量子信息、移動通信、物聯(lián)網(wǎng)、區(qū)塊鏈為代表的新一代信息技術(shù)加速突破應(yīng)用”，進(jìn)一步肯定了量子信息技術(shù)的戰(zhàn)略地位。2.量子信息技術(shù)與人工智能雙向賦能以量子計算為例，作為量子信息技術(shù)的關(guān)鍵核心技術(shù)，量子計算與人工智能的結(jié)合，能夠在未來有效提升算力供給能力，從而進(jìn)一步推動人工智能的發(fā)展和應(yīng)用?，F(xiàn)在的人工智能系統(tǒng)使用的是成百上千個

GPU

來提升計算能力。這使得處理學(xué)習(xí)或者智能的能力得到比較大的增強(qiáng)。然而這套系統(tǒng)也需要龐大的硬件機(jī)柜和相配套的硬件機(jī)房，較大的人工智能硬件系統(tǒng)需要將近半個足球場的占地空間。當(dāng)量子芯片中的量子比特達(dá)到一定數(shù)量后，計算能力將完全滿4量子人工智能技術(shù)白皮書足人工智能的算力需求。實現(xiàn)人工智能，原來需要一千臺或者一萬臺計算機(jī)的規(guī)模，使用量子計算機(jī)可能就只需要一臺，也就是說人工智能將不再依賴于大型服務(wù)器集群，或者龐大的云計算中心。在人工智能領(lǐng)域，量子計算的優(yōu)勢主要表現(xiàn)在其可以通過量子并行性和量子態(tài)疊加等優(yōu)勢來處理復(fù)雜的計算問題，從而提高機(jī)器學(xué)習(xí)算法的訓(xùn)練速度和準(zhǔn)確度；通過量子搜索、量子優(yōu)化等方法，提高優(yōu)化算法的效率和精度，從而加速解決各種優(yōu)化問題；通過量子隱形傳態(tài)和量子密鑰分發(fā)等技術(shù)，保障數(shù)據(jù)的安全傳輸和存儲，進(jìn)而保障數(shù)據(jù)的隱私和安全等。在量子計算領(lǐng)域，人工智能的優(yōu)勢主要表現(xiàn)在以下兩個方面：一是改善量子計算中的算法。量子計算需要開發(fā)新的算法和數(shù)據(jù)結(jié)構(gòu)來適應(yīng)量子系統(tǒng)的特點。人工智能技術(shù)可以幫助優(yōu)化和改進(jìn)量子算法的設(shè)計和實現(xiàn)，從而提高量子計算的效率和準(zhǔn)確度。二是改善量子計算中的控制。量子計算需要高精度的控制和測量，而這些控制和測量通常會受到各種噪聲和誤差的影響。人工智能技術(shù)可以幫助改善量子計算中的控制和測量，從而提高量子計算的穩(wěn)定性和可靠性。因此，量子計算和人工智能的深度融合可以帶來巨大的優(yōu)勢和潛力，將有助于推動計算機(jī)科學(xué)和技術(shù)的發(fā)展。二、量子人工智能概述(一)量子人工智能1.量子人工智能的定義5量子人工智能技術(shù)白皮書量子人工智能（Quantum

Artificial

Intelligence，QAI）是一種基于量子計算的人工智能技術(shù)。它利用量子計算機(jī)的特殊性質(zhì)，如量子疊加和量子糾纏，來加速機(jī)器學(xué)習(xí)和優(yōu)化算法，從而實現(xiàn)更高效、更準(zhǔn)確的人工智能應(yīng)用。2.量子人工智能的主要應(yīng)用利用量子人工智能上述自身的這些性質(zhì)，量子人工智能可以設(shè)計出一些特殊的算法，來解決傳統(tǒng)人工智能難以處理的問題。例如，量子人工智能可以用量子神經(jīng)網(wǎng)絡(luò)（Quantum

Neural

Network，簡稱QNN）來模擬復(fù)雜的非線性函數(shù)，從而提高人工神經(jīng)網(wǎng)絡(luò)的表達(dá)能力和學(xué)習(xí)效率。量子人工智能也可以用量子優(yōu)化算法（QuantumOptimization

Algorithm，簡稱

QOA）來尋找最優(yōu)解或近似最優(yōu)解，從而解決組合優(yōu)化、約束滿足、機(jī)器學(xué)習(xí)等領(lǐng)域的難題。在現(xiàn)實生活中量子人工智能也有著廣泛的應(yīng)用前景，它可以在各個領(lǐng)域提供更好的解決方案和服務(wù)。以下是一些量子人工智能的應(yīng)用探索發(fā)展方向示例：1）醫(yī)療健康：量子人工智能可以幫助醫(yī)生進(jìn)行更精確的診斷和治療，例如利用量子機(jī)器學(xué)習(xí)來分析醫(yī)療數(shù)據(jù)，發(fā)現(xiàn)潛在的疾病風(fēng)險和治療方案；利用量子優(yōu)化算法來設(shè)計新型的藥物和疫苗；利用量子神經(jīng)網(wǎng)絡(luò)來模擬生物分子的結(jié)構(gòu)和功能。2）金融服務(wù)：量子人工智能可以幫助金融機(jī)構(gòu)進(jìn)行更高效的風(fēng)險管理和投資決策，例如利用量子機(jī)器學(xué)習(xí)來預(yù)測市場走勢和價格波動；利用量子優(yōu)化算法來優(yōu)化資產(chǎn)組合和交易策略；利用量子神經(jīng)網(wǎng)絡(luò)來模擬復(fù)雜的金融模型和場景。6量子人工智能技術(shù)白皮書3）智慧城市：量子人工智能可以幫助城市管理者進(jìn)行更智能的規(guī)劃和運營，例如利用量子機(jī)器學(xué)習(xí)來分析城市數(shù)據(jù)，提升公共服務(wù)和安全水平；利用量子優(yōu)化算法來優(yōu)化交通網(wǎng)絡(luò)和能源分配；利用量子神經(jīng)網(wǎng)絡(luò)來模擬城市環(huán)境和社會行為?？傊孔尤斯ぶ悄苁且环N基于量子計算的人工智能技術(shù)，它可以利用量子計算機(jī)的特殊性質(zhì)來加速機(jī)器學(xué)習(xí)和優(yōu)化算法，從而實現(xiàn)更高效、更準(zhǔn)確的人工智能應(yīng)用。隨著量子計算機(jī)的發(fā)展和應(yīng)用，量子人工智能將成為未來人工智能領(lǐng)域的重要發(fā)展方向。(二)量子人工智能技術(shù)現(xiàn)狀及趨勢1.全球量子人工智能技術(shù)投資狀況全球量子人工智能技術(shù)的投融資狀況非?；钴S，而且呈現(xiàn)出多元化和不斷增長的特點。這個領(lǐng)域在國內(nèi)也受到了高度關(guān)注，投資機(jī)構(gòu)對于其前景也十分看好。隨著量子人工智能技術(shù)的不斷發(fā)展，未來有理由相信該領(lǐng)域的前景更加廣闊。2021

年，NORDIC

QUANTUM

COMPUTING

GROUP

獲得

875萬美元的種子輪融資，由英特爾、M

Waldau

和

Start

ENGINE

的超級天使基金等多家機(jī)構(gòu)和個人共同投資；Quantistry

完成

175

萬美元的種子融資，由

Gray

Ghost

Ventures、SEIF

and

Joseph

Heiderich等多家機(jī)構(gòu)和個人共同投資；QC

WARE

獲得

2500

萬美元

B

輪融資，該輪融資由

Koch

Industries

投資部門

Koch

Disruptive

Technologies

和世界領(lǐng)先的聚合物公司之一

Covestro

共同領(lǐng)投，三星風(fēng)投和回歸投資者花旗、D.E.Shaw

集團(tuán)和

Pegasus

Tech

Ventures

跟投。2022

年，Quantistry

宣布完成了

500萬美元的超額認(rèn)購種子擴(kuò)展7量子人工智能技術(shù)白皮書融資，由

Redline

Capital領(lǐng)投，現(xiàn)有投資者

Gray

GhostVentures

跟投；Quantum

Machines完成了5000萬美元的

B輪融資，由Red

Dot

CapitalPartners

領(lǐng)投，Exor、Claridge

Israel、Samsung

NEXT、Valor

EquityPartners

、

Atreides

Management

LP

參

投

，

TLV

Partners

、

BatteryVentures、Altshuler

Shaham

以及其他現(xiàn)有投資者跟投，迄今為止，Quantum

Machines

籌

集

的

總

資

金

達(dá)

到

了

7300

萬

美

元

；

ZapataComputing

完成了一輪

3800

萬美元的

B

輪融資，投資方包括霍尼韋爾（Honeywell）等知名公司。2.全球量子人工智能技術(shù)政策全球量子人工智能技術(shù)的政策布局正不斷加強(qiáng)。以下是一些主要國家和地區(qū)在量子人工智能技術(shù)領(lǐng)域的政策情況。美國政府自

2018

年開始連續(xù)發(fā)布了多項戰(zhàn)略性文件，包括《國家量子倡議法案》、《量子網(wǎng)絡(luò)基礎(chǔ)設(shè)施法案》、《量子網(wǎng)絡(luò)基礎(chǔ)設(shè)施和勞動力發(fā)展法案》等，以提高量子科技在全國科研領(lǐng)域中的地位，推動量子科技的發(fā)展。此外，美國政府還與多個私營公司合作，共同推動量子人工智能技術(shù)的發(fā)展。我國近年來加強(qiáng)了量子科技領(lǐng)域的政策布局，發(fā)布了多項重要文件，將量子科技列為未來發(fā)展的重點領(lǐng)域之一。同時也在人工智能領(lǐng)域布局和推動與量子計算等領(lǐng)域的融合發(fā)展，《新一代人工智能發(fā)展規(guī)劃》中明確指出，布局前沿基礎(chǔ)理論研究。針對可能引發(fā)人工智能范式變革的方向，前瞻布局高級機(jī)器學(xué)習(xí)、類腦智能計算、量子智能計算等跨領(lǐng)域基礎(chǔ)理論研究。量子智能計算理論重點突破量子加速的機(jī)器學(xué)習(xí)方法，建立高性能計算與量子算法混合模型，8量子人工智能技術(shù)白皮書形成高效、精確、自主的量子人工智能系統(tǒng)架構(gòu)。歐洲議會于

2018

年通過了《量子技術(shù)公約》，旨在推動歐盟及其成員國在量子技術(shù)領(lǐng)域的協(xié)同發(fā)展。此外，歐盟還提出了“歐洲量子計劃”，旨在推動歐盟在量子技術(shù)領(lǐng)域的投資和研發(fā)，打造全球領(lǐng)先的量子技術(shù)產(chǎn)業(yè)鏈。日本政府在

2017

年提出了《量子計算機(jī)技術(shù)研究開發(fā)培育事業(yè)》，旨在促進(jìn)日本在量子計算機(jī)領(lǐng)域的研發(fā)和應(yīng)用。此后，日本政府又提出了《量子技術(shù)創(chuàng)新計劃》，旨在推動日本在量子科技領(lǐng)域的創(chuàng)新和發(fā)展。總之，全球主要國家和地區(qū)都在量子人工智能技術(shù)領(lǐng)域加強(qiáng)了政策布局，以推動該領(lǐng)域的發(fā)展和產(chǎn)業(yè)化的進(jìn)程。3.全球量子人工智能技術(shù)發(fā)展趨勢量子人工智能利用量子計算的高并行性，提高對大數(shù)據(jù)的處理、分析和挖掘能力，并且借鑒量子力學(xué)的原理，促進(jìn)新型算法的產(chǎn)生，能夠提供全新的計算范式。量子人工智能也有望成為人工智能市場增長的重要驅(qū)動因素。因此，受到產(chǎn)學(xué)研用各方的高度關(guān)注，但是總體來講，量子人工智能技術(shù)和產(chǎn)業(yè)整體還處于技術(shù)萌芽期。美國著名的咨詢公司

Gartner

將一項技術(shù)的發(fā)展進(jìn)程分為五個階段：技術(shù)萌芽期、期望膨脹期、泡沫破裂低谷期、穩(wěn)步爬升復(fù)蘇期和生產(chǎn)成熟期。量子人工智能目前主要集中在實驗室研發(fā)、算法和應(yīng)用場景的探索，少數(shù)商業(yè)公司推出簡單的應(yīng)用服務(wù)或案例演示，符合

Gartner

對技術(shù)萌芽期的定義。處于萌芽期的技術(shù)或服務(wù)在短期內(nèi)會快速發(fā)展，在

1-2

年內(nèi)進(jìn)入期望膨脹期，但是距離成熟商用至少9量子人工智能技術(shù)白皮書需要

10

年的時間。雖然部分量子人工智能算法在含噪中等規(guī)模量子（NISQ）硬件上可以有效運行，但現(xiàn)階段還未成為人工智能領(lǐng)域的主流方案。量子人工智能的發(fā)展面臨諸多挑戰(zhàn)。一是量子計算硬件路線尚未收斂，規(guī)模和性能無法滿足應(yīng)用需求。量子處理器是執(zhí)行量子人工智能算法的“核心引擎”，是制備、操作和測量量子比特與量子邏輯門的物理載體，也是現(xiàn)階段量子計算研究與應(yīng)用的關(guān)鍵方向之一，超導(dǎo)、離子阱、硅基半導(dǎo)體、光量子和中性原子等技術(shù)路線呈現(xiàn)多元化發(fā)展和開放競爭態(tài)勢，尚未出現(xiàn)技術(shù)路線融合收斂趨勢。此外量子人工智能的加速優(yōu)勢還體現(xiàn)在問題規(guī)模上，但是問題規(guī)模越大，量子線路的寬度和深度隨之增大，所需要的量子硬件資源（量子比特數(shù)目）越多，對量子比特性能（如保真度、相干時間）的要求也越高，當(dāng)前的硬件水平無法滿足大規(guī)模應(yīng)用需求。二是缺乏有效的數(shù)據(jù)編碼方法。目前絕大部分的數(shù)據(jù)都是經(jīng)典的，而運行量子人工智能算法需要將經(jīng)典的數(shù)據(jù)編碼到量子比特上。學(xué)術(shù)界已經(jīng)提出諸多中經(jīng)典數(shù)據(jù)的量子表示方法，但是仍處于理論研究和實驗驗證的階段。如何高效、準(zhǔn)確地進(jìn)行經(jīng)典數(shù)據(jù)的編碼仍是未來關(guān)注的熱點。三是缺乏面向

NISQ

的成熟算法。當(dāng)前量子計算硬件處于從實驗樣機(jī)向工程化樣機(jī)轉(zhuǎn)化的關(guān)鍵階段，但是量子比特數(shù)目只有數(shù)百個，并且量子比特的相干時間和保真度還不夠理想，量子錯誤緩解和量子糾錯等技術(shù)尚不成熟。因此在設(shè)計量子人工智能算法時要充分考慮當(dāng)前的硬件水平并且能體現(xiàn)量子加速優(yōu)勢。目前尚沒有成熟的量子人工智能算法被廣泛應(yīng)用于實際的生產(chǎn)生活中。10量子人工智能技術(shù)白皮書三、量子人工智能關(guān)鍵技術(shù)(一)量子人工智能平臺框架鑒于量子人工智能領(lǐng)域在未來發(fā)展的廣闊前景，在真正的容錯通用量子計算機(jī)落地前，國內(nèi)外各家相關(guān)公司早已在其計算框架技術(shù)、軟件服務(wù)方面進(jìn)行了布局，以利用先發(fā)優(yōu)勢吸引和培養(yǎng)潛在用戶。各廠商等通過建立自己的量子人工智能及量子計算等平臺框架來提升行業(yè)影響力，打通自主研發(fā)的芯片和算法，實現(xiàn)軟硬協(xié)同、賦能百業(yè)。以量子機(jī)器學(xué)習(xí)平臺框架為例，其關(guān)鍵技術(shù)組成包括：訓(xùn)練數(shù)據(jù)集管理、量子機(jī)器學(xué)習(xí)模型的定義與訓(xùn)練框架、量子機(jī)器學(xué)習(xí)的訓(xùn)練過程管理與部署、量子機(jī)器學(xué)習(xí)模型分析輔助工具、量子機(jī)器學(xué)習(xí)實例算法庫等。下面是一些國內(nèi)外主流量子公司的量子人工智能相關(guān)的平臺框架技術(shù)。1.IBMQiskitIBM

的量子產(chǎn)品主要以

Qiskit

為核心構(gòu)建。其中，Qiskit

部分的核心是由四部分組成，包括

Terra

線路編輯、Aer

計算仿真模塊、Ignis

糾錯模塊以及

AquaIDE

模塊。Terra

線路編輯模塊是在線路和脈沖級別上構(gòu)成量子程序的基礎(chǔ)模塊，針對特定設(shè)備進(jìn)行了優(yōu)化，同時管理遠(yuǎn)程量子設(shè)備上所執(zhí)行的一批實驗。Aer

計算仿真模塊可以在經(jīng)典處理器在盡最多大程度模擬量子計算。Aer

是基于

QASM

制作。Ignis

糾錯模塊包括更好地表征錯誤，改善門控，以及在存在噪聲的情況下進(jìn)行計算。AquaIDE模塊可用于構(gòu)建量子計算應(yīng)用程序。Qiskit

機(jī)器學(xué)習(xí)包目前只包含樣本數(shù)據(jù)集。Qiskit

有一些分類算11量子人工智能技術(shù)白皮書法，如

QSVM和

VQC，數(shù)據(jù)可以用于實驗，還有

QGAN算法。圖

1

Qiskit梯度計算框架除了

Qiskit

機(jī)器學(xué)習(xí)提供的模型外，還有

TorchConnector，允許用戶將所有的量子神經(jīng)網(wǎng)絡(luò)直接集成到

PyTorch

開源機(jī)器學(xué)習(xí)庫中。Qiskit內(nèi)置梯度計算算法，不僅支持量子梯度也支持函數(shù)梯度計算，除了支持期望值的一階梯度也支持二階梯度（Hessians）計算，這包括了

PyTorch

在反向傳播過程中計算的總體梯度，同時也考慮到了量子神經(jīng)網(wǎng)絡(luò)。Qiskit靈活的設(shè)計還允許將來構(gòu)建到其他包的連接器。2.XanaduPennyLanePennyLane

是

Xanadu

的開源量子計算軟件，是一個用于量子機(jī)器學(xué)習(xí)、量子化學(xué)和量子計算的開源軟件框架，能夠在真實量子計算機(jī)硬件上運行，廣泛用于量子機(jī)器學(xué)習(xí)、化學(xué)和優(yōu)化。PennyLane

作為一個跨平臺的

Python

庫，它實現(xiàn)了一種新的范式：量子可微編程，能夠與機(jī)器學(xué)習(xí)工具無縫集成。支持類似于訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的方式來訓(xùn)練量子機(jī)器學(xué)習(xí)模型。PennyLane

還提供一整套功能、模擬器、硬件和社區(qū)主導(dǎo)的資源，使所有級別的用戶都能輕松構(gòu)建、優(yōu)化和部署量子經(jīng)典應(yīng)用程序。12量子人工智能技術(shù)白皮書圖

2

PennyLane量子機(jī)器學(xué)習(xí)框架示意圖該框架主要特點有，代碼在一次編寫后，可在任何地方運行。程序設(shè)計中，可以自由切換模擬器和量子計算機(jī)硬件類型，不需要對程序進(jìn)行其他更改；將高性能計算和

GPU

與

Xanadu、AmazonBraket、Google、IBM、Rigetti

等公司的量子硬件無縫結(jié)合，輕松地從量子機(jī)器學(xué)習(xí)模型的快速迭代設(shè)計過渡到硬件測試；內(nèi)置量子電路的自動微分技術(shù)，PennyLane

框架知道如何區(qū)分量子設(shè)備是模擬器還是量子計算硬件，自動為作業(yè)選擇最佳算法；支持量子硬件上的機(jī)器學(xué)習(xí)，將量子硬件無縫連接到

PyTorch、TensorFlow、JAX

和NumPy，構(gòu)建起豐富靈活的量子-經(jīng)典模型；靈活性強(qiáng)，從量子優(yōu)化器到量子化學(xué)算法，在構(gòu)建算法時，如果需要額外的工具時，隨手可得；集成度高，從量子優(yōu)化器到量子化學(xué)算法所需的工具應(yīng)有盡有。3.圖靈量子

DeepQuantum圖靈量子提出

DeepQuantum

計算框架，以芯片和算法為核心實現(xiàn)軟硬協(xié)同，基于

Qumode

實現(xiàn)光量子計算模擬，與基于

Qubit的量子計算模擬相結(jié)合，將使得

DeepQuantum

在業(yè)內(nèi)具有特色。圖靈量13量子人工智能技術(shù)白皮書子致力于開發(fā)一個完善的計算框架，為云平臺、量子

AI

教育產(chǎn)品、量子計算比賽、POC

開發(fā)以及內(nèi)部算法應(yīng)用的開發(fā)等提供技術(shù)支撐，也更需要一個高效好用的計算框架，賦能算法開發(fā)，以在更多生物醫(yī)藥、金融科技等應(yīng)用場景中找到潛在的量子增強(qiáng)應(yīng)用。圖靈量子

DeepQuantum

計算框架同時包含基于

Qubit

的量子計算模擬和基于

Qumode

的光量子計算模擬，并且涵蓋量子神經(jīng)網(wǎng)絡(luò)、VQE、高斯玻色采樣等應(yīng)用和演示模塊。DeepQuantum

底層基于張量網(wǎng)絡(luò)技術(shù)（Tensor

Network）進(jìn)行優(yōu)化，框架計算效率和可模擬規(guī)模具有一定優(yōu)勢。圖

3

DeepQuantum量子機(jī)器學(xué)習(xí)計算框架DeepQuantum

加入目前最先進(jìn)的張量網(wǎng)絡(luò)技術(shù)，復(fù)現(xiàn)量子計算領(lǐng)域的研究亮點，并與與圖靈量子公司研發(fā)的芯片打通，支持通過云平臺調(diào)用底層硬件計算資源，未來可通過硬件賦能上層算法應(yīng)用。14量子人工智能技術(shù)白皮書DeepQuantum

還部署到量子智算中心，探索展示具有價值或潛力的應(yīng)用演示。未來，圖靈量子進(jìn)一步打造

DeepQuantum

生態(tài)，持續(xù)提升在行業(yè)內(nèi)的影響力，以優(yōu)質(zhì)社區(qū)吸引各類人才，拓展量子計算生態(tài)，推動實現(xiàn)技術(shù)應(yīng)用賦能。4.百度

Paddle

Quantum量槳是百度基于飛槳開發(fā)的量子機(jī)器學(xué)習(xí)平臺。量槳的主要特點包括：輕松上手，豐富的在線學(xué)習(xí)資源（近

50

篇教程案例），可以通過模板高效搭建量子神經(jīng)網(wǎng)絡(luò)；功能豐富，提供多種優(yōu)化工具和

GPU

模式，通過量易伏可以連接真實的量子計算機(jī)，并且支持多種噪聲模型的模擬；特色工具集，提供組合優(yōu)化和量子化學(xué)等前沿領(lǐng)域的計算工具箱，分布式量子信息處理模組

LOCCNet，基于測量的量子計算模塊，并且包含自研多種量子機(jī)器學(xué)習(xí)算法?；诎俣茸约旱娘w槳平臺，能夠連接真實的量子計算機(jī)，教程功能模塊比較豐富。但也存在模擬器性能等若干提升方向，以及平臺生態(tài)活躍性和吸引力的營造。5.華為

MindQuantumMindQuantum

是基于

MindSpore

的新一代量子計算領(lǐng)域套件，支持多種量子神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和推理。MindQuantum

聚焦于

NISQ

階段的算法實現(xiàn)與落地。結(jié)合

HiQ

高性能量子計算模擬器和昇思MindSpore

并行自動微分能力，MindQuantum

有著極簡的開發(fā)模式和極致的性能體驗，能夠高效處理量子機(jī)器學(xué)習(xí)、量子化學(xué)模擬和量子組合優(yōu)化等問題，為廣大科研人員、教師和學(xué)生提供快速設(shè)計和15量子人工智能技術(shù)白皮書驗證量子算法的高效平臺，讓量子計算觸手可及。

MindSporeQuantum

作為一個通用的量子計算框架，支持全量子和經(jīng)典量子混合計算，可以在經(jīng)典模擬器和量子芯片上運行。圖

4

是

MindQuantum

的架構(gòu)圖，通過量子模擬器算子來對量子體系進(jìn)行模擬，可以完成前向傳播和梯度計算的功能。在此基礎(chǔ)之上，還有量子算法庫，如量子神經(jīng)網(wǎng)絡(luò)、量子化學(xué)模擬的

VQE

和量子優(yōu)化算法

QAOA

等?？蚣艿纳蠈訛榱孔討?yīng)用，基于

MindQuantum的量子算法應(yīng)用到機(jī)器學(xué)習(xí)、化學(xué)模擬和運籌優(yōu)化等計算任務(wù)。圖

4

MindQuantum框架圖6.騰訊

TensorCircuit騰訊

TensorCircuit

提供高性能量子線路和量子算法模擬框架，其軟件原型開發(fā)和開源開始于

2020

年

4

月。Tensorcircuit

面向

NISQ時代，克服了傳統(tǒng)量子模擬軟件的缺陷。為了實現(xiàn)大規(guī)模量子比特和高效率量子模擬，加入了很多代表性能的特性，如基于高效的張量網(wǎng)絡(luò)模擬引擎、支持自動微分、即時編譯、GPU

加速和矢量化并行。因此，相較于

Google、IBM

和

Xandau

等國際主流公司量子框架16量子人工智能技術(shù)白皮書方案，TensorCircuit

在多種常見任務(wù)上報告了

10

到

106

倍的加速。同時，TensorCircuit

在特定問題上實現(xiàn)支持包含數(shù)百個量子比特的線路精確模擬，是主流態(tài)模擬器所支持的最大模擬量子比特數(shù)的二十倍以上。一個具體例子是，TensorCircuit

可在單

GPU

上跑通完整的

600量子比特一維

VQE

工作流（橫場伊辛模型，七層階梯狀雙比特門）。對于該

600

比特系統(tǒng)，單步計算能量和全部線路梯度的耗時約

18s。TensorCircuit

支持

TensorFlow、PyTorch

和

JAX三大最主流的機(jī)器學(xué)習(xí)庫作為后端。TensorCircuit

基于

PyTorch

的

vmap

無法滿足它全部需求的實際，擴(kuò)展為借助其他兩種后端實現(xiàn)相關(guān)計算。整體的編程風(fēng)格類似

JAX

的函數(shù)式編程理念。圖

5

TensorCircuit

的產(chǎn)品特色目前

TensorCircuit

按照“統(tǒng)一量子編程”這一愿景正在持續(xù)進(jìn)行開發(fā)和功能迭代，適用于量子機(jī)器學(xué)習(xí)（QML）相關(guān)任務(wù)的快速實現(xiàn)、算法研究和工業(yè)級部署，為量子機(jī)器學(xué)習(xí)的學(xué)術(shù)研究和應(yīng)用探索能提供可靠高效的平臺。針對目前最流行的三種大模型機(jī)器學(xué)習(xí)架構(gòu)：Transformer、擴(kuò)散模型和圖神經(jīng)網(wǎng)絡(luò)，國際上已經(jīng)有相關(guān)科研工作嘗試使用

TensorCircuit

作為基礎(chǔ)工具實現(xiàn)了量子版本的開發(fā)和實現(xiàn)，形成了一定的學(xué)術(shù)研究影響力。17量子人工智能技術(shù)白皮書7.本源量子

VQNetVQNet

是本源量子開發(fā)的新一代量子與經(jīng)典統(tǒng)一的機(jī)器學(xué)習(xí)框架，該機(jī)器學(xué)習(xí)框架首次將量子與經(jīng)典統(tǒng)一，支持量子機(jī)器學(xué)習(xí)和經(jīng)典機(jī)器學(xué)習(xí)模型的構(gòu)建與訓(xùn)練、經(jīng)典量子混合運算，可連接超導(dǎo)量子計算機(jī)本源悟源，將支撐圖像處理、信號處理、自然語言處理等更多應(yīng)用場景落地。VQNet

集經(jīng)典機(jī)器學(xué)習(xí)模型和量子機(jī)器學(xué)習(xí)模型于一體，可以讓開發(fā)人員更便捷構(gòu)建、運行和優(yōu)化經(jīng)典和量子機(jī)器學(xué)習(xí)算法。可以通過本源量子計算云調(diào)用本源悟源量子計算機(jī)，加速量子機(jī)器學(xué)習(xí)模型中的量子線路計算。同時，VQNet

不僅可以支持量子機(jī)器學(xué)習(xí)模型的訓(xùn)練，也支持經(jīng)典神經(jīng)網(wǎng)絡(luò)模型、量子與經(jīng)典神經(jīng)網(wǎng)絡(luò)混合模型等更多更復(fù)雜的模型的構(gòu)建。這項突破將量子與經(jīng)典統(tǒng)一，讓此框架更加實用。此外，VQNet

將有效助力圖像處理、信號處理、自然語言處理更多應(yīng)用場景落地。圖

6本源量子

VQNet

主頁面(二)量子神經(jīng)元1.神經(jīng)元18量子人工智能技術(shù)白皮書神經(jīng)元是神經(jīng)系統(tǒng)中的基本功能單位，也稱為神經(jīng)細(xì)胞。它們是大腦主要組成部分，負(fù)責(zé)接收、處理和傳遞神經(jīng)信號，以支持生物體的神經(jīng)功能和信息處理。神經(jīng)元通過電化學(xué)過程來傳遞信號。當(dāng)一個神經(jīng)元受到足夠的刺激時，它會產(chǎn)生電信號，該信號會沿著軸突傳播到其他神經(jīng)元的樹突，從而在神經(jīng)網(wǎng)絡(luò)中傳遞信息。神經(jīng)元之間的連接和信號傳遞是神經(jīng)系統(tǒng)功能的基礎(chǔ)，它們協(xié)同工作以實現(xiàn)感覺、思維、運動控制和其他神經(jīng)活動。感知器，也叫感知機(jī)，是受到神經(jīng)元啟發(fā)的數(shù)學(xué)模型。它具有n個輸入節(jié)點(神經(jīng)元)，其值為x

=

{?1，1}，其中k

=

1，

…

，n，這k些輸入節(jié)點連接到單個輸出神經(jīng)元y，連接的重要性用權(quán)重w

∈k[?1，1)

表示，所有輸入的加權(quán)求和表示為:nh(w，x)

=

∑

w

xk

kk=1輸出

y

由激活函數(shù)確定：1，if

h(w，x)

≥

by

=

{?1，

else其中b是一個閾值。Rosenblatt

于

1958

年引入了感知器，對神經(jīng)科學(xué)和人工智能至關(guān)重要。然而，人們發(fā)現(xiàn)感知器只能對線性可分函數(shù)進(jìn)行分類。這一挑戰(zhàn)在

20

世紀(jì)

80

年代通過多層感知器或人工神經(jīng)網(wǎng)絡(luò)得到解決。最近，人們對結(jié)合量子物理和感知器開發(fā)量子神經(jīng)網(wǎng)絡(luò)產(chǎn)生興趣。2.基于相位估計的量子神經(jīng)元上面已經(jīng)介紹了神經(jīng)元，以及它在經(jīng)典計算機(jī)上的模型感知機(jī)。19量子人工智能技術(shù)白皮書神經(jīng)網(wǎng)絡(luò)使用感知機(jī)作為其基本的計算單元，這些感知機(jī)模擬了神經(jīng)元從相鄰神經(jīng)元接收信號，然后根據(jù)信號強(qiáng)度產(chǎn)生激活的現(xiàn)象。作為線性分類器，它們在機(jī)器學(xué)習(xí)的基礎(chǔ)概念中占據(jù)了重要位置。在量子機(jī)器學(xué)習(xí)中，人們試圖基于量子信息理論在量子計算機(jī)上實現(xiàn)神經(jīng)元，即量子神經(jīng)元。受量子相位估計技術(shù)的啟發(fā)，科學(xué)上提出了一個量子感知機(jī)模型。該量子感知機(jī)實現(xiàn)了

step

function

激活，它的計算復(fù)雜度是

O(nlog2

√n)。雖然比經(jīng)典神經(jīng)元相比

O(n)

稍復(fù)雜一些，但是它可以處理非線性可分的數(shù)據(jù)，比如擬合

XOR

函數(shù)。該量子感知器使用相位估計，歸一化輸入h(w，x)

=

φ

∈

[0，1)被轉(zhuǎn)化為量子相位，然后使用量子傅立葉變換解碼相位信息。簡單回顧相位估計算法的作用：t2

?11∑

e2πiφj|j?

?

|y1，

…

，y

?t√2tj=0其中，φ

=

0.

y

?

y

，

φ

這是一個二進(jìn)制的小數(shù)。1t為了使用

Qubit

編碼感知機(jī)，把-1

映射成

0。感知機(jī)是二進(jìn)制的，感知機(jī)的n個輸入可以寫成一個矢量

x

=

(x

，x

，.

.

.

，x

)，可以進(jìn)12n一步被量子態(tài)

|x?

=

|x

，

…

，x

?

表示。有時候人們會把量子態(tài)1n|x?

=

|x

，

…

，x

?

理解為一個正整數(shù)的二進(jìn)制展開，即|x?

=

|x

，1n111…

，x

?表示

x1

+?

+

xn

=

x。n22n20量子人工智能技術(shù)白皮書圖

7基于相位估計的量子神經(jīng)元相位估計的量子感知機(jī)線路分為三個階段：1）將歸一化的網(wǎng)絡(luò)輸入

h(w，x)

=

φ

∈

[0，1)

寫入量子狀態(tài)|x?

=

|x

，

…

，x

?

的相位；1n2）應(yīng)用具有

t

精度的相位估計算法；3）此過程將返回一個量子態(tài)

|y?

=

|y

，

…

，y

?，測量

y

的1t1值，1

表示激活。1212注意，對于任意大于等于的

φ

，y

=

1；對于任意小于1的φ，y

=

0。因此，量子感知機(jī)實現(xiàn)了非線性映射

h(w，x)

→

y

。11下面將完整的描述基于相位估計的量子感知機(jī)的線路。如上圖所示，假定初始狀態(tài)為

|0，

…

，0?|x

，

…

，x

?。該量1n子態(tài)包含兩個寄存器，第一個寄存器由

t

個量子比特構(gòu)成，第二個寄存器由

n

個量子比特組成。后者編碼了所有輸入神經(jīng)元的二進(jìn)制狀態(tài)（注意，-1

值由

|0?

態(tài)表示）。對

第

一

個

寄

存

器

作

用

Hadamard

變

換

產(chǎn)

生

了

疊

加

態(tài)1t?12，

，x

?，其中|j?

表示整數(shù)

j

的二進(jìn)制展開對應(yīng)的∑

?|j?|x…j=01n√2t量子態(tài)的簡寫，即

|j?

=

|j

，

…

，j

?。1t21量子人工智能技術(shù)白皮書對第二個寄存器作用

U(w)，得到U(w)|x

，

…

，x

?

=

e2πiφ|x1，

…

，x

?1nn其中

U(w)

等于U(w)

=

P(2πw

)?P(2πw

)?…

?P(2πw

)12n其中

P(2πw

)

是k10P(2πw

)

=

[]k0

e2πiwk有2πiw

xkP(2πw

)|x

?

=

e|x

?kkkk如下，使用

DeepQuantum

來編程實現(xiàn)一個基于相位估計的量子神經(jīng)元。要使用量子線路實現(xiàn)以下感知機(jī)函數(shù)，考慮只有一個輸入神經(jīng)元

x：h(w，x)

=

wx輸出

y

由激活函數(shù)確定：1，

if

h(w，x)

≥

1/20，

elsey

=

{閾值是

1/2

?；谙辔还烙嫷牧孔痈兄獧C(jī)是一種非確定性的實現(xiàn)方式，所以在上面的實驗中，同一組

x

和

w，經(jīng)典感知機(jī)激活了，但量子感知機(jī)卻沒有激活。好消息是通過增加

t，來提高激活的概率，具體可以參考。3.基于

RUS線路的量子神經(jīng)元22量子人工智能技術(shù)白皮書圖

8基于相位估計的量子神經(jīng)元圖

8

是最基本的量子神經(jīng)元線路，一個

qubit

是一個

neuron。（a）經(jīng)典神經(jīng)元。每一個二進(jìn)制輸入

x

，

...，

x

都被乘以一個1n權(quán)重

w

，最終會被偏置b

，得到激活前的加權(quán)輸入信號

θ

=iw

x

+.

.

.

+w

x

+b。激活后的輸出信號是

a

=

σ(θ)，其中

σ

是非1

1n

n線性激活函數(shù)。（b）量子神經(jīng)元。這里使用

Bloch

球面來表示一個量子比特。輸入比特串被影射成計算基失態(tài)

|x

?，

...，

|x

?。激活1n前的加權(quán)輸入信號

θ

被編碼在

ancilla

量子比特的振幅上。激活后的信號被編碼在

output

量子比特的振幅上。輸出量子比特要比非常接近|1?，要么非常接近|0?，取決于θ

>

π/

4

或者θ

<

π/

4

。（c）重23量子人工智能技術(shù)白皮書復(fù)直到成功線路(Repeat-until-success，

RUS)。RUS

線路根據(jù)

θ

的取值，產(chǎn)生非線性激活效應(yīng)，θ

?

q(θ)。值得注意的是，這里在ancilla

比特上使用旋轉(zhuǎn)門R

(2θ)，通過控制

Y

門讓

ancilla

比特和youtput

比特發(fā)生相互作用，測量

ancilla（如果沒有測到

|0?，就重復(fù)之前的所有操作直到成功），便可以實現(xiàn)對輸出比特的非線性激活。若測到

|0?，則輸出比特最終的狀態(tài)是

R

(2q(θ))|0?。(d)

非線性函y數(shù)

。

q(x)

=

arctan

(tan2

x)

，

q°2(x)

=

q(q(x))

=

arctan

(tan4

x)，q

(x)

=

arctan

(tan2k°kx)。（e）和（c）等價，只是更加清晰。R

(2θ)

=

cos

θ|0?

+sin

θ|1?。y人們可能會好奇，為什么圖

8（b）中輸出比特最終的狀態(tài)是°kR

(2q

(θ))|0?，這是因為可以遞歸調(diào)用

RUS

線路，產(chǎn)生多次激活，y°kθ

?

q(θ)

?

q(q(θ))

?

...

?

q

(θ)。這樣做的目的是增加非線性。本節(jié)介紹的基于

RUS

線路的量子神經(jīng)元可以實現(xiàn)類似

sigmoid的激活函數(shù)q°k(x)，但是激活是非確定性，那么成功的概率是多少呢，或者說平均來講要重復(fù)多少次該線路才能完成激活。相關(guān)研究給出了估計，如下。定理：假設(shè)有一個理想的激活函數(shù)g(x)，如果x

<

π/4，g(x)

=0，其他情況下，g(x)

=

π/

2

；

對于一個量子神經(jīng)元來說，它的輸入角度是φ，用k次迭代來實現(xiàn)激活函數(shù)q°k，要求|q°k(φ)?g(φ)|

≤°k?，輸出是R

(2q

(φ))|0?，平均的運行時間為：yO((n/δ)2.075(1/?)3.15)其中，n

是輸入神經(jīng)元的個數(shù)，δ

是權(quán)重的精度。24量子人工智能技術(shù)白皮書(三)參數(shù)化量子線路的神經(jīng)網(wǎng)絡(luò)近年來，人工神經(jīng)網(wǎng)絡(luò)在各領(lǐng)域都得到了廣泛應(yīng)用，展現(xiàn)出了強(qiáng)大的能力。與此同時，量子計算技術(shù)也在迅猛發(fā)展，近期量子處理器已經(jīng)具備較為穩(wěn)定的計算能力，全球多家量子計算機(jī)公司也能提供各種各樣的量子計算實驗平臺。在各方面技術(shù)的推動下，量子神經(jīng)網(wǎng)絡(luò)這一交叉領(lǐng)域又重新獲取各界學(xué)者的關(guān)注。早期的量子神經(jīng)網(wǎng)絡(luò)大多基于量子計算的相關(guān)物理過程提出，沒有對量子比特、量子線路等具體量子處理器結(jié)構(gòu)進(jìn)行描述，更沒有統(tǒng)一的框架。近期的“量子神經(jīng)網(wǎng)絡(luò)”具有更寬泛的含義，多指代通過量子線路或者量子系統(tǒng)實現(xiàn)的具有網(wǎng)絡(luò)化結(jié)構(gòu)、參數(shù)可訓(xùn)練的計算模型，因此參數(shù)化量子線路可以被視為機(jī)器學(xué)習(xí)模型?；旌狭孔?經(jīng)典系統(tǒng)能使現(xiàn)有的量子設(shè)備充分發(fā)揮作用，在這種混合框架下，本節(jié)圍繞著

NISQ時代的量子線路模型展開，詳細(xì)介紹參數(shù)化量子線路如何像人工神經(jīng)網(wǎng)絡(luò)一樣學(xué)習(xí)。1.NISQ

時代的量子線路學(xué)習(xí)自從

HHL

算法給出了在量子計算機(jī)上實施基本矩陣運算的方法，很多基于量子計算機(jī)的機(jī)器學(xué)習(xí)算法被提出，如量子支持向量機(jī)、量子神經(jīng)元等。這些基于

HHL

算法的核心是相位估計算法，而相位估計算法需要高深度量子線路，這在

NISQ時代是比較困難的。混合量子-經(jīng)典框架下的低深度量子線路模型使

NISQ

時代的量子設(shè)備能充分發(fā)揮作用，變分量子求解器（VQE）、量子近似優(yōu)化算法（QAOA）等都是混合算法的代表，這些混合算法（混合量子-經(jīng)典算法）的核心思想是將問題分成兩部分，分別由經(jīng)典計算機(jī)和25量子人工智能技術(shù)白皮書量子計算機(jī)處理。圖

9混合計算架構(gòu)圖

9

展示了混合框架的學(xué)習(xí)方法。整體方法包含了三個部分：人類、經(jīng)典計算機(jī)、量子計算機(jī)。人類理解問題、選擇合適的模型、將信息“傳達(dá)”進(jìn)模型，經(jīng)典計算機(jī)對數(shù)據(jù)進(jìn)行預(yù)處理、并且選擇參數(shù)化量子線路的參數(shù)集合，量子硬件準(zhǔn)備量子態(tài)、實施量子態(tài)的演化以及測量。測量結(jié)果又被經(jīng)典計算機(jī)處理，最終輸出預(yù)測值。為了提升預(yù)測值的準(zhǔn)確性，經(jīng)典計算機(jī)通過一些優(yōu)化算法來進(jìn)行模型中的參數(shù)更新。這一整個迭代過程是由經(jīng)典計算機(jī)和量子計算機(jī)協(xié)同進(jìn)行的，也就是

“混合”的含義。其中基于量子線路的模型是近期量子神經(jīng)網(wǎng)絡(luò)算法的基本模塊，可以通過調(diào)節(jié)線路中門的參數(shù)來調(diào)節(jié)門的操作。這里是一個簡單參數(shù)化線路的例子，包含兩個參數(shù)化的量子邏輯門操作。首先是一個單量子比特的旋轉(zhuǎn)門操作，旋轉(zhuǎn)角度是可變參數(shù)；然后是一個兩量子比特的控制旋轉(zhuǎn)門操作，旋轉(zhuǎn)門的旋轉(zhuǎn)角度也是可變參數(shù)。26量子人工智能技術(shù)白皮書2.量子線路的基本學(xué)習(xí)方法為了使混合算法適用于機(jī)器學(xué)習(xí)甚至深度學(xué)習(xí)，科學(xué)家們提出了一種通用的混合框架學(xué)習(xí)方法，這種方法為量子深度學(xué)習(xí)提供了重要指導(dǎo)。在監(jiān)督學(xué)習(xí)中，有輸入為

{x

}

，對應(yīng)的標(biāo)簽為

{f(x

)}

。ii算法的輸出為

y

=

y(x

，θ)

，通過更新參數(shù)

θ

使得輸出

y

=iiiy(x

，θ)

與標(biāo)簽

{f(x

)}

靠近。量子計算機(jī)來進(jìn)行關(guān)于輸出

y

=iiiy(x

，θ)

的計算，而經(jīng)典計算機(jī)用來進(jìn)行參數(shù)的更新。學(xué)習(xí)的目標(biāo)i是最小化代價函數(shù)，即通過調(diào)整

θ

使標(biāo)簽與輸出的距離最小。在無監(jiān)督學(xué)習(xí)中，只有輸入數(shù)據(jù)，沒有標(biāo)簽，這時代價函數(shù)就不包含標(biāo)簽數(shù)據(jù)。這種量子線路學(xué)習(xí)方法（稱之為

Quantum

Circuit

Learning，QCL）主要包含五個步驟：1）將輸入數(shù)據(jù)

{x

}

進(jìn)行數(shù)據(jù)的量子態(tài)編碼，得到

|ψ

(x

)?

；iini2）將變分量子線路

U(θ)

作用在編碼量子態(tài)上，編碼量子態(tài)進(jìn)行演化后產(chǎn)生輸出量子態(tài)

U(θ)|ψ

(x

)?

；ini3）對輸出量子態(tài)

U(θ)|ψ

(x

)?

進(jìn)行可觀測量

?O?

期望值的測ini量，對測量結(jié)果進(jìn)行某種變換

F（按需）得到輸出

y

=

y(x

，θ)

，ii其中

y(x

，θ)

=

F(?O(x

θ)?)

；ii4

）

不

斷

迭

代

，

更

新

參

數(shù)

θ

以

最

小

化

代

價

函

數(shù)L(f(x

)，y(x

，θ))

；ii5）評估獨立于訓(xùn)練數(shù)據(jù)集的測試數(shù)據(jù)集的代價函數(shù)。下面將對前四點進(jìn)行討論，第五點“訓(xùn)練-驗證-測試”的思想與經(jīng)典深度學(xué)習(xí)思想完全相同，不再討論。27量子人工智能技術(shù)白皮書3.量子數(shù)據(jù)編碼數(shù)據(jù)表示是深度學(xué)習(xí)中很重要的部分，對于經(jīng)典深度學(xué)習(xí)而言，問題的關(guān)鍵是如何將數(shù)據(jù)以數(shù)值形式表示從而使用經(jīng)典算法來解決問題。對于量子深度學(xué)習(xí)而言，問題的關(guān)鍵是如何將數(shù)據(jù)以適應(yīng)量子系統(tǒng)的形式表示，從而用量子算法解決問題。這個過程被稱為數(shù)據(jù)編碼（也被稱為數(shù)據(jù)嵌入，數(shù)據(jù)上傳）、量子態(tài)編碼。這部分對于量子算法來說至關(guān)重要，因為它直接影響到計算能力。假設(shè)有一個包含有

M

個樣本的經(jīng)典數(shù)據(jù)集

X

，且每個樣本包含

N

個特征：1，

，

m，

，

Mx

}X

=

{x?x?其中

m

=

1，

?

，M

，xm

是N維向量。數(shù)據(jù)編碼的目的是將這組數(shù)據(jù)轉(zhuǎn)化成在量子系統(tǒng)中的表示，接下來將介紹三種常見方式。1)基態(tài)編碼基態(tài)編碼是一種非常直觀的編碼方式，簡單來講，它把一個長度為

N

的二進(jìn)制字符串轉(zhuǎn)化為一個有

N

個量子比特的量子態(tài)。例如

，

x

=

8

，

它

的

二

進(jìn)

制

表

示

為

1000

，

那

么

它

的

基

態(tài)

編

碼

為|1000?

。一般地，對于一個N比特的字符串x

=

(x

，x

，

?

，x

)

，12N則對應(yīng)的

N

量子比特的量子態(tài)為

|x?

=

|x

，x

，

?

，x

?

，其中12Nx

∈

{0，1}，n

=

1，

?

，N

。n對于上述所示數(shù)據(jù)集

X，當(dāng)每一個樣本是一個

N

比特字符串時：xm

=

(x

，x

，

?

，x

)，x

∈

{0，1}，n

=

1，

?

，N

，可以12Nn使用基態(tài)編碼，編碼為量子態(tài)

|xm?

=

|x

，x

，

?

，x

?

。12N將整個數(shù)據(jù)集

X

進(jìn)行基態(tài)編碼有如下表示：28量子人工智能技術(shù)白皮書M1m|X?

=∑

|x

?√Mm=12)振幅編碼振幅編碼將數(shù)據(jù)編碼到量子態(tài)的振幅中，它將一個

N

維的數(shù)據(jù)x

進(jìn)行歸一化，編碼到量子態(tài)

|ψ?

的振幅中：N|ψ

?

=

∑

x

|i?xii=1其中

N

=

2n

，x

是歸一化后的

x

的第

i

個元素，|i?

是第

ii個計算基。對于上述所示數(shù)據(jù)集

X，可以將所有的

M

個

N

維樣本拼接到一個向量中：1，

，

m，

，

Mx

)α

=

(x?x?其中

xm

=

(xm，

?

，xm，

?

，xm)

，那么振幅向量為：1nN1αl2norm=α∥

α

∥2因此將數(shù)據(jù)集

X

進(jìn)行振幅編碼有如下表示：MN|X?

=

∑

α

|i?ii=1其中

α

是振幅向量中的元素，|i?

是計算基。n

個量子比特的i系統(tǒng)可以編碼

2n

個振幅，也就是說，編碼

M×N

個數(shù)字需要n

≥

log

(MN)

個量子比特。舉一個具體的例子：假設(shè)將數(shù)據(jù)集

X

=21，

，

2，進(jìn)行振幅編碼，經(jīng)過拼接以及歸一化后{x

=

(1

2)

x

=

(0

3)}得到振幅向量：29量子人工智能技術(shù)白皮書1αl2norm=(1，2，0，3)√14那么編碼后的量子態(tài)為：1|X?

=(|00?

+2|01?+3|11?)√143)角度編碼角度編碼將數(shù)據(jù)的

N

個特征編碼到

n

個量子比特的

N

個參數(shù)化量子門的旋轉(zhuǎn)角中，N

≤

n，例如將

x

=

(x

，

?

，x

)

進(jìn)行角1N度編碼：|x?

=?N

cos(x

)|0?+sin

(x

)|1?i=1ii這里可以將角度編碼具體到某個量子門來實現(xiàn)（這里用

R

門y舉例），首先回顧一下

R

門的矩陣表達(dá)式：yθcos(θ/2)

?sin

(θ/2)sin

(θ/2)

cos(θ/2)R

(θ)

=

exp(?i

Y)

=

[]y2那么將

x

=

(x

，

?

，x

)

通過

R

門進(jìn)行角度編碼后有：1Ny|x?

=?N

R

(x

)|0?i=1yi上述表達(dá)式可以這樣理解，將

N

個初始量子比特設(shè)置為

|0?

，每一個量子比特經(jīng)過相應(yīng)的旋轉(zhuǎn)門

R

(x

)

作用后，得到的系統(tǒng)的yi態(tài)即為角度編碼后的態(tài)

|x?

。考

慮

數(shù)

據(jù)

集

X

=

{x1

=

(1，2，5，6)，x2

=

(0，3，3，1)，3x

=

(1，1，2，3)}，對它進(jìn)行角度編碼，每個樣本可以使用四個量子比特來進(jìn)行角度編碼。注意：這里

encode

只能針對一條一維的數(shù)據(jù)，如果要進(jìn)行

batch運算，則可以用

for循環(huán)等方法。4.變分量子線路30量子人工智能技術(shù)白皮書混合量子-經(jīng)典算法就是用經(jīng)典優(yōu)化器來訓(xùn)練包含量子線路的模型，熟知的混合算法有

Variational

Quantum

Eigensolver（VQE），Quantum

reservoir

computing

(QRC)等，它們與本章講述的近期通用量子線路學(xué)習(xí)（QCL）有著一定區(qū)別。QRC

和

QCL

的輸出可以定義為

y(x

)

=

w?O?

，w

為權(quán)重向量。變分量子本征求解器（VQE）i的任務(wù)是通過調(diào)節(jié)線路的參數(shù)

θ

直接最小化量子線路的輸出，即最小化

wfixed?O(θ)?

。量子儲備池計算（QRC）的任務(wù)是通過調(diào)節(jié)線性權(quán)重

w

最小化輸出與標(biāo)簽的“距離”，即最小化

∥

f(x)

?w?O(x)?

∥

。量子線路學(xué)習(xí)（QCL）的任務(wù)是通過調(diào)節(jié)線路的參數(shù)

θ

最小化輸出與標(biāo)簽的某種代價函數(shù)，即最小化

L(f(x)，w?O(x，θ)?)

。三者示意圖如圖

10

所示。圖

10變分量子線路變分量子算法就是用經(jīng)典優(yōu)化器來訓(xùn)練參數(shù)化的量子線路。對于經(jīng)典深度學(xué)習(xí)算法，模型通常是一個在經(jīng)典計算機(jī)上運行的神經(jīng)網(wǎng)絡(luò)；對于變分量子算法，模型是一個在量子計算機(jī)（或模擬器）上運行的參數(shù)化量子線路。變分量子算法中的參數(shù)可優(yōu)化的量子線31量子人工智能技術(shù)白皮書路，也稱作變分量子線路。變分量子線路和經(jīng)典神經(jīng)網(wǎng)絡(luò)都可以被看作是由可調(diào)參數(shù)控制的連接的計算單元層，這也是現(xiàn)在廣泛地將變分量子線路稱為“量子神經(jīng)網(wǎng)絡(luò)”的重要原因。這里有一個簡單的例子：對數(shù)據(jù)

x1

=

(1，2，5，6)

使用兩個量子比特進(jìn)行角度編碼（如上一個代碼塊所示），然后使之通過量子變分線路。運行以下代碼，從輸出的圖片看出，前面參數(shù)固定的線路為編碼線路，后面參數(shù)隨機(jī)的線路為變分線路。數(shù)據(jù)通過量子編碼表示成量子態(tài)矢量后，輸入到變分量子線路（酉矩陣）中進(jìn)行變化，這一過程為量子態(tài)的演化，數(shù)學(xué)過程即為簡單的矩陣乘法。不可避免地，變分量子線路面臨著一些挑戰(zhàn)，比如非線性的實現(xiàn)、梯度計算等等。非線性激活函數(shù)是神經(jīng)網(wǎng)絡(luò)成功的關(guān)鍵因素，但是量子線路中門的操作是酉變換，是線性的。因此，如何在量子線路中實現(xiàn)高效且可靠的非線性操作仍然是一個活躍的研究領(lǐng)域，需要進(jìn)一步的研究和創(chuàng)新。注意，前面提到的角度編碼也是引入了非線性。在量子設(shè)備上，計算過程中無法獲取中間某點的量子態(tài)。雖然可以通過測量輔助量子比特來提取有限信息，但任何試圖觀測系統(tǒng)狀態(tài)的嘗試都會破壞其量子特性。因此，很難在量子設(shè)備上實現(xiàn)一種真正類似于反向傳播的線路學(xué)習(xí)算法，因為它依賴計算過程中存儲的網(wǎng)絡(luò)中間狀態(tài)。5.參數(shù)化量子線路的輸出32量子人工智能技術(shù)白皮書數(shù)據(jù)依次經(jīng)過編碼線路、變分線路后，通常伴隨著量子測量。通過對指定量子比特進(jìn)行多次量子測量，得到經(jīng)典數(shù)據(jù)，此數(shù)據(jù)可看作線路的輸出并可以繼續(xù)傳遞到后面的網(wǎng)絡(luò)進(jìn)行下一次運算。例如，在全量子（沒有任何經(jīng)典神經(jīng)網(wǎng)絡(luò)拼接，稱之為混合算法中的全量子模型）的量子分類器中，量子線路的輸出即為預(yù)測值，用來與真實標(biāo)簽計算損失函數(shù)；在混合模型中（與全量子模型相對應(yīng)，混合算法中的混合模型是指模型中既有量子神經(jīng)網(wǎng)絡(luò)又有經(jīng)典神經(jīng)網(wǎng)絡(luò)，稱為混合量子-經(jīng)典模型），量子線路的輸出可以送入下一級經(jīng)典神經(jīng)網(wǎng)絡(luò)中繼續(xù)參與計算。量子線路的輸出通常為測量的期望值。這是因為每次測量可能會得到不同的結(jié)果，需要用一個統(tǒng)計學(xué)量去表示大量的測量結(jié)果，這個統(tǒng)計學(xué)量就是期望。期望是多次重復(fù)測量得到的理論平均值。相關(guān)內(nèi)容可回顧第二章內(nèi)容。期望值作為經(jīng)典數(shù)據(jù)可以被經(jīng)典計算機(jī)處理。在進(jìn)行量子測量時，觀測量的選擇影響著測量結(jié)果。在實踐中，一般選擇

pauli-Z

算子作為觀測量。那么自然地，可以繼續(xù)在上述所示變分線路的最后進(jìn)行量子測量。6.參數(shù)化量子線路的梯度在經(jīng)典深度學(xué)習(xí)中，梯度下降是常用的優(yōu)化策略。在量子深度學(xué)習(xí)中，為了發(fā)揮基于梯度下降的優(yōu)化策略的潛力，獲取量子計算的梯度是至關(guān)重要的，盡管有基于非梯度的方法被提出，如

Nelder-Mead

方法、COBYLA

方法等，但為了保證收斂性和當(dāng)今機(jī)器學(xué)習(xí)軟件工具的可用性，基于梯度的方法受到更廣泛的關(guān)注。傳統(tǒng)的計算梯度的常見方法包括有限差分法、自動微分法等。但這些方法并不適用于近期

QCL

的學(xué)習(xí)：一是由于在

NISQ

時代，33量子人工智能技術(shù)白皮書有限差分法有著很高的錯誤；二是自動微分法（基于鏈?zhǔn)椒▌t原理）是現(xiàn)在的神經(jīng)網(wǎng)絡(luò)最常用高效的準(zhǔn)確計算方法，這種方法需要儲存和重新使用中間導(dǎo)數(shù)。但是量子線路中的中間量子態(tài)是不能被測量的，測量會破壞整體計算（測量通常是最后進(jìn)行的，得到輸出），所以自動微分法并不適用于量子線路的梯度計算。這里要強(qiáng)調(diào)一點，自動微分法仍然可以在更大的框架下使用。由于傳統(tǒng)梯度計算的局限性，參數(shù)位移法和其衍生方法被提出，成為近期計算量子線路梯度的代表方法。參數(shù)位移法，即通過運行兩次結(jié)構(gòu)相同但是參數(shù)不同的線路得到期望值來計算梯度的方法。下圖為混合算法中使用參數(shù)位移法計算梯度的過程。圖

11

參數(shù)位移法參數(shù)位移法提供了一種在近期量子設(shè)備上可操作的計算梯度的簡單方法，并在量子機(jī)器學(xué)習(xí)中發(fā)揮重要作用。參數(shù)位移法的規(guī)則如下：dππf(θ)

=

r[f(θ+

)?f(θ

?

)]4r

4rdθ其中

θ

為對應(yīng)量子門的參數(shù)，

f(θ)

為參數(shù)為

θ

時線路的輸34量子人工智能技術(shù)白皮書ππ出期望值，

θ+和

θ?為兩次位移后的參數(shù)，r

為對應(yīng)量子4r4r門生成元的特征值之差的一半。等式左側(cè)即為線路輸出對于選定量子門參數(shù)的導(dǎo)數(shù)（即梯度），從等式右側(cè)可以看出，只要確定了量子門，這個梯度就可以解析地計算出來。這里提到的參數(shù)位移法則是有一定的使用條件的，量子門的生成元只有兩個不同的特征值，任何其他情況此法則都不適用。為了將基于參數(shù)位移思想的梯度計算方法拓展到更廣泛更通用的情況，不再局限于上述條件，多種多樣的有趣方法被提出，比如基于門分解的方法和引入輔助量子比特的方法等，這些方法各有巧思，但都有著一定的局限性，至今量子線路的梯度計算方法仍然有著巨大的探索空間。(四)量子卷積神經(jīng)網(wǎng)絡(luò)1.混合量子經(jīng)典模型混合量子-經(jīng)典系統(tǒng)能使現(xiàn)有的量子設(shè)備充分發(fā)揮作用。因此本節(jié)將圍繞如何構(gòu)建混合量子-經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)，混合量子-經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的種類，然后介紹基于量子模擬的模型架構(gòu)與實驗效果，以及

2023

年最新的一些混合量子-經(jīng)典卷積模型的應(yīng)用介紹，模型架構(gòu)進(jìn)展介紹。此處介紹的混合量子-經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)與經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)（CNN）的區(qū)別在于，混合量子-經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)將經(jīng)典

CNN

中的某一層經(jīng)典卷積或者全部經(jīng)典卷積替換為量子卷積，經(jīng)典

CNN

的激活函數(shù)、損失函數(shù)、優(yōu)化器都是經(jīng)典算法。同時設(shè)計量子卷積時需要遵守一些經(jīng)典卷積應(yīng)該有的屬性，如量子卷積需要根據(jù)上下層35量子人工智能技術(shù)白皮書網(wǎng)絡(luò)的輸入維度和輸出維度進(jìn)行特征提取，量子卷積層可以堆疊在任意層之上，量子卷積層數(shù)量以及里面的參數(shù)都可操控，量子卷積層的梯度可計算、可更新。結(jié)合參數(shù)化量子線路，結(jié)果發(fā)現(xiàn)可以用來設(shè)計量子卷積。目前已有的混合量子-經(jīng)典卷積模型中的量子卷積有兩種：隨機(jī)量子線路和參數(shù)化量子線路。1)基于隨機(jī)量子線路的混合模型架構(gòu)隨機(jī)量子線路其基本思想是隨機(jī)生成包含不同量子邏輯門的線路結(jié)構(gòu)，一般包括以下幾個步驟:（1）確定量子線路包含的量子比特數(shù)量，即確定希爾伯特空間的維數(shù)。（2）從預(yù)定義的量子邏輯門集中隨機(jī)選擇一系列量子邏輯門，通常包括阿達(dá)瑪門

、CNOT

門等單量子比特邏輯門和雙量子比特邏輯門。（3）隨機(jī)確定這些量子邏輯門之間的連接方式

，即確定每個門作用的量子比特。門的作用順序也是隨機(jī)生成的。對于參數(shù)化門，如旋轉(zhuǎn)門，隨機(jī)生成門參數(shù)，如旋轉(zhuǎn)角度。重復(fù)上述步驟，生成長度為

L的隨機(jī)量子線路。經(jīng)過上述步驟，可以得到一個隨機(jī)的、難以在經(jīng)典計算機(jī)上進(jìn)行精確模擬的量子線路。隨機(jī)量子線路可以創(chuàng)建高維度的量子疊加態(tài)，顯示出強(qiáng)烈的量子特性。它們在量子模擬、量子機(jī)器學(xué)習(xí)等領(lǐng)域有重要應(yīng)用。下面介紹一種使用隨機(jī)參數(shù)化量子線路替代經(jīng)典卷積的混合模型架構(gòu)，也是混合量子-卷積神經(jīng)網(wǎng)絡(luò)模型的開山之作，該工作使用36量子人工智能技術(shù)白皮書圖像基準(zhǔn)數(shù)據(jù)集

MNIST，基于

QxBranch

量子計算機(jī)模擬系統(tǒng)?；旌夏Ｐ图軜?gòu)如下圖所示：圖

12混合量子卷積神經(jīng)網(wǎng)絡(luò)圖

12(A)首先使用

x

個

n

*

n

個

qubits

的量子線路替代經(jīng)典

x

個n

*

n

的卷積核進(jìn)行卷積操作輸出

x

個

feature

map，并對

x個

featuremap進(jìn)行池化，然后經(jīng)過

y

個經(jīng)典卷積核操作后再池化，最后經(jīng)過

2個全連接層輸出；圖

12(B)首先對原始中

n

*

n

的

2

維數(shù)據(jù)展開成一個一維長度為

n

*

n

的向量，利用角度編碼方法將這個向量編碼到

n*

n

個

qubits

的量子線路上，然后經(jīng)過圖中隨機(jī)參數(shù)化量子線路結(jié)構(gòu)的操作后，分別對每一個

qubit

進(jìn)行測量，輸出對應(yīng)原始數(shù)據(jù)

n*n

位置的

feature

map

值，直到量子卷積掃描完整個原始數(shù)據(jù)。上圖中Randomquantumcircuit

部分，設(shè)計的量子線路結(jié)構(gòu)示意圖如下：37量子人工智能技術(shù)白皮書圖

13隨機(jī)量子線路該工作對比的經(jīng)典

CNN

模型架構(gòu)是：CONV1-POOL1-CONV2-POOL2-FC1-FC2，混合模型將

CONV1

替換為

Quanv1，其余部分與經(jīng)典

CNN

模型保持一致。在原論文的實驗結(jié)果中表明

Quanv1

中隨著量子卷積個數(shù)的增加，預(yù)測準(zhǔn)確率逐漸增加，且量子卷積個數(shù)從

1增加到

5

時，預(yù)測準(zhǔn)確率急劇增加，但是從

25

增加到

50

時，預(yù)測準(zhǔn)確率似乎呈現(xiàn)出一種飽和的效應(yīng)：圖

14模型準(zhǔn)確率隨卷積層數(shù)的變化2)基于參數(shù)化量子線路的混合模型架構(gòu)結(jié)構(gòu)式參數(shù)化量子線路替代經(jīng)典卷積的混合模型架構(gòu)研究工作38量子人工智能技術(shù)白皮書較多，此處選擇部分文獻(xiàn)中對結(jié)構(gòu)式參數(shù)化量子線路做講解。文獻(xiàn)不僅提出了一個新的混合模型架構(gòu)，還提出了一個自動計算混合量子-經(jīng)典損失函數(shù)的梯度框架。該工作使用圖俄羅斯方塊數(shù)據(jù)集，展示了該混合模型在分類問題中的良好的效果?；旌夏Ｐ图軜?gòu)如下圖所示：圖

15另一種混合量子卷積神經(jīng)網(wǎng)絡(luò)2.全量子模型全量子卷積神經(jīng)網(wǎng)絡(luò)(Quantum

Convolutional

Neural

Networks，QCNN)是近年來提出的一種量子機(jī)器學(xué)習(xí)模型。QCNN

參考了經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的思想，使用對數(shù)數(shù)量級的參數(shù)來處理指數(shù)數(shù)量級的輸入量子態(tài)。早期的

QCNN

設(shè)計中，利用了多尺度糾纏重整化(Multi-scaleEntanglement

Renormalization

Ansatz，MERA)方法和量子糾錯技術(shù)。39量子人工智能技術(shù)白皮書這使得

QCNN

的參數(shù)量只有對數(shù)級別，因此模型可以高效訓(xùn)練和實現(xiàn)。QCNN

可以看作是

MERA

的逆過程，輸入量子態(tài)經(jīng)過層層的“去糾纏”線路，最終到達(dá)簡單的末態(tài)。池化層中加入了量子糾錯功能，使

QCNN

對局部擾動具有魯棒性。后續(xù)的其它工作在此基礎(chǔ)上對QCNN

的結(jié)構(gòu)進(jìn)行不同的設(shè)計，使用不同的量子門，引入不同非線性等。圖

16全量子卷積神經(jīng)網(wǎng)絡(luò)理論分析表明，QCNN

不存在貧瘠高原問題，參數(shù)梯度不會隨系統(tǒng)大小指數(shù)衰減，因此是可以有效訓(xùn)練的。目前

QCNN

已被成功應(yīng)用于量子相位識別、量子糾錯編碼優(yōu)化等問題。隨著量子計算設(shè)備的發(fā)展，QCNN

有望成為量子機(jī)器學(xué)習(xí)一個有價值的方向。40量子人工智能技術(shù)白皮書1)QCNN與

CNN的聯(lián)系圖

17卷積核卷積神經(jīng)網(wǎng)絡(luò)(CNN)通過卷積和池化操作提取輸入數(shù)據(jù)的多尺度特征表示，實現(xiàn)了出色的圖像和語音識別效果。卷積層通過應(yīng)用卷積核于輸入特征圖，執(zhí)行局部區(qū)域的加權(quán)求和運算以提取空間信息，具有平移不變性；池化層可以有效減少特征圖尺寸的大小，進(jìn)而減少計算量，同時引入非線性提高了模型的表達(dá)能力

。經(jīng)過多層卷積和池化，CNN

形成層次化的特征提取和表達(dá)。量子卷積神經(jīng)網(wǎng)絡(luò)(QCNN)從

CNN

獲得啟發(fā)，使用類似的網(wǎng)絡(luò)結(jié)構(gòu)處理輸入的量子態(tài)

。QCNN

的卷積層以平移不變的方式在有限深度內(nèi)應(yīng)用單一的準(zhǔn)局部酉算子（Quasi-local

Unitary）；池化層則通過對部分量子位特進(jìn)行測量，并將測量結(jié)果應(yīng)用于附近的量子位的酉旋轉(zhuǎn)，實現(xiàn)了系統(tǒng)的壓縮同時也引入了非線性。QCNN

的參數(shù)量只有經(jīng)典卷積的對數(shù)級別，實現(xiàn)了指數(shù)級量子態(tài)的高效處理。QCNN

與量子糾錯碼和張量網(wǎng)絡(luò)等理論相關(guān)，可應(yīng)用于量子相識別等任務(wù)。41量子人工智能技術(shù)白皮書2)QCNN與

MERA的聯(lián)系圖

18QCNN與

MERA的聯(lián)系在上面提到過，QCNN

的結(jié)構(gòu)與

MERA

張量網(wǎng)絡(luò)有著緊密的聯(lián)系，下面將具體介紹它們之間的關(guān)系以及

MERA

張量網(wǎng)絡(luò)的基本介紹。MERA(多尺度糾纏重整化線路)