编 | 心缘
当物理排序遇到机器学习，会相遇甚么新火光？
智小东西3月10日最新消息，Google那时正式宣布面世物理机器学习库TensorFlow Quantum（TFQ）。
该辅助工具能构筑量子统计数据集、蓝本混和物理数学模型和经典之作机器学习数学模型，全力支持物理电阻工具包和体能训练辨别和聚合物理数学模型。
TFQ绿皮书《TensorFlow Quantum：用作物理机器学习的应用软件架构》已在3月6日递交给预稿本网络平台arXiv。学术论文译者有20多名，依次源自Google最谜样的职能部门Google X、埃姆斯理工学院物理排序科学研究院、NASA的Quantum AI Lab、德国大众和Google Research。
绿皮书中写到：“我们期望那个架构为物理排序和机器学习科学研究界提供更多必要性的辅助工具，以积极探索经典之作和育苗物理控制系统的数学模型，并最后辨认出可能将造成物理竞争优势的新物理演算法”，“今后，他们期望扩充全力支持的自订模拟硬体的覆盖范围，以主要包括GPU和TPU集成。”
自今年Google处子秀“物理强权”后，相继有信息技术公司申明踏进物理排序而此先行者的DT排序主力部队，新一代的发布除了谷歌云物理排序服务项目Azure Quantum、Amazon云服务项目Amazon Braket和霍尼韦尔袖珍“亚洲地区机能最强大的排序机”。
废话不多说，快来看看Google这次的新发布究竟有何亮点？
TFQ绿皮书：https://arxiv.org/pdf/2003.02989
物理学家理查德·费曼（Richard Feynman）曾说过：“自然不是古典的，该死的，因此，如果要模拟自然，最好将其变成物理力学的。”
由于自然现象遵循物理规则，因此Masoud Mohseni认为，如果机器学习数学模型要准确地反映世界，那么它们也必须是物理的。
机器学习（ML）虽然不能准确地模拟自然界中的控制系统，但能学习控制系统数学模型并预测控制系统的行为。过去几年，经典之作机器学习数学模型为解决具有挑战性的科学问题带来新期望，主要包括癌症早筛、余震预防、天气预测、行星积极探索等。
随着物理排序发展的新一代进展，新的物理机器学习数学模型的开发可能将会对世界上最大的问题产生深远的影响，从而在医学、材料、传感和通信等领域取得突破。
物理机器数学模型能处理物理统计数据，并在当今可用的物理排序机上执行处理任务。但迄今为止，人们缺乏科学研究辅助工具来辨认出有用的物理机器数学模型。
因此，Google科学研究人员与埃姆斯理工学院、德国大众等机构的科学研究人员合作，研发用作快速建立物理机器学习数学模型蓝本的开放源码库TensorFlow Quantum（TFQ）。
从事过育苗智能相关科学研究的学者和从业者对GoogleTensorFlow都不陌生，它是亚洲地区最流行的机器学习开放源码架构，提供更多很多可重复使用的代码，使体能训练机器学习数学模型变得更简单快捷。
TFQ是TensorFlow中的一个开放源码库，它能让使用者不必被物理排序的种种细节所困扰，更快更方便地编写物理应用程序，让处理物理统计数据变得更加容易。
TFQ提供更多了能将物理排序和机器学习科学研究界聚集在一起的必要性辅助工具，以控制和建模自然或育苗物理控制系统。例如嘈杂中型物理（NISQ）处理器，具有约50-100物理位。
使用者能在实际的物理排序机和经典之作排序机上模拟之间切换。也就是说，能先在模拟中调试物理应用程序，然后再尝试在完整的物理设置上运行它。
负责TFQ项目的Masoud Mohseni期望，编码人员将使用TFQ来辨认出基本可重用的新演算法。
在底层，TFQ将Cirq与TensorFlow应用软件控制系统在一起，并通过提供更多与现有TensorFlow API兼容的物理排序基元和高性能物理电阻模拟器，为辨别式和聚合式物理经典之作数学模型的设计和实现提供更多高级抽象。
Criq Github链接：https://github.com/quantumlib/Cirq
物理数学模型具有以物理力学原点表示和概括统计数据的能力。
不过，要理解物理数学模型，还需引入两个概念：和。
物理统计数据表现出叠加和纠缠，从而导致联合概率分布，这可能将需要成倍数量的经典之作计算资源来表示或存储。
能在物理处理器、传感器、网络上聚合/模拟的物理统计数据，主要包括化学物质和物理物质的模拟、物理控制、物理通信网络、物理计量学等等。
值得注意的是，NISQ处理器聚合的物理统计数据是嘈杂的，通常在测量发生之前就被纠缠了。
而将物理机器学习应用作嘈杂的纠缠物理统计数据，就能最大程度地提取有用的经典之作信息。
受到这些技术的启发，TFQ库提供更多了用作开发数学模型的原语，该数学模型可解开并概括物理统计数据中的相关性，从而为改进现有物理演算法或辨认出新的物理演算法提供更多了机会。
由于近期的物理处理器仍然很小且嘈杂，因此物理数学模型不能单独使用物理处理器，NISQ处理器需要与经典之作处理器协同工作才能生效。
TensorFlow已经全力支持跨CPU、GPU和TPU的异构排序，非常适合试验混和物理经典之作演算法。
TFQ包含指定物理排序所需的基本结构，如物理位、门、电阻和测量运算符等。然后用户指定的物理排序就能在模拟中或在实际硬体上执行。
Cirq还包含大量机制，可帮助用户设计NISQ机器（例如编译器和调度程序）的高效演算法，并使混和物理经典之作演算法的实现能够在物理电阻工具包上运行，并最后在物理处理器上运行。
科学研究人员已将TFQ用作混和物理经典之作卷积神经网络、用作物理控制的机器学习、用作物理神经网络的分层学习、物理动力学学习、混和物理态的聚合建模和通过经典之作递归神经网络，并在TFQ绿皮书中列有对这些物理应用的回顾，每个示例都能在其科学研究资料库中通过Colab在浏览器中运行。
如图是TFQ的应用软件堆栈，共6层，显示了它与TensorFlow、Cirq、排序硬体的交互。
▲TFQ的应用软件堆栈
顶层为要处理的物理统计数据，经典之作统计数据由TensorFlow本地处理，TFQ增加了处理物理统计数据（由物理电阻和物理算子组成）的能力。
第二层是TensorFlow中的Keras API。
第三层是物理层和微分器，当与经典之作TensorFlow层连接时，它们可实现混和物理-经典之作自动区分。
第四层有TF Ops，用作实例化统计数据流图。定制Ops控制物理电阻执行。
这些电阻能通过调用TFQ qsim或Cirq在模拟模式下运行，或者最后将在TPU、GPU、CPU、QPU硬体上执行。
关于如何使用量子统计数据，能考虑使用物理神经网络对物理态进行监督分类。
与经典之作机器学习一样，物理机器学习的关键挑战是对“噪声统计数据”进行分类。要构筑和体能训练这样的数学模型，科学研究人员能执行如下操作：
TFQ全力支持科学研究人员在单个排序图中将物理统计数据集、物理数学模型和经典之作控制参数构造为张量。
物理统计数据作为张量加载，每个物理统计数据张量都指定为用Cirq编写的物理电阻，该电阻可实时聚合物理统计数据。张量由TensorFlow在物理排序机上执行以聚合物理统计数据集。
可使用Cirq对物理神经网络进行蓝本设计，然后将其嵌入TensorFlow排序图中。基于物理统计数据结构的知识，可从几大类中选择参数化的物理数学模型。
该数学模型的目标是执行物理处理，以提取隐藏在通常纠缠状态下的信息。换句话说，物理数学模型实质上是对输入的物理统计数据进行解纠缠，从而留下以经典之作相关性编码的隐藏信息，从而使其可用作本地测量和经典之作后处理。
物理态的测量从经典之作随机变量中以样本形式提取经典之作信息。源自该随机变量的值的分布，通常取决于物理态本身和所测得的可观测值。
由于许多变分演算法都取决于测量的平均值（也称为期望值），因此TFQ提供更多了对涉及步骤（1）和（2）的多个运行求平均值的方法。
提取经典之作信息后，其格式适用作进一步的经典之作后处理。
由于提取的信息可能将仍会以测量的期望之间的经典之作相关性进行编码，因此经典之作深度神经网络能应用作提取此类相关性。
根据经典之作后处理的结果，评估成本函数。例如如果标记了物理统计数据，则基于数学模型执行分类任务的精确度；或者如果任务不受监督，则基于其他标准。
评估成本函数后，应沿预期可降低成本的方向更新自由参数，通常通过梯度下降执行。
▲TFQ中混和辨别数学模型推理和体能训练的高级抽象排序过程
TensorFlow能在排序机集群之间并行化排序，并能够在多核排序机上模拟相对较大的物理电阻，从而实现了而此目标。
为了实现后者，Google还正式宣布发布新的高性能开放源码物理电阻工具包qsim，该工具包已证明能在111秒内在一个Google云节点中以14栅极深度模拟一个32物理比特物理电阻。
该工具包特别针对多核英特尔处理器进行了优化。结合TFQ，Google科学研究人员60分钟内在Google云节点（n2-highcpu-80）上以20栅极深度对20物理位物理电阻进行了100万次电阻模拟。
qsim Github链接：https://github.com/quantumlib/qsim
TFQ并不是用作物理机器学习的第一个辅助工具包。例如多伦多的物理排序初创公司Xanadu提供更多了一个类似的网络平台，称为Pennylane。
不过在Xanadu科学研究人员内森·基洛兰（Nathan Killoran）看来，Google在做的当之为一件大事。他认为，开发人员围绕着TensorFlow等知名辅助工具建立社区、共享代码和想法，将推动创新。
物理应用软件也开始走向主流。
今年夏天，谷歌开放源码了其物理排序开发套件及Q#编译器和工具包，11月又正式宣布开放云物理排序服务项目Azure Quantum的计划。谷歌与物理硬体供应商通用电气、IonQ、QCI的合作关系，将使现有谷歌产品能与物理排序机一起使用。
今年12月，AmazonAWS发布推进物理排序技术计划的云服务项目Amazon Braket，可为客户提供更多开发环境以构筑物理演算法，在模拟物理排序机上对其进行测试，并在各种不同的物理硬体架构上进行尝试。物理硬体供应商D-Wave、IonQ和Rigetii均是其合作伙伴。
同一时间，Amazon还正式宣布成立物理解决方案实验室，并和Braket共同正式宣布在加州理工学院建立AWS物理排序中心，将把Amazon科学研究人员和工程师与物理排序的学术机构召集在一起，以开发机能更强大的物理排序硬体，并确定新颖的物理应用。
总部位于不列颠哥伦比亚省的物理排序公司D-Wave Systems，上个月还发布了其新版Leap辅助工具包，用于物理应用程序开发。
多家大型公司正在使用Leap来开发内部物理应用软件。其中，德国大众公司（Volkswagen）建立了超精确的公共交通工具包来计划公交路线，意大利电信公司（Telecom Italia）建立了用作优化5G网络的物理应用程序。
就上周，通用电气正式宣布“在物理排序方面的突破，将加速物理排序机的机能”，称“使该公司能够在未来三个月内发布亚洲地区机能最强大大的物理排序机。”
而在接下来的三个月内，IBM可能将会发布物理容量为64的物理排序机，英特尔也可能将会发布其物理排序科学研究的相关进展，物理排序的主力部队正在变得愈发热闹。
当前TFQ主要面向在经典之作物理电阻工具包上执行物理电阻。据Google AI Blog介绍，未来TFQ将能够在Cirq全力支持的实际物理处理器（主要包括Google自己的Sycamore物理芯片）上执行物理电阻。
目前，物理机器学习仍然是一个利基市场。Google将机器学习和物理排序结合的方法，有助于催生更多相关的创新科学研究，他们也期待在更多应用软件辅助工具的涌现能加速辨认出新的物理演算法，从而突破更多颇具挑战性的科学难关。
