机器之心报道
机器之心编辑部
来自高通 AI 研究院的学者提出，通过量子场论将深度神经网络直接映射到光学量子计算机上，这一研究发现，为未来开发新型量子神经网络架构铺平了道路。
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： https://arxiv.org/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。
CVPR 2021 线下论文分享会
为更好的服务 AI 社区，促进国内计算机视觉学术交流，机器之心计划于 6 月 12 日组织大型「CVPR 2021 线下论文分享会」。
本次活动将设置 Keynote、 论文分享和 Poster 环节 ，邀请顶级专家、论文作者与现场参会观众共同交流。欢迎论文作者、AI 社区从业者们积极报名参与。
点击阅读原文 ，了解详情并参与报名。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：content@jiqizhixin.com