[[334883]]

近日，由圣母大學姜煒文博士后，史弋宇教授和 IBM 研究院 Jinjun Xiong 博士開展的研究，實現了首個機器學習和量子計算協同設計框架，QuantumFlow，為神經網絡在量子計算機上的實現鋪平了道路。

QuantumFlow 框架能夠自動地完成神經網絡到 IBM 量子計算機的部署。

原文鏈接: https://arxiv.org/pdf/2006.14815.pdf

神經網絡加速迎來新玩家

量子計算機是一種使用量子邏輯進行通用計算的設備，使用量子比特進行數據存儲，使用量子算法來進行數據操作。

量子計算研究可以追溯到 19 世紀 60 年代，在 2016 誕生了首臺可編 程量子計算機。IBM 于 2019 年 1 月展示了商業化量子計算機 IBM Q，并預測將于 20 世紀 20 年代獲得量子優勢:針對真實的應用場景，展現出量子計算超越經典計算的能力。

圖 1: 量子優勢之路:從 19 世紀 60 年代的量子科學，2016 年進入量子準備階段，20 世紀 20 年代將進入量子優勢階段以利用量子計算機解決實際問題 (Source: IBM)

圖 2: 神經網絡硬件加速器迎來新成員:量子計算機

深度神經網絡是當下計算應用中發展最快，使用最廣的機器學習算法。如圖2所示，深度神經網絡加速器，已經在通用處理器(CPU,GPU)以及專用加速器(FPGA，ASIC)上得到廣泛研究。

然而，隨著應用不斷復雜化導致網絡結構不斷擴大，存儲性能瓶頸已逐漸凸顯。在傳統計算平臺上，N 個數字比 特只能表示 1 個 N 位數據，然而在量子計算中，M 個量子比特卻同時能表示 2^M 個數據，并能同時操作這些數據。

量子計算機如此強大的存儲與計算能力，使其擁有巨大潛能打破神經網絡在傳統計算平臺上的性能瓶頸，獲取量子優勢。

首個量子計算協同設計框架，讓你的神經網絡飛起來

如何在深度學習領域獲取量子優勢還面臨諸多挑戰，其中第一個障礙便是缺少一個協同設計神經網 絡與量子線路的自動化工具。

現有工作或是嘗試直接將針對傳統計算系統設計的神經網絡映射到量子計算機，或是直接設計量子神經網絡。

然而這樣的獨立設計很難發揮量子計算機的優勢(例如實數乘法會引入過多量子比特，帶來巨大開銷)。根本原因是缺乏一個協同設計的工具，該工作填補了這一空白，提出了第一個神經網絡/量子計算協同設計框架，QuantumFlow。

圖3 QuantumFlow 協同設計框架

如圖 3所示，QuantumFlow 框架包括四個組件：

網絡模型設計器 QF-Net:其利用隨機變量對輸入實數數據進行表示，能夠自然地利用量子狀態進行表示，并實現隨機變量的運算。該設計器提出了便于量子線路實現的基本運算操作，包括向量的線性、非線性運算與批標準化操作。

量子線路設計器 QF-Circ:針對 QF-Net 中每一個運算操作，設計了對應的量子線路實現。

前向反向傳播器 QF-FB:提供在傳統計算平臺高效的前向后向傳播實現，以為支持高效地 QF-Net 模型訓練。

網絡映射 QF-Map:根據依靠 QF-FB 訓練得到的 QF-Net 模型，將首先進行網絡-線路映射，建立 QF-Net 對應的量子線路 QF-Circ;進而進行虛擬-物理量子比特映射，部署 QF-Net 到量子計 算機。在進行虛擬-物理量子比特映射時，將考慮量子計算機的錯誤率，以提高模型精度。

基于 QF-FB 在傳統計算機上的模擬結果展示了 QF-Net 的有效性。如圖 4所示，針對量子計算設計的 QF-Net 獲取比具有相同結構的針對傳統計算系統的多層感知器 MLP(C) 更高的精度。

圖 4: QF-Net 在 MNIST 數據集子集:{3,6}, {3,8}, {1,3,6}，上獲取最高精度

具有批標準化操作的 QF-Net(w/ BN) 在識別數字 3，6 中獲得 97.01% 的準確率，比現目前最新的針對量子計算設 計的 FFNN 網絡，提升了 14.55% 的準確率。

圖 5展示了一個二值分類示例。QuantumFlow 通過 QF-FB 訓練得到網絡如圖 5(b) 所示，根據 QF-Map，將 QF-Net 首先映射到 QF-Circ 上，如圖 5(C) 所示，進而根據 IBM 量子計算機 ibmq_essex 的錯誤率 (圖 5(d))，QF-Map 將 QF-Net 映射到物理量子比特上，并對 100 組輸入數據進行分類。在量子計算機上所獲取的結果如圖 5(h) 所示。

圖 5: 二值分類示例，在 IBM 包含 5 個量子比特的量子計算機 “ibmq_essex” 上，獲取了 82% 的精度。

圖 5(e) 展示了有 QF-FB 在傳統計算系統上獲得的標準結果，圖 5(f) 展示了使用 IBM Qiskit Aer 模擬進行 QF-FB 的結果，其準確度達到 98%。而圖 5(g) 展示了不采用 QF-Map 而采用 IBM Qikist 自帶編譯器進行映射所得到的結果，正確率僅為 68%。最后，使用 QF-Map 可以將正確率提升至 82%。

該實驗展示了量子計算實現神經網絡的可能性，盡管 IBM 量子計算機的錯誤率在 10^−2 量級(相較于數字電路的 10^−15 錯誤率)，通過 QuantumFlow 協同設計的神經網絡量子計算系統已經能夠對數據進行有效地分類處理。結果展示了 QuantumFlow 的有效性。

QuantumFlow 將于近期開源，詳細信息請關注 https://wjiang.nd.edu/categories/qf/。

作者簡介

論文第一作者姜煒文目前是圣母大學的博士后研究助理。2019年獲重慶大學博士學位。2017年到2019年，曾在匹茲堡大學電子和計算機工程系參與研究工作。

[[334884]]

博士期間，姜煒文在國際會議和主要期刊上發表了50多篇研究論文，其中包括10多篇 IEEE/ACM 會刊論文，他在硬件加速和神經網絡結構方面的合作研究獲得了 DAC’19，CODES+ ISSS’19和 ASP-DAC’20最佳論文提名。

他在神經網絡和并行系統等方面的研究工作引起了業界的廣泛關注，得到了美國國家科學基金會國際自然科學聯合會的科研基金，與 Facebook、 Edgecortix inc. (日本/新加坡)等公司開展了合作研究，并在過去一年中，獲得了超過$250K的研究基金資助。

姜煒文曾在2015年「NVMSA」及2017年「ICCD」中獲得兩項最佳論文獎，并在2016年「 ASP-DAC 」、2019年「 DAC 」、2019年「 CODES+ISSS 」及2020年「 ASP-DAC 」中獲得四項最佳論文提名。

深度學習的進步很大程度上依賴算力，而現在傳統硬件的算力增長已經趕不上超級人工智能的需求，如果神經網絡能無縫遷移到量子計算機，像數據從CPU移到GPU中一樣，將是人工智能科學家們的福音。