文 / Michael Broughton、Alan Ho、Masoud Mohseni
去年，我们在 2020 TensorFlow 开发者峰会 和 Google AI 博客 中发布了 TensorFlow Quantum (TFQ)。将 TensorFlow 提供的所有工具和功能引入到量子计算领域，我们协助一些研究取得了成功。在本文中，我们将回顾在过去一年 TensorFlow Quantum 的经历以及取得的进步。我们也会讨论量子计算和机器学习在 TensorFlow Quantum 中的未来。
自发布 TensorFlow Quantum 以来，我们很高兴见证学术界以及 Alphabet 内部使用该库的频率不断增加，尤其是 Google 的 Quantum AI 团队。去年，在量子机器学习或量子-经典混合模型（包括判别式模型和生成式模型）中使用 TensorFlow Quantum 的许多研究文章被发布。在交流有关这两个领域的想法时，我们还发现大家正在重构经典机器学习中的高级学习算法，如量子强化学习、分层和神经架构搜索。我们利用 TensorFlow 的可扩展性和提供的工具，通过大量量子比特和门来运行数值实验，从而更如现实发现未来实用的算法。
如果您想查看相关内容，以下是几篇关于使用 TFQ 的文章：
- 《量子机器学习中数据的强大之处》(Power of data in quantum machine learning)（Google，判别式，30 个量子比特）
- 《量子卷积神经网络不存在贫瘠高原》(Absence of Barren Plateaus in Quantum Convolutional Neural Networks)（LANL，判别式，26 个量子比特）
- 《基于量子哈密顿算符的模型和变分量子热化算法》(Quantum Hamiltonian-Based Models and the Variational Quantum Thermalizer Algorithm)（Alphabet X，生成式，16 个量子比特）
- 《高效量子计算的纠缠诊断》(Entanglement Diagnostics for Efficient Quantum Computation)（Princeton/Tel-Aviv U.，生成式，20 个量子比特）
- 《量子神经网络的分层学习》(Layerwise learning for quantum neural networks)（VW/Google，判别式，18 个量子比特）
- 《微分量子架构搜索》(Differentiable Quantum Architecture Search)（Tencent，神经架构搜索，8 个量子比特）
我们近期发布的有关“量化量子机器学习的计算优势”的论文 中，实验是以 PetaFLOP/s 吞吐量规模展开的。对于经典机器学习而言，这并不是什么新鲜事，但和推出 TensorFlow Quantum 之前的量子机器学习实验规模相比，这代表了巨大的进步。对于量子计算和机器学习所共同拥有的未来，我们为 TensorFlow Quantum 带来如此积极的影响而感到高兴。
学术界并不是能够将机器学习和量子计算结合到一起的唯一领域。在过去的一年里，TensorFlow Quantum 团队成员在支持 Refik Anadol Studios 的艺术作品“量子记忆”方面提供了帮助。它结合 2019 年 经典实验 以外的随机电路样本数据并采用 StyleGAN，创作出了一些非常迷人的艺术作品。
在 NGV 放置“量子记忆”
未来计划
我们即将发布 TensorFlow Quantum 0.5.0，此版本会为分布式工作负载、以量子为中心的大量新功能以及一些细微的性能提升提供更多支持。未来，我们希望这些功能能够让我们的用户在量子计算和机器学习的复杂性和范围方面继续开疆拓土，最终帮助引领开创性的量子计算实验（而不仅仅是模拟）。在发布 TensorFlow Quantum 时，我们的最终目标是能够借此 探索量子在机器学习领域中的优势。随着时间的推移，我们希望凭借 QML 研究社区的不断努力与奉献，让世界实现此目标。
量子机器学习仍是一个非常新的领域，要实现目标还需要很长时间的努力。但在过去的一年里，我们看到研究社区在许多不同的领域都取得了惊人的进步，我们对未来将会实现的成果充满期待。
如果您想详细了解 本文提及 的相关内容，请参阅以下文档。这些文档深入探讨了这篇文章中提及的许多主题：
