2024量子人工智能技术白皮书.pdf

量子人工智能技术白皮书 1 一、绪论(一一)人工智能人工智能 1.人工智能概述人工智能概述 人工智能是机器，特别是计算机系统对人类智能过程的模拟。这些过程包括学习、推理和自我纠正。人工智能的特定应用包括专家系统、语音识别和计算机视觉等。人工智能是由美国计算机科学家约翰麦卡锡于1956年在达特茅斯会议上创造出来的。近年来它获得各大媒体与公众的持续关注，部分原因在于大数据，或者现在进行的业务收集数据的速度、规模和种类的增加。人工智能可以执行诸如比人类更有效地识别数据中的模式等任务，使企业能够从数据中获得更多洞察力。人工智能的发展大致经历了三个重要阶段：1）1950-1970 年代：即人工智能的“逻辑推理”时代。1956 年夏天，美国达特茅斯学院举行了历史上第一次人工智能研讨会，被认为是人工智能诞生的标志。在会上，麦卡锡首次提出了“人工智能”概念，纽厄尔和西蒙则展示了编写的逻辑理论机器。人们当时认为只要机器具有逻辑推理能力就可以实现人工智能,但后来发现这样还是远远达不到智能化水平。2）1970-1990 年代：即人工智能的“知识工程”时代。专家系统的出现使人工智能研究出现新高潮。DENDRAL 化学质谱分析系统、MYCIN 疾病诊断和治疗系统、PROSPECTIOR 探矿系统、Hearsay-II语音理解系统等专家系统的研究和开发，将人工智能引向了实用化。量子人工智能技术白皮书 2 人们当时认为要让机器学习知识,才能让机器变得智能化，但后来发现将总结好的知识灌输给计算机十分困难。3）2000 年至今：即人工智能的“数据挖掘”时代。随着各种机器学习算法的提出和应用，特别是深度学习技术的发展，人们希望机器能够通过大量数据分析，从而自动学习出知识并实现智能化水平。这一时期，随着计算机硬件水平的提升，大数据分析技术的发展，机器采集、存储、处理数据的水平有了大幅提高。特别是深度学习技术对知识的理解比之前浅层学习有了很大的进步，Alpha Go 和中韩围棋高手过招大幅领先就是目前人工智能的高水平代表之一。人工智能可以通过多种方式进行分类，这里列举两种分类的方法，第一种将人工智能系统分类为弱人工智能或强人工智能。弱人工智能，也称为窄人工智能，是为特定任务设计和训练的人工智能系统。虚拟个人助理，如 Apple 的 Siri，是一种弱人工智能的形式。强人工智能，也称为人工智能，是一种具有广泛的人类认知能力的人工智能系统，因此当提出一项不熟悉的任务时，它具有足够的智能来寻找解决方案，也就是是否能够通过由数学家阿兰图灵于 1950 年开发的图灵测试，判断计算机是否能真像人一样思考，尽管该方法存在争议；第二种是来自密歇根州立大学综合生物学和计算机科学与工程助理教授 Arend Hintze 的分类方法。他将人工智能分为四类，从现有的人工智能系统类型到尚不存在的有感知系统。2.传统人工智能特点传统人工智能特点 人工智能（Artificial Intelligence，以下简称 AI）的四大特点如下：量子人工智能技术白皮书 3 1）自我学习和自我进化：AI系统能够自我学习和自我进化，不断提高自身的智能水平。2）处理和分析数据的能力：AI系统能够通过数据的分析和处理，提取出有用的信息和模式，并做出预测和决策。3）自动化和智能化的任务：AI系统能够执行各种自动化和智能化的任务，如语音识别、机器翻译、自动驾驶等。4）与人交互的能力：AI系统能够与人进行交互，如通过语音、图像等方式与人类进行对话，从而不断学习和适应人类的语言和文化。(二二)量子信息技术与人工智能的融合量子信息技术与人工智能的融合 量子信息技术和人工智能都是当今最前沿的技术领域之一，它们在各自的领域内都有非常强的影响力和应用前景。近年来，越来越多的研究者开始将量子计算和人工智能进行深度融合，旨在实现更快速、更准确和更高效的计算和决策。1.量子信息技术概述量子信息技术概述 量子信息技术是量子物理与信息科学交叉的新生学科，其物理基础是量子力学。而量子力学则是在 1920 年由爱因斯坦等科学家首次创立。自从问世以来，量子科学已经先后孕育出原子弹、激光、核磁共振等新技术，成为20世纪最重要的科学发现之一。进入21世纪，量子科技革命的第二次浪潮即将来临。第二次量子科技革命将催生量子计算、量子通信和量子测量等一批新兴技术，将极大地改变和提升人类获取、传输和处理信息的方式和能力。其中，量子通信是较为重要的安全技术，它是利用量子态作为信息载体来进行信量子人工智能技术白皮书 4 息交互的通信技术，利用单个光量子不可分割和量子不可克隆原理的性质，在原理上确保非授权方不能复制与窃取量子信道内传递的信息，以此保证信息传输安全。量子信息技术的三大基本原理：量子比特、量子叠加、量子纠缠。量子比特是量子计算机的最小储存信息单位，一个量子比特可以表示 0 也可以表示 1，更可以表示 0 和 1 的叠加，即可处在 0 和 1两种状态按照任意比例的叠加，因此，量子比特包含的信息量远超过只能表示 0 和 1 的经典比特。量子信息技术研究已成为当前世界科技研究的一大热点。国际社会纷纷加大研发力度和投入，力争抢占技术制高点。中国近年来对量子信息技术的重视和支持力度也逐渐加大，习近平总书记在2018 年强调“以人工智能、量子信息、移动通信、物联网、区块链为代表的新一代信息技术加速突破应用”，进一步肯定了量子信息技术的战略地位。2.量子信息技术与人工智能双向赋能量子信息技术与人工智能双向赋能 以量子计算为例，作为量子信息技术的关键核心技术，量子计算与人工智能的结合，能够在未来有效提升算力供给能力，从而进一步推动人工智能的发展和应用。现在的人工智能系统使用的是成百上千个 GPU 来提升计算能力。这使得处理学习或者智能的能力得到比较大的增强。然而这套系统也需要庞大的硬件机柜和相配套的硬件机房，较大的人工智能硬件系统需要将近半个足球场的占地空间。当量子芯片中的量子比特达到一定数量后，计算能力将完全满量子人工智能技术白皮书 5 足人工智能的算力需求。实现人工智能，原来需要一千台或者一万台计算机的规模，使用量子计算机可能就只需要一台，也就是说人工智能将不再依赖于大型服务器集群，或者庞大的云计算中心。在人工智能领域，量子计算的优势主要表现在其可以通过量子并行性和量子态叠加等优势来处理复杂的计算问题，从而提高机器学习算法的训练速度和准确度；通过量子搜索、量子优化等方法，提高优化算法的效率和精度，从而加速解决各种优化问题；通过量子隐形传态和量子密钥分发等技术，保障数据的安全传输和存储，进而保障数据的隐私和安全等。在量子计算领域，人工智能的优势主要表现在以下两个方面：一是改善量子计算中的算法。量子计算需要开发新的算法和数据结构来适应量子系统的特点。人工智能技术可以帮助优化和改进量子算法的设计和实现，从而提高量子计算的效率和准确度。二是改善量子计算中的控制。量子计算需要高精度的控制和测量，而这些控制和测量通常会受到各种噪声和误差的影响。人工智能技术可以帮助改善量子计算中的控制和测量，从而提高量子计算的稳定性和可靠性。因此，量子计算和人工智能的深度融合可以带来巨大的优势和潜力，将有助于推动计算机科学和技术的发展。二、量子人工智能概述(一一)量子人工智能量子人工智能 1.量子人工智能的定义量子人工智能的定义 量子人工智能技术白皮书 6 量子人工智能（Quantum Artificial Intelligence，QAI）是一种基于量子计算的人工智能技术。它利用量子计算机的特殊性质，如量子叠加和量子纠缠，来加速机器学习和优化算法，从而实现更高效、更准确的人工智能应用。2.量子人工智能的主要应用量子人工智能的主要应用 利用量子人工智能上述自身的这些性质，量子人工智能可以设计出一些特殊的算法，来解决传统人工智能难以处理的问题。例如，量子人工智能可以用量子神经网络（Quantum Neural Network，简称QNN）来模拟复杂的非线性函数，从而提高人工神经网络的表达能力和学习效率。量子人工智能也可以用量子优化算法（Quantum Optimization Algorithm，简称 QOA）来寻找最优解或近似最优解，从而解决组合优化、约束满足、机器学习等领域的难题。在现实生活中量子人工智能也有着广泛的应用前景，它可以在各个领域提供更好的解决方案和服务。以下是一些量子人工智能的应用探索发展方向示例：1）医疗健康：量子人工智能可以帮助医生进行更精确的诊断和治疗，例如利用量子机器学习来分析医疗数据，发现潜在的疾病风险和治疗方案；利用量子优化算法来设计新型的药物和疫苗；利用量子神经网络来模拟生物分子的结构和功能。2）金融服务：量子人工智能可以帮助金融机构进行更高效的风险管理和投资决策，例如利用量子机器学习来预测市场走势和价格波动；利用量子优化算法来优化资产组合和交易策略；利用量子神经网络来模拟复杂的金融模型和场景。量子人工智能技术白皮书 7 3）智慧城市：量子人工智能可以帮助城市管理者进行更智能的规划和运营，例如利用量子机器学习来分析城市数据，提升公共服务和安全水平；利用量子优化算法来优化交通网络和能源分配；利用量子神经网络来模拟城市环境和社会行为。总之，量子人工智能是一种基于量子计算的人工智能技术，它可以利用量子计算机的特殊性质来加速机器学习和优化算法，从而实现更高效、更准确的人工智能应用。随着量子计算机的发展和应用，量子人工智能将成为未来人工智能领域的重要发展方向。(二二)量子人工智能技术现状及趋势量子人工智能技术现状及趋势 1.全球量子人工智能技术投资状况全球量子人工智能技术投资状况 全球量子人工智能技术的投融资状况非常活跃，而且呈现出多元化和不断增长的特点。这个领域在国内也受到了高度关注，投资机构对于其前景也十分看好。随着量子人工智能技术的不断发展，未来有理由相信该领域的前景更加广阔。2021 年，NORDIC QUANTUM COMPUTING GROUP 获得 875万美元的种子轮融资，由英特尔、M Waldau 和 Start ENGINE 的超级天使基金等多家机构和个人共同投资；Quantistry 完成 175 万美元的种子融资，由 Gray Ghost Ventures、SEIF and Joseph Heiderich 等多家机构和个人共同投资；QC WARE 获得 2500 万美元 B 轮融资，该轮融资由 Koch Industries 投资部门 Koch Disruptive Technologies 和世界领先的聚合物公司之一 Covestro 共同领投，三星风投和回归投资者花旗、D.E.Shaw 集团和 Pegasus Tech Ventures 跟投。2022 年，Quantistry 宣布完成了 500 万美元的超额认购种子扩展量子人工智能技术白皮书 8 融资，由 Redline Capital 领投，现有投资者 Gray Ghost Ventures 跟投；Quantum Machines完成了5000万美元的B轮融资，由Red Dot Capital Partners 领投，Exor、Claridge Israel、Samsung NEXT、Valor Equity Partners、Atreides Management LP 参投，TLV Partners、Battery Ventures、Altshuler Shaham 以及其他现有投资者跟投，迄今为止，Quantum Machines 筹集的总资金达到了 7300 万美元；Zapata Computing 完成了一轮 3800 万美元的 B 轮融资，投资方包括霍尼韦尔（Honeywell）等知名公司。2.全球量子人工智能技术政策全球量子人工智能技术政策 全球量子人工智能技术的政策布局正不断加强。以下是一些主要国家和地区在量子人工智能技术领域的政策情况。美国政府自 2018 年开始连续发布了多项战略性文件，包括国家量子倡议法案、量子网络基础设施法案、量子网络基础设施和劳动力发展法案等，以提高量子科技在全国科研领域中的地位，推动量子科技的发展。此外，美国政府还与多个私营公司合作，共同推动量子人工智能技术的发展。我国近年来加强了量子科技领域的政策布局，发布了多项重要文件，将量子科技列为未来发展的重点领域之一。同时也在人工智能领域布局和推动与量子计算等领域的融合发展，新一代人工智能发展规划中明确指出，布局前沿基础理论研究。针对可能引发人工智能范式变革的方向，前瞻布局高级机器学习、类脑智能计算、量子智能计算等跨领域基础理论研究。量子智能计算理论重点突破量子加速的机器学习方法，建立高性能计算与量子算法混合模型，量子人工智能技术白皮书 9 形成高效、精确、自主的量子人工智能系统架构。欧洲议会于 2018 年通过了量子技术公约，旨在推动欧盟及其成员国在量子技术领域的协同发展。此外，欧盟还提出了“欧洲量子计划”，旨在推动欧盟在量子技术领域的投资和研发，打造全球领先的量子技术产业链。日本政府在 2017 年提出了量子计算机技术研究开发培育事业，旨在促进日本在量子计算机领域的研发和应用。此后，日本政府又提出了量子技术创新计划，旨在推动日本在量子科技领域的创新和发展。总之，全球主要国家和地区都在量子人工智能技术领域加强了政策布局，以推动该领域的发展和产业化的进程。3.全球量子人工智能技术发展趋势全球量子人工智能技术发展趋势 量子人工智能利用量子计算的高并行性，提高对大数据的处理、分析和挖掘能力，并且借鉴量子力学的原理，促进新型算法的产生，能够提供全新的计算范式。量子人工智能也有望成为人工智能市场增长的重要驱动因素。因此，受到产学研用各方的高度关注，但是总体来讲，量子人工智能技术和产业整体还处于技术萌芽期。美国著名的咨询公司 Gartner 将一项技术的发展进程分为五个阶段：技术萌芽期、期望膨胀期、泡沫破裂低谷期、稳步爬升复苏期和生产成熟期。量子人工智能目前主要集中在实验室研发、算法和应用场景的探索，少数商业公司推出简单的应用服务或案例演示，符合 Gartner 对技术萌芽期的定义。处于萌芽期的技术或服务在短期内会快速发展，在1-2年内进入期望膨胀期，但是距离成熟商用至少量子人工智能技术白皮书 10 需要 10 年的时间。虽然部分量子人工智能算法在含噪中等规模量子（NISQ）硬件上可以有效运行，但现阶段还未成为人工智能领域的主流方案。量子人工智能的发展面临诸多挑战。一是量子计算硬件路线尚未收敛，规模和性能无法满足应用需求。量子处理器是执行量子人工智能算法的“核心引擎”，是制备、操作和测量量子比特与量子逻辑门的物理载体，也是现阶段量子计算研究与应用的关键方向之一，超导、离子阱、硅基半导体、光量子和中性原子等技术路线呈现多元化发展和开放竞争态势，尚未出现技术路线融合收敛趋势。此外量子人工智能的加速优势还体现在问题规模上，但是问题规模越大，量子线路的宽度和深度随之增大，所需要的量子硬件资源（量子比特数目）越多，对量子比特性能（如保真度、相干时间）的要求也越高，当前的硬件水平无法满足大规模应用需求。二是缺乏有效的数据编码方法。目前绝大部分的数据都是经典的，而运行量子人工智能算法需要将经典的数据编码到量子比特上。学术界已经提出诸多中经典数据的量子表示方法，但是仍处于理论研究和实验验证的阶段。如何高效、准确地进行经典数据的编码仍是未来关注的热点。三是缺乏面向NISQ的成熟算法。当前量子计算硬件处于从实验样机向工程化样机转化的关键阶段，但是量子比特数目只有数百个，并且量子比特的相干时间和保真度还不够理想，量子错误缓解和量子纠错等技术尚不成熟。因此在设计量子人工智能算法时要充分考虑当前的硬件水平并且能体现量子加速优势。目前尚没有成熟的量子人工智能算法被广泛应用于实际的生产生活中。量子人工智能技术白皮书 11 三、量子人工智能关键技术(一一)量子人工智能平台框架量子人工智能平台框架 鉴于量子人工智能领域在未来发展的广阔前景，在真正的容错通用量子计算机落地前，国内外各家相关公司早已在其计算框架技术、软件服务方面进行了布局，以利用先发优势吸引和培养潜在用户。各厂商等通过建立自己的量子人工智能及量子计算等平台框架来提升行业影响力，打通自主研发的芯片和算法，实现软硬协同、赋能百业。以量子机器学习平台框架为例，其关键技术组成包括：训练数据集管理、量子机器学习模型的定义与训练框架、量子机器学习的训练过程管理与部署、量子机器学习模型分析辅助工具、量子机器学习实例算法库等。下面是一些国内外主流量子公司的量子人工智能相关的平台框架技术。1.IBM Qiskit IBM 的量子产品主要以 Qiskit 为核心构建。其中，Qiskit 部分的核心是由四部分组成，包括 Terra 线路编辑、Aer 计算仿真模块、Ignis纠错模块以及AquaIDE模块。Terra线路编辑模块是在线路和脉冲级别上构成量子程序的基础模块，针对特定设备进行了优化，同时管理远程量子设备上所执行的一批实验。Aer计算仿真模块可以在经典处理器在尽最多大程度模拟量子计算。Aer 是基于 QASM 制作。Ignis 纠错模块包括更好地表征错误，改善门控，以及在存在噪声的情况下进行计算。AquaIDE 模块可用于构建量子计算应用程序。Qiskit 机器学习包目前只包含样本数据集。Qiskit 有一些分类算量子人工智能技术白皮书 12 法，如 QSVM 和 VQC，数据可以用于实验，还有 QGAN 算法。图 1 Qiskit 梯度计算框架 除了 Qiskit 机器学习提供的模型外，还有 TorchConnector，允许用户将所有的量子神经网络直接集成到PyTorch开源机器学习库中。Qiskit 内置梯度计算算法，不仅支持量子梯度也支持函数梯度计算，除了支持期望值的一阶梯度也支持二阶梯度（Hessians）计算，这包括了PyTorch在反向传播过程中计算的总体梯度，同时也考虑到了量子神经网络。Qiskit 灵活的设计还允许将来构建到其他包的连接器。2.Xanadu PennyLane PennyLane 是 Xanadu 的开源量子计算软件，是一个用于量子机器学习、量子化学和量子计算的开源软件框架，能够在真实量子计算机硬件上运行，广泛用于量子机器学习、化学和优化。PennyLane 作为一个跨平台的 Python 库，它实现了一种新的范式：量子可微编程，能够与机器学习工具无缝集成。支持类似于训练人工神经网络的方式来训练量子机器学习模型。PennyLane还提供一整套功能、模拟器、硬件和社区主导的资源，使所有级别的用户都能轻松构建、优化和部署量子经典应用程序。量子人工智能技术白皮书 13 图 2 PennyLane 量子机器学习框架示意图 该框架主要特点有，代码在一次编写后，可在任何地方运行。程序设计中，可以自由切换模拟器和量子计算机硬件类型，不需要对程序进行其他更改；将高性能计算和 GPU 与 Xanadu、Amazon Braket、Google、IBM、Rigetti 等公司的量子硬件无缝结合，轻松地从量子机器学习模型的快速迭代设计过渡到硬件测试；内置量子电路的自动微分技术，PennyLane框架知道如何区分量子设备是模拟器还是量子计算硬件，自动为作业选择最佳算法；支持量子硬件上的机器学习，将量子硬件无缝连接到 PyTorch、TensorFlow、JAX 和NumPy，构建起丰富灵活的量子-经典模型；灵活性强，从量子优化器到量子化学算法，在构建算法时，如果需要额外的工具时，随手可得；集成度高，从量子优化器到量子化学算法所需的工具应有尽有。3.图灵量子图灵量子 DeepQuantum 图灵量子提出 DeepQuantum 计算框架，以芯片和算法为核心实现软硬协同，基于 Qumode 实现光量子计算模拟，与基于 Qubit 的量子计算模拟相结合，将使得 DeepQuantum 在业内具有特色。图灵量量子人工智能技术白皮书 14 子致力于开发一个完善的计算框架，为云平台、量子 AI 教育产品、量子计算比赛、POC 开发以及内部算法应用的开发等提供技术支撑，也更需要一个高效好用的计算框架，赋能算法开发，以在更多生物医药、金融科技等应用场景中找到潜在的量子增强应用。图灵量子 DeepQuantum 计算框架同时包含基于 Qubit 的量子计算模拟和基于 Qumode 的光量子计算模拟，并且涵盖量子神经网络、VQE、高斯玻色采样等应用和演示模块。DeepQuantum 底层基于张量网络技术（Tensor Network）进行优化，框架计算效率和可模拟规模具有一定优势。图 3 DeepQuantum 量子机器学习计算框架 DeepQuantum 加入目前最先进的张量网络技术，复现量子计算领域的研究亮点，并与与图灵量子公司研发的芯片打通，支持通过云平台调用底层硬件计算资源，未来可通过硬件赋能上层算法应用。量子人工智能技术白皮书 15 DeepQuantum 还部署到量子智算中心，探索展示具有价值或潜力的应用演示。未来，图灵量子进一步打造 DeepQuantum 生态，持续提升在行业内的影响力，以优质社区吸引各类人才，拓展量子计算生态，推动实现技术应用赋能。4.百度百度 Paddle Quantum 量桨是百度基于飞桨开发的量子机器学习平台。量桨的主要特点包括：轻松上手，丰富的在线学习资源（近 50 篇教程案例），可以通过模板高效搭建量子神经网络；功能丰富，提供多种优化工具和 GPU 模式，通过量易伏可以连接真实的量子计算机，并且支持多种噪声模型的模拟；特色工具集，提供组合优化和量子化学等前沿领域的计算工具箱，分布式量子信息处理模组 LOCCNet，基于测量的量子计算模块，并且包含自研多种量子机器学习算法。基于百度自己的飞桨平台，能够连接真实的量子计算机，教程功能模块比较丰富。但也存在模拟器性能等若干提升方向，以及平台生态活跃性和吸引力的营造。5.华为华为 MindQuantum MindQuantum 是基于 MindSpore 的新一代量子计算领域套件，支持多种量子神经网络的训练和推理。MindQuantum聚焦于NISQ阶段的算法实现与落地。结合 HiQ 高性能量子计算模拟器和昇思MindSpore并行自动微分能力，MindQuantum有着极简的开发模式和极致的性能体验，能够高效处理量子机器学习、量子化学模拟和量子组合优化等问题，为广大科研人员、教师和学生提供快速设计和量子人工智能技术白皮书 16 验证量子算法的高效平台，让量子计算触手可及。MindSpore Quantum 作为一个通用的量子计算框架，支持全量子和经典量子混合计算，可以在经典模拟器和量子芯片上运行。图 4 是 MindQuantum 的架构图，通过量子模拟器算子来对量子体系进行模拟，可以完成前向传播和梯度计算的功能。在此基础之上，还有量子算法库，如量子神经网络、量子化学模拟的 VQE 和量子优化算法 QAOA 等。框架的上层为量子应用，基于 MindQuantum的量子算法应用到机器学习、化学模拟和运筹优化等计算任务。图 4 MindQuantum 框架图 6.腾讯腾讯 TensorCircuit 腾讯 TensorCircuit 提供高性能量子线路和量子算法模拟框架，其软件原型开发和开源开始于 2020 年 4 月。Tensorcircuit 面向 NISQ时代，克服了传统量子模拟软件的缺陷。为了实现大规模量子比特和高效率量子模拟，加入了很多代表性能的特性，如基于高效的张量网络模拟引擎、支持自动微分、即时编译、GPU 加速和矢量化并行。因此，相较于Google、IBM和Xandau等国际主流公司量子框架量子人工智能技术白皮书 17 方案，TensorCircuit在多种常见任务上报告了10到106倍的加速。同时，TensorCircuit 在特定问题上实现支持包含数百个量子比特的线路精确模拟，是主流态模拟器所支持的最大模拟量子比特数的二十倍以上。一个具体例子是，TensorCircuit可在单GPU上跑通完整的600量子比特一维 VQE 工作流（横场伊辛模型，七层阶梯状双比特门）。对于该 600 比特系统，单步计算能量和全部线路梯度的耗时约 18s。TensorCircuit 支持 TensorFlow、PyTorch 和 JAX 三大最主流的机器学习库作为后端。TensorCircuit 基于 PyTorch 的 vmap 无法满足它全部需求的实际，扩展为借助其他两种后端实现相关计算。整体的编程风格类似 JAX 的函数式编程理念。图 5 TensorCircuit 的产品特色 目前 TensorCircuit 按照“统一量子编程”这一愿景正在持续进行开发和功能迭代，适用于量子机器学习（QML）相关任务的快速实现、算法研究和工业级部署，为量子机器学习的学术研究和应用探索能提供可靠高效的平台。针对目前最流行的三种大模型机器学习架构：Transformer、扩散模型和图神经网络，国际上已经有相关科研工作尝试使用 TensorCircuit 作为基础工具实现了量子版本的开发和实现，形成了一定的学术研究影响力。量子人工智能技术白皮书 18 7.本源量子本源量子 VQNet VQNet 是本源量子开发的新一代量子与经典统一的机器学习框架，该机器学习框架首次将量子与经典统一，支持量子机器学习和经典机器学习模型的构建与训练、经典量子混合运算，可连接超导量子计算机本源悟源，将支撑图像处理、信号处理、自然语言处理等更多应用场景落地。VQNet 集经典机器学习模型和量子机器学习模型于一体，可以让开发人员更便捷构建、运行和优化经典和量子机器学习算法。可以通过本源量子计算云调用本源悟源量子计算机，加速量子机器学习模型中的量子线路计算。同时，VQNet 不仅可以支持量子机器学习模型的训练，也支持经典神经网络模型、量子与经典神经网络混合模型等更多更复杂的模型的构建。这项突破将量子与经典统一，让此框架更加实用。此外，VQNet 将有效助力图像处理、信号处理、自然语言处理更多应用场景落地。图 6 本源量子 VQNet 主页面(二二)量子神经元量子神经元 1.神经元神经元 量子人工智能技术白皮书 19 神经元是神经系统中的基本功能单位，也称为神经细胞。它们是大脑主要组成部分，负责接收、处理和传递神经信号，以支持生物体的神经功能和信息处理。神经元通过电化学过程来传递信号。当一个神经元受到足够的刺激时，它会产生电信号，该信号会沿着轴突传播到其他神经元的树突，从而在神经网络中传递信息。神经元之间的连接和信号传递是神经系统功能的基础，它们协同工作以实现感觉、思维、运动控制和其他神经活动。感知器，也叫感知机，是受到神经元启发的数学模型。它具有n个输入节点(神经元)，其值为xk=1，1，其中k=1，n，这些输入节点连接到单个输出神经元y，连接的重要性用权重wk1，1)表示，所有输入的加权求和表示为:h(w，x)=nk=1wkxk 输出 y 由激活函数确定：y=1，if h(w，x)b1，else 其中b是一个阈值。Rosenblatt 于 1958 年引入了感知器，对神经科学和人工智能至关重要。然而，人们发现感知器只能对线性可分函数进行分类。这一挑战在20世纪80年代通过多层感知器或人工神经网络得到解决。最近，人们对结合量子物理和感知器开发量子神经网络产生兴趣。2.基于相位估计的量子神经元基于相位估计的量子神经元 上面已经介绍了神经元，以及它在经典计算机上的模型感知机。量子人工智能技术白皮书 20 神经网络使用感知机作为其基本的计算单元，这些感知机模拟了神经元从相邻神经元接收信号，然后根据信号强度产生激活的现象。作为线性分类器，它们在机器学习的基础概念中占据了重要位置。在量子机器学习中，人们试图基于量子信息理论在量子计算机上实现神经元，即量子神经元。受量子相位估计技术的启发，科学上提出了一个量子感知机模型。该量子感知机实现了 step function 激活，它的计算复杂度是 O(nlog2 n)。虽然比经典神经元相比 O(n)稍复杂一些，但是它可以处理非线性可分的数据，比如拟合 XOR 函数。该量子感知器使用相位估计，归一化输入h(w，x)=0，1)被转化为量子相位，然后使用量子傅立叶变换解码相位信息。简单回顾相位估计算法的作用：12t 2t1j=0e2ij|j|y1，yt 其中，=0.y1yt，这是一个二进制的小数。为了使用 Qubit 编码感知机，把-1 映射成 0。感知机是二进制的，感知机的n个输入可以写成一个矢量 x=(x1，x2，.，xn)，可以进一步被量子态|x=|x1，xn 表示。有时候人们会把量子态|x=|x1，xn 理解为一个正整数的二进制展开，即|x=|x1，xn表示 x112+xn12n=x。量子人工智能技术白皮书 21 图 7 基于相位估计的量子神经元 相位估计的量子感知机线路分为三个阶段：1）将归一化的网络输入 h(w，x)=0，1)写入量子状态|x=|x1，xn 的相位；2）应用具有 t 精度的相位估计算法；3）此过程将返回一个量子态|y =|y1，yt，测量 y1 的值，1 表示激活。注意，对于任意大于等于 12 的 ，y1=1；对于任意小于 12 的，y1=0。因此，量子感知机实现了非线性映射 h(w，x)y1。下面将完整的描述基于相位估计的量子感知机的线路。如上图所示，假定初始状态为|0，0|x1，xn。该量子态包含两个寄存器，第一个寄存器由 t 个量子比特构成，第二个寄存器由 n 个量子比特组成。后者编码了所有输入神经元的二进制状态（注意，-1 值由|0 态表示）。对 第 一 个 寄 存 器 作 用Hadamard变 换 产 生 了 叠 加 态 12tj=02t1|j|x1，xn，其中|j 表示整数 j 的二进制展开对应的量子态的简写，即|j=|j1，jt。量子人工智能技术白皮书 22 对第二个寄存器作用 U(w)，得到 U(w)|x1，xn=e2i|x1，xn 其中 U(w)等于 U(w)=P(2w1)P(2w2)P(2wn)其中 P(2wk)是 P(2wk)=100e2iwk 有 P(2wk)|xk=e2iwkxk|xk 如下，使用 DeepQuantum 来编程实现一个基于相位估计的量子神经元。要使用量子线路实现以下感知机函数，考虑只有一个输入神经元 x：h(w，x)=wx 输出 y 由激活函数确定：y=1，if h(w，x)1/20，else 阈值是 1/2。基于相位估计的量子感知机是一种非确定性的实现方式，所以在上面的实验中，同一组 x 和 w，经典感知机激活了，但量子感知机却没有激活。好消息是通过增加 t，来提高激活的概率，具体可以参考。3.基于基于 RUS 线路的量子神经元线路的量子神经元 量子人工智能技术白皮书 23 图 8 基于相位估计的量子神经元 图 8 是最基本的量子神经元线路，一个 qubit 是一个 neuron。（a）经典神经元。每一个二进制输入 x1，.，xn 都被乘以一个权重 wi，最终会被偏置b，得到激活前的加权输入信号 =w1x1+.+wnxn+b。激活后的输出信号是 a=()，其中 是非线性激活函数。（b）量子神经元。这里使用 Bloch 球面来表示一个量子比特。输入比特串被影射成计算基失态|x1，.，|xn。激活前的加权输入信号 被编码在 ancilla 量子比特的振幅上。激活后的信号被编码在 output 量子比特的振幅上。输出量子比特要比非常接近|1，要么非常接近|0，取决于 /4 或者 /4 。（c）重量子人工智能技术白皮书 24 复直到成功线路(Repeat-until-success，RUS)。RUS 线路根据 的取值，产生非线性激活效应，q()。值得注意的是，这里在ancilla 比特上使用旋转门Ry(2)，通过控制 Y 门让 ancilla 比特和output 比特发生相互作用，测量 ancilla（如果没有测到|0，就重复之前的所有操作直到成功），便可以实现对输出比特的非线性激活。若测到|0，则输出比特最终的状态是 Ry(2q()|0。(d)非线性函数。q(x)=arctan(tan2 x)，q2(x)=q(q(x)=arctan(tan4 x)，qk(x)=arctan(tan2k x)。（e）和（c）等价，只是更加清晰。Ry(2)=cos|0+sin|1。人们可能会好奇，为什么图 8（b）中输出比特最终的状态是 Ry(2qk()|0，这是因为可以递归调用RUS线路，产生多次激活，q()q(q().qk()。这样做的目的是增加非线性。本节介绍的基于 RUS 线路的量子神经元可以实现类似 sigmoid的激活函数qk(x)，但是激活是非确定性，那么成功的概率是多少呢，或者说平均来讲要重复多少次该线路才能完成激活。相关研究给出了估计，如下。定理：假设有一个理想的激活函数g(x)，如果x /4，g(x)=0，其他情况下，g(x)=/2 ；对于一个量子神经元来说，它的输入角度是，用k次迭代来实现激活函数qk，要求|qk()g()|，输出是Ry(2qk()|0，平均的运行时间为：O(n/)2.075(1/)3.15)其中，n 是输入神经元的个数，是权重的精度。量子人工智能技术白皮书 25 (三三)参数化量子线路的神经网络参数化量子线路的神经网络 近年来，人工神经网络在各领域都得到了广泛应用，展现出了强大的能力。与此同时，量子计算技术也在迅猛发展，近期量子处理器已经具备较为稳定的计算能力，全球多家量子计算机公司也能提供各种各样的量子计算实验平台。在各方面技术的推动下，量子神经网络这一交叉领域又重新获取各界学者的关注。早期的量子神经网络大多基于量子计算的相关物理过程提出，没有对量子比特、量子线路等具体量子处理器结构进行描述，更没有统一的框架。近期的“量子神经网络”具有更宽泛的含义，多指代通过量子线路或者量子系统实现的具有网络化结构、参数可训练的计算模型，因此参数化量子线路可以被视为机器学习模型。混合量子-经典系统能使现有的量子设备充分发挥作用，在这种混合框架下，本节围绕着 NISQ时代的量子线路模型展开，详细介绍参数化量子线路如何像人工神经网络一样学习。1.NISQ 时代的量子线路学习时代的量子线路学习 自从 HHL 算法给出了在量子计算机上实施基本矩阵运算的方法，很多基于量子计算机的机器学习算法被提出，如量子支持向量机、量子神经元等。这些基于 HHL 算法的核心是相位估计算法，而相位估计算法需要高深度量子线路，这在 NISQ 时代是比较困难的。混合量子-经典框架下的低深度量子线路模型使 NISQ 时代的量子设备能充分发挥作用，变分量子求解器（VQE）、量子近似优化算法（QAOA）等都是混合算法的代表，这些混合算法（混合量子-经典算法）的核心思想是将问题分成两部分，分别由经典计算机和量子人工智能技术白皮书 26 量子计算机处理。图 9 混合计算架构 图 9 展示了混合框架的学习方法。整体方法包含了三个部分：人类、经典计算机、量子计算机。人类理解问题、选择合适的模型、将信息“传达”进模型，经典计算机对数据进行预处理、并且选择参数化量子线路的参数集合，量子硬件准备量子态、实施量子态的演化以及测量。测量结果又被经典计算机处理，最终输出预测值。为了提升预测值的准确性，经典计算机通过一些优化算法来进行模型中的参数更新。这一整个迭代过程是由经典计算机和量子计算机协同进行的，也就是“混合”的含义。其中基于量子线路的模型是近期量子神经网络算法的基本模块，可以通过调节线路中门的参数来调节门的操作。这里是一个简单参数化线路的例子，包含两个参数化的量子逻辑门操作。首先是一个单量子比特的旋转门操作，旋转角度是可变参数；然后是一个两量子比特的控制旋转门操作，旋转门的旋转角度也是可变参数。量子人工智能技术白皮书 27 2.量子线路的基本学习方法量子线路的基本学习方法 为了使混合算法适用于机器学习甚至深度学习，科学家们提出了一种通用的混合框架学习方法，这种方法为量子深度学习提供了重要指导。在监督学习中，有