量子計算近年發展迅速，它利用量子力學定律來解決對經典計算機來說過於複雜的問題。對於量子計算機而言，其特點主要有運行速度較快、處置信息能力較強、應用範圍較廣等。與一般計算機相比，信息處理量愈多，對於量子計算機實施運算也就愈加有利，也就更能確保運算具備精準性。相比於傳統計算機，量子計算機有其優勢，但同時也面臨着諸多問題，例如設計、製造和編程都非常困難，其中如何減輕量子噪聲是發展該領域的一項重要挑戰，因為非常大的噪聲使得在真機上運行的實驗結果受到影響，嚴重降低了結果的準確性。為了解決量子噪聲問題，研究人員正在努力開發一種使量子電路對噪聲具有魯棒性的技術。有研究人員設計出一個框架 QuantumNAS，可以為特定計算任務識別出最強大的量子電路，並生成針對目標量子比特量身定製的映射模式。為了鼓勵在這一領域開展更多工作，研究人員還創建了一個名為 TorchQuantum 的開源庫。為了幫助讀者更好的了解這背後的技術，在 4 月 21 日晚 20:00-21:00 的技術分享中，機器之心機動組將以「量子計算參數化電路搜索 QuantumNAS 的設計及實現」為主題，邀請 MIT 博士生王瀚銳，為大家解密量子噪聲背後的相關技術。
特邀嘉賓分享主題：量子計算參數化電路搜索 QuantumNAS 的設計及實現分享嘉賓：王瀚銳，MIT 博士生，研究方向量子計算系統和機器學習，在 HPCA，ACL, DAC, NeurIPS 等會議發表多篇論文，曾獲高通獎學金，百度獎學金，DAC Young Fellow，Analog Devices outstanding student designer 等獎項。分享背景：本次講座主要講解兩部分內容，第一部分為 QuantumNAS framework；第二部分為 TorchQuantum library。近幾年，量子計算機得到飛速發展，目前已經有 127 量子比特的通用量子計算機可以使用。雖然量子比特數量變多，但是近期量子計算機的瓶頸仍然是量子噪聲。非常大的噪聲使得在真機上運行的實驗結果受到影響，嚴重降低了結果的準確性。QuantumNAS 的目標是提高參數化量子電路的魯棒性，使得他們在量子計算機上運行時可以更少的受到噪聲影響。對於參數化量子電路來說，實現同樣的目標，可以有很多種不同架構的電路，用到不同數量和位置的量子門，QuantumNAS 可以找到最適合目標機器的量子電路架構，以及對應的量子比特映射 (Qubit mapping)。該研究借鑑了經典深度學習中的神經網絡搜索 (NAS) 的思路，首先構建一個包含很多種架構的量子電路 SuperCircuit，在訓練這個 SuperCircuit 時，每一步會採樣一個全部量子門的子集（SubCircuit），然後只更新這個 SubCircuit 中的參數，通過訓練很多步，我們可以得到一個訓練好的 SuperCircuit 並且可以用它來估計在設計空間裡所有的 Subcircuit 的性能。
第二步，該研究會在設計空間裡進行搜索，並且將真機的噪聲信息考慮在內。研究者使用的搜索算法是遺傳算法，搜索目標是 SubCircuit 的架構和它的量子比特映射。在驗證 SubCircuit 的性能時，可以使用某個真機運行，或者噪聲仿真器來得到有噪聲影響下的目標電路的性能，在很多個搜索的 iteration 之後，會得到一個在目標真機上最優的 SubCircuit 的架構。
第三步，將搜索得到的 SubCircuit 從頭訓練。
第四步，對訓練得到的 SubCircuit 進行剪枝（Pruning），去掉那些參數很小的量子門。因為他們對最終結果的影響很小。
最後，將搜索、訓練、剪枝後的 SubCircuit 在真機上進行部署，得到實驗結果。
研究者使用 VQE 和量子神經網絡這兩種任務來進行驗證，實驗結果表明該研究可以比 baseline 得到更接近真實值的 VQE 結果，和更高的量子神經網絡 MNIST 圖片分類精確度。TorchQuantum 是該研究開發的量子計算和機器學習的 Python 庫，它主要面向兩個研究方向，一個方向為量子機器學習，如何通過量子計算機提高機器學習任務的速度和精確度；第二個方向為使用機器學習優化量子計算機系統，即如何使用 ML 解決量子計算機的系統層級的問題如量子映射，編譯，量子脈衝（Pulse）的生成。研究會以量子神經網絡實現 MNIST 圖片分類為例，講解如何使用 TorchQuantum 庫。分享摘要：量子噪聲是限制量子計算的重要瓶頸，本次分享王瀚銳博士將介紹對噪聲魯棒的參數化量子電路搜索框架 QuantumNAS。此外，他還將介紹 TorchQuantum Python 庫，支持使用 PyTorch 來進行量子電路的構建和仿真，以及機器學習優化量子計算機系統。網站: https://qmlsys.mit.edu
個人主頁: https://hanruiwang.me
[HPCA 2022] QuantumNAS: Noise-Adaptive Search for Robust Quantum Circuits
https://arxiv.org/abs/2107.10845
[DAC 2022] QuantumNAT: Quantum Noise-Aware Training with Noise Injection, Quantization and Normalization
https://arxiv.org/abs/2110.11331
[DAC 2022] QOC: Quantum On-Chip Training with Parameter Shift and Gradient Pruning
https://arxiv.org/abs/2202.13239
直播間：關注機器之心機動組視頻號，北京時間 4 月 21 日晚上 20:00-21:00 開播。交流群：主題講解 50 分鐘＋QA 環節 10 分鐘，根據現場情況調整本次直播有 QA 環節，歡迎加入本次直播交流群探討交流。機動組是機器之心發起的人工智能技術社區，聚焦於學術研究與技術實踐主題內容，為社區用戶帶來技術線上公開課、學術分享、技術實踐、走近頂尖實驗室等系列內容。機動組也將不定期舉辦線下學術交流會與組織人才服務、產業技術對接等活動，歡迎所有 AI 領域技術從業者加入。
點擊閱讀原文，訪問機動組官網，觀看往期回顧：
關注機動組服務號，獲取每周直播預告。
留言列表