複製鏈接
請複製以下鏈接發送給好友
https://baike.baidu.hk/item/量槳/53975475
複製
複製成功

量槳

鎖定
量槳（Paddle Quantum）是基於百度飛槳（PaddlePaddle）研發的全球首個雲量一體的量子機器學習平台。量槳支持量子神經網絡的搭建與訓練，提供量子化學、組合優化等功能，使百度飛槳成為國內首個支持量子機器學習的深度學習框架。量槳具備輕鬆上手、功能豐富等特點，提供了完善的API文檔和用例教程，使用户可以快速入門和上手。
量槳服務於百度量子平台的基礎建設，建立起了人工智能與量子計算的橋樑。通過百度飛槳深度學習平台賦能量子計算，量槳為領域內的科研人員以及開發者提供了便捷開發量子人工智能應用強有力的支撐，同時也為廣大量子計算愛好者提供了一條可行的學習途徑。 [1] 
2020年5月20日，在線上舉行的“WAVE SUMMIT 2020深度學習開發者峯會”上，百度CTO王海峯博士宣佈了飛槳深度學習平台的升級 [2]  。量槳作為飛槳在前沿領域的技術探索之一，由百度飛槳與百度量子共同發佈 [3]  。 2021年2月，百度量子登台量子信息處理頂會QIP2021。量槳重點新增分佈式量子信息處理模組LOCCNet，支持量子糾纏蒸餾、量子態分辨、量子隱形傳態等核心量子信息協議的便捷開發。LOCCNet已經被用於發現新的糾纏提純方案，相比業界現有方案取得了更高的提純保真度。 [7]  2021年3月，量槳針對飛槳2.0版本進行升級，運行性能最高提升40%，達到國際領先。 [8]  2021年5月20日，在“WAVE SUMMIT 2021深度學習開發者峯會”上，量槳發佈了2.1.0版本，支持量子核方法的模擬、新增多個電路噪聲模型和量子門，助力量子機器學習算法的研發。 [9] 
中文名
量槳
外文名
Paddle Quantum
平台定位
開源量子機器學習開發工具集
平    台
Windows、macOS、Linux
隸屬公司
百度
最新版本
v2.2.1
語    種
Python
官    網
https://qml.baidu.com

目錄

  1. 1 開發背景
  2. 2 主要功能
  3. 3 項目特色
  1. ▪ 輕鬆上手
  2. ▪ 功能豐富
  3. ▪ 特色工具集
  1. 4 應用案例

量槳開發背景

量子機器學習是當前學術界的熱門研究領域之一。近年來，機器學習領域發展迅猛，尤其是基於人工神經網絡的深度學習算法，其成果已被應用於各行各業。而量子計算是由量子力學與計算理論交叉而成的全新計算模型，具有強大的信息處理優勢和廣闊的應用前景，被視作未來計算技術的心臟。作為機器學習與量子計算的交叉領域，量子機器學習一方面利用量子計算的信息處理優勢促進人工智能的發展，另一方面也希望利用現有的人工智能的技術突破量子計算的研發瓶頸。 [1]  [4] 
量子機器學習和經典機器學習的流程比較 量子機器學習和經典機器學習的流程比較
百度量子計算研究所所長段潤堯表示：“人們經常問，人工智能和量子計算之間究竟是怎樣的關係？套用量子信息科學中的術語，我認為二者是相互糾纏、密不可分的。一方面，量子計算的主要目標之一就是藉助於量子特性開發高性能的量子機器學習算法；另一方面，量子計算在大規模應用落地之前還有許多棘手的科學與工程技術難題待解，這離不開以人工智能為代表的先進計算技術的支持。而要構建起二者之間的橋樑，離不開深度學習的參與。” [3] 

量槳主要功能

量槳的應用範圍非常廣泛，從量子化學模擬中的變分量子特徵求解器（VQE）算法到量子分類器（Quantum Classifier）等等都可以通過量槳實現。量槳的量子機器學習開發套件包括量子開發工具集、量子化學庫以及系列優化工具。藉助量槳所提供的各種量子機器學習案例，開發者可以高效進行有關量子機器學習的算法開發。學生、愛好者們可以對量子計算入門並並編寫程序進行學習和測試。量槳的開發目的就是簡化量子神經網絡的搭建和訓練過程，提供平台讓所有人都有機會接觸到量子機器學習。
量槳架構圖 量槳架構圖

量槳項目特色

量槳輕鬆上手

量槳可以高效地搭建量子神經網絡。工具集內部提供了多種內置的量子神經網絡模板，方便用户在各種應用場景中進行部署。同時，量槳項目提供了豐富的在線學習資源（23個教程案例），可以降低開發者、愛好者們的入門門檻。

量槳功能豐富

量槳底層基於張量運算。其高性能模擬器可以在個人電腦上支持25+個量子比特的模擬。此外，依託于飛槳所提供的自動微分框架，量槳可以支持多種優化工具和GPU模式。

量槳特色工具集

量槳提供了組合優化和量子化學等前沿領域的計算工具箱，方便算法的開發過程。特別地，量槳可以支持分佈式量子信息處理任務的高效模擬和開發 （LOCCNet）。此外，工具集中也涵蓋了部分自主研發的量子機器學習算法。

量槳應用案例

現階段量槳項⽬提供了以下5方面的23個前沿量子機器學習的應用案例 [5-6]  ：
  • 量子模擬
    • 變分量子特徵求解器 (VQE)
    • 子空間搜索 - 量子變分特徵求解器 (SSVQE)
    • 變分量子態對⻆化算法 (VQSD)
    • 吉布斯態的製備 (Gibbs State Preparation)
  • 機器學習
    • 量子態編碼經典數據(Data Encoding)
    • 量子分類器 (Quantum Classifier)
    • 量子核方法 (Quantum Kerenel Method)
    • 變分影子量子學習(VSQL)
    • 量子變分自編碼器 (Quantum Autoencoder)
    • 量子生成對抗網絡 (Quantum GAN)
    • 變分量子奇異值分解 (VQSVD)
  • 優化組合
    • 量子近似優化算法 (QAOA)
    • QAOA 求解最大割問題 (Max-Cut with QAOA)
    • 大規模量子近似優化分治算法 (DC-QAOA)
    • 旅行商問題 (TSP)
  • LOCCNet
    • LOCC 量子神經網絡 (LOCCNet)
    • 糾纏蒸餾——BBPSSW 協議
    • 糾纏蒸餾——DEJMPS 協議
    • 糾纏蒸餾——LOCCNet 設計協議
    • 量子隱形傳態 (Quantum Teleportation)
    • 量子態分辨 (Quantum State Discrimination)
  • 量子神經網絡研究
    • 量子神經網絡的貧瘠高原效應 (Barren Plateaus)
    • 在 Paddle Quantum 中模擬含噪量子電路 (Simulation of Noisy Quantum Circuits)
參考資料