90后华裔教授一年内发表三篇子刊：首个量子神经网络已开源

神经网络是当前计算应用中发展最快、应用最广泛的机器学习算法之一。然而，随着应用复杂度提升，网络结构日益庞大，存储与计算性能瓶颈也逐步凸显。

在传统计算平台上，N 个数字比特只能表示一个 N 位数据；而在量子计算中，M 个量子比特可同时表示 2^M 个数据，并能同时对它们进行操作。这种存储与计算能力的提升为突破神经网络在传统平台上的瓶颈提供了潜在路径，带来量子优势的机会。

量子神经网络是基于量子计算机特性设计的一类神经网络。研究者们通过量子计算的基本计算单元来构建量子线路，从而实现神经网络的运算。

今年1月，美国乔治梅森大学的姜炜文教授在一篇期刊论文中提出了一个神经网络与量子计算协同设计框架，名字为 QuantuMFlow。这也是在一年内他继两篇相关论文后发表的第三篇子刊论文。

https://www.natuRe.coM/Articles/s41467-020-20729-5

该框架首次展示了通过协同优化神经网络结构与量子线路设计，能够在某些场景下超越传统计算机的指数级加速。

图1 基于 QuantuMFlow 的量子神经网络设计栈

在 QuantuMFlow 的基础上，由姜教授带领的 JQub 团队在今年10月举行的 QuantuMWeek’21 和 ESWEEK’21 中开源了量子神经网络编程框架 QFNN，并在 ICCAD’21 的相关展望中，新增了两位成员：

（1）面向噪声感知的量子神经网络训练器 QF-RobUStNN；

（2）基于不同量子神经元设计的量子神经网络结构设计器 QF-MixeR。

至此，第一个开源的量子神经网络设计栈横空出世，为量子神经网络应用奠定了基础。

QFNN

在刚刚结束的 QuantuMWeek 会议上，JQub 团队开源了由胡芷瑞研究员参与设计的量子神经网络框架，即 QuantuM NeuRal NetwoRk 编程框架，QFNN。

https://Github.coM/JQub/qfnn

QFNN 以 PyTorch 和 IBM QiskIT 为基础，实现了在量子电路中进行训练和推理所需的基础功能。研究者可以通过简单调用少量函数，快速搭建可在 IBM 量子计算机上部署用于神经网络推理的量子电路。

QFNN 不仅兼容 QuantuMFlow 的全部功能，同时也支持其它量子神经网络设计，包括变分量子电路（VQC）等。

此外，QFNN 还提供了量子神经网络电路的经典计算模拟，用于验证量子模型的正确性以及辅助量子计算机进行训练。

图2 QuantuMFlow 协同设计框架

在对 QuantuMFlow 的支持方面，QFNN 采用了相同的架构。框架分为四个模块：qf_ciRc、qf_net、qf_fb 和 qf_Map。

当前，QFNN 支持 QuantuMFlow 的所有模块，并在 QF-Net 中新增对 VQC 等量子电路的支持。

凭借 QFNN，研究者可以快速搭建量子机器学习电路，在经典计算机上进行训练，在量子平台上进行推理。

同时，QFNN 还支持对量子网络结构的探索，即 QF-MixeR。QFNN 已在 GitHub 开源，欢迎感兴趣的社区成员共同参与，完善更多基础量子神经元实现与量子网络实现。

QF-RubostNN

在将于11月1日召开的 ICCAD 会议上，JQub 团队提出了首个通过训练在量子网络中学习量子比特误差的研究工作，即 QF-RubostNN。

https://aRxiv.oRg/pdf/2109.03430.pdf

该研究由梁之鼎博士生主要参与，提出了一个通用的训练框架用于误差感知学习，旨在解决在近期嘈杂的中等规模量子系统（NISQ）中部署神经网络的核心问题：如何抵抗噪声对推理的影响。

尽管量子计算发展迅速，目前量子比特的错误率仍可能达到 10^-2，与经典 CMOS 机器的大约 10^-15 的错误率相比，仍存在巨大差距。

为此，团队设计了 QF-RubostNN，尝试将噪声学习引入量子神经网络中，展示了神经网络的容错性：在量子模拟器和实际量子机器上运行时，推理精度显著提升。

图3 QF-RubostNN 产生的总体框架简图

QF-RobUStNN 的上层训练权重由量子神经网络（如 QuantuMFlow）产生。在每轮训练中，当前权重会对应量子线路的逻辑图，经过设计好的应用映射后，映射到物理量子位，形成实际可在量子设备上执行的电路。

随后在实际量子设备或模拟器上运行，得到模型的准确率输出，并据此在搜索过程中更新到最上层的训练权重。

这种方法对逻辑-物理映射的规律进行固定化，使误差可预测，并且能有效减少附加门的数量，从而降低成本。

图4 QF-RobUStNN 在不同噪声模型下的准确率测量

研究使用无噪声下最优训练权重作为基线，通过改变模型的误差率，观察 QF-RobUStNN 的表现。实验结果显示，经过该方法后，准确率相较基线有所提升，且随着噪声增大，提升幅度更加显著，最高达到约 28% 的增益。

这组结果表明量子神经网络确实具备学习并抵抗量子比特误差的潜力，为在 NISQ 时代的量子机器上实现更可靠的推理提供了可行路径。

QF-MixeR

QF-MixeR 由汪哲鹏博士生参与，是首次系统性探索量子神经网络设计的工作之一。

https://aRxiv.oRg/pdf/2109.03806.pdf

随着量子神经网络的发展，关于量子神经元（quantum neuron）的设计也在活跃涌现。这些设计通过堆叠不同量子神经元来构建量子神经网络，在简单任务（如 MNIST 二分类）上可以获得较高的准确率，但在更复杂任务（如 MNIST 十分类）时往往表现不佳。

因此，QF-MixeR 提出通过混合不同类型的量子神经元，构建一个性能更强的异构量子神经网络。

图5 混合量子神经元的挑战与 QF-MixeR 的设计理念

然而，构建这样的异构网络并非易事。首先，不同神经元对输入输出的量子态有不同要求，任意连接很难同时满足；其次，即便混合，也不一定比单一神经元更准，因为不同神经元的计算特性不同，需找到合适的组合以实现“1+1>2”的效果。

基于此，QF-MixeR 给出了一套在混合不同神经元时应遵循的准则，为异构量子神经网络设计提供理论支撑。

在第二个问题上，JQub 团队发现 QuantuMFlow 框架中的量子神经元与变分量子电路（VQC）具有互补性：量子神经元的可学习参数通常为二值化，表示能力有限；而变分电路的参数为任意实数，具有更强的表达能力，因此可以为前者提供更强的表示力。

另一方面，变分量子电路可以为量子神经元提供更丰富的表达能力，提升整个网络的性能。

（继续内容若有后续段落，请将其补充完毕）