我们（Xanadu）致力于制造世界上第一款全片上光子量子处理器（all on-chip photonic quantum processor），使用尖端技术来利用光线的强大特性。这个博客的目的是让你跟进我们的进展。从令人兴奋的新发现到测试挑战，这其中的一切，我们将让你跟进量子技术领域的最新进展。

量子机器学习是Xanadu工作的重点之一。我们的机器学习团队正在加强人工智能和量子技术之间的联系。在本文中，我们将讨论如何使一个神经网络成为一个量子体，大幅加快运行速度和网络容量。本文不需要科学或数学背景（即使你不了解神经网络）。更详细的信息可以访问论文。

论文：https://arxiv.org/abs/1710.03599

神经网络

如今，你可能已经从机器学习技术中受益。和过去一样，机器学习日益成为我们日常生活的一部分。无论你是查看了社交媒体帐户，进行在线搜索，甚至上班的路上，远程服务器都可能会使用各种学习算法来改善你的体验。机器学习的目标是让计算机能够根据数据做出预测和归纳，而不是让我们明确地告诉它。这是一个发展很快也很酷的领域。

在机器学习中非常成功的方法是设计一个人造神经网络，这种方法受到了人脑中神经元结构的启发。想象一组点，每个点可以处于两种状态之一：“开”或“关”。这些点与可变强度的线相互连接（如下图）。这个网络的运作方式是，通过让每个神经元根据与之相连的神经元的状态来决定它的状态，并且也要考虑连接的强度。神经网络能够根据问题选择结构。神经网络的用途很广，包括语音识别和癌症检测。

量子神经网络

那么量子技术能为此做些什么呢？在Xanadu，我们一直在研究如何将一种神经网络嵌入到量子系统中。我们首先使用量子的相干性，即一个系统可以同时存在多种状态组合 - 我们称之为相干叠加。具体的方法是把每个神经元与系统状态联系起来：如果神经元处于“开”状态，则其相应的状态在叠加中带有正号，而如果神​​经元处于“断开”状态，则叠加中带负号。我们关注多量子位（量子比特）系统，每个量子位可以是“向上”或“向下”的。通过查看在我们量子位集合中所有可能的“上”和“下”组合，你会看到，少量的量子位中可以存储指数级的神经元配置。例如，下图展示了我们可以在2个量子位中存储4个神经元的任何配置！



通过使用这种方法在量子位中嵌入神经元，并访问更大的存储容量，我们可以解锁大量量子算法，这可以帮助我们加速处理网络。在这里遇到的第一个问题是选择神经网络架构，让我们知道哪种量子算法最能发挥所提供性能优势。这篇文章重点介绍Hopfield网络，它是一个所有神经元都以可变权重相互连接的结构（就像完全图）。Hopfield网络可以用作内容可寻址存储器（Content Addressable Memory）系统：神经元的配置以各种模式（patterns，比如图像）相关联，这些模式通过改变神经元之间连接的权重来存储。这就是Hebbian学习。然后可以将新模式加载到Hopfield网络中，处理目的是恢复存储在记忆中的最相似模式。



操作Hopfield网络的传统方式是，随机选取神经元并通过考虑连接的神经元以及相应权重来更新它们。我们认为，Hopfield网络可以通过求逆包含所有神经元之间权重信息的矩阵，而在单个步骤中运行。然后，利用上面讨论的量子位嵌入方法，我们可以李勇著名的量子HHL算法来处理Hopfield网络。与标准计算机上运行的最佳算法相比，HHL算法可以在指数级快速时间内对矩阵进行求逆。但是，要利用HHL算法，我们需要能够做出哈密尔顿模拟（Hamiltonian simulation）的矩阵。



量子系统的哈密顿函数控制着它如何随时间演化。因此，哈密顿量模拟是使量子系统以受控方式演化的艺术，因此它的演化与给定的哈密尔顿函数尽可能接近。我们开发的一种新技术，Hopfield网络矩阵的哈密尔顿模拟方法。这是通过在已储存的记忆模式的批次中反复的局部交换来实现的。通过局部交换，也就是说我们的量子位与另一组存储着记忆模式序列的量子位交换。这个结构可以被认为是Hebbian学习的量子模拟（qHeb）。对此，我们将很快发布一篇更详细的论文。我们的Hopfield网络的量子方法如下所示。我们将量子程序称之为qHop，它使用量子子程序qHeb。

那么，这有什么用呢？

在量子位中编码神经网络在存储容量方面具有指数级优势，而算法qHop和qHeb则在处理速度上呈指数级增长。这意味着我们可以期望在量子处理器上运行更大的神经网络，并且比使用标准计算机时更快。Hopfield网络本身具有作为模式识别系统的应用，并很好的解决了TSP问题.

我们特别强调了遗传学中Hopfield网络作为传染病识别器的应用。我们想象一下，爆发流感已经发生，科学家已经部分测序了病毒的遗传密码。他们的目标是将遗传序列与已知的一种流感病毒如H1N1或H5N1相匹配。通过将部分序列加载到已经存储了神经元连接权重内的所有已知菌株的Hopfield网络中，科学家可以计算出是哪一种流感病毒导致了疫情的爆发。在下面的图片中，我们将展示基因数据怎样依据RNA碱基对A，C，G和U存储在网络的神经元中。该图也对使用常规方法和新的矩阵求逆的方法操作Hopfield网络的模拟结果进行了比较。在量子处理器上运行这个算法也能提高存储容量和运行速度。

下一步的工作

我们很高兴可以通过量子力学发现Hopfield网络的改进。然而现在，还有更多很多工作尚未完成！如何快速读入和读出量子设备的数据仍然需要解决。

与此同时，Xanadu实验团队一直致力于创新芯片设计，实现光子量子处理器。我们的主要目标是将量子机器学习的新见解与现实世界的光子量子处理器结合在一起。我们希望在我们的芯片中使用激光，这可能远远超出量子位的能力，给机器学习带来颠覆性的影响。