作者：Michael Broughton、Alan Ho、Masoud Mohseni

去年，我们在 2020 年 TensorFlow 开发者峰会 和 Google AI 博客 上宣布了 TensorFlow Quantum (TFQ)。将 TensorFlow 提供的所有工具和功能带入量子计算领域，已经取得了一些重大的研究成功案例。在这篇文章中，我们想回顾一下过去一年中涉及 TensorFlow Quantum 的情况，以及它取得的进展。我们还将讨论 TensorFlow Quantum 中量子计算和机器学习的未来。

自从 TensorFlow Quantum 发布 以来，我们很高兴看到该库在学术界以及 Alphabet 内部，尤其是 Google 的 Quantum AI 团队中得到越来越广泛的应用。在过去一年中，发表了许多利用 TensorFlow Quantum 进行量子机器学习或混合量子-经典模型的研究文章，包括 判别模型 和 生成模型。随着这两个领域之间思想的交叉传播，我们也看到了经典机器学习中高级学习算法的重新构想，例如量子 强化学习、分层学习 和 神经架构搜索。我们利用 TensorFlow 的可扩展性和工具来进行大量的量子位和量子门的数值实验，以更忠实地发现未来将实用的算法。

以下是一些使用 TFQ 发表的论文，如果你想查看的话：

• 数据在量子机器学习中的力量 (Google, Discrimitivate, 30 个量子位)
• 量子卷积神经网络中不存在贫瘠高原 (LANL, Discriminative, 26 个量子位)
• 基于量子哈密顿量的模型和变分量子热化算法 (Alphabet X, Generative, 16 个量子位)
• 用于高效量子计算的纠缠诊断 (普林斯顿/特拉维夫大学，生成，20 个量子位)
• 量子神经网络的分层学习 (VW/Google, Discriminative, 18 个量子位)
• 可微分量子架构搜索 (腾讯，神经架构搜索，8 个量子位)

在我们最近发表的量化量子机器学习计算优势的论文中，实验以 PetaFLOP/s 的吞吐量进行，这对经典机器学习来说并不新鲜，但在 TensorFlow Quantum 出现之前，量子机器学习实验中看到的规模是一个巨大的飞跃。我们对量子计算和机器学习共同的未来感到非常兴奋，我们很高兴看到 TensorFlow Quantum 已经产生了如此积极的影响。

学术界并不是机器学习和量子计算能够走到一起的唯一地方。在过去的一年中，TensorFlow Quantum 团队的成员帮助支持了 Refik Anadol Studios 的艺术作品 “量子记忆”。这将 2019 年超越 经典实验 的随机电路样本数据与 StyleGAN 的应用相结合，创造了一些真正宏伟的艺术作品。

下一步

我们很快就会发布 TensorFlow Quantum 0.5.0，其中将包含更多对分布式工作负载的支持，以及许多新的量子中心功能和一些小幅性能提升。展望未来，我们希望这些功能能使我们的用户能够继续推动量子计算和机器学习的复杂性和规模的边界，并最终帮助实现突破性的量子计算实验（不仅仅是模拟）。我们在发布 TensorFlow Quantum 时的最终目标是让它帮助寻找 机器学习领域的量子优势。随着时间的推移，我们希望看到世界在 QML 研究界的持续努力和奉献下实现这一目标。量子机器学习仍然是一个非常年轻的领域，在实现这一目标之前还有很长的路要走，但在过去的一年中，我们已经看到该社区在许多不同的领域取得了令人惊叹的进步，我们迫不及待地想看看你们在未来几年中会取得什么成就。