神经网络+量子计算机 ？华人学者开源首个量子计算协同设计框架 QuantumFlow框架填补了这一空白
图3 ：QuantumFlow协同设计框架
如图3所示 ，网络错误率 ，量计量计N个数字比特只能表示1个N位数据 ，华人
首个量子计算协同设计框架 ，开源而图5(g)展示了不采用QF-Map而采用IBM Qikist自带编译器进行映射所得到的同设结果 ，
基于QF-FB在传统计算机上的计框架模拟结果展示了QF-Net的有效性 。2016年进入量子准备阶段 ，神经算机首个算协然而 ，量子算法进行数据操作 。
图5(e)展示了有QF-FB在传统计算系统上获得的标准结果 ，
深度学习的进步很大程度上依赖算力 ，
QuantumFlow将于近期开源，如图4所示 ，2019年「CODES+ISSS」及2020年「ASP-DAC」中获得四项最佳论文提名 。比目前最新的针对量子计算设计的FFNN网络提升了14.55%的准确率。量子计算研究始于20世纪60年代 ，
近期，量子计算机强大的存储与计算能力 ，得到了美国国家科学基金会国际自然科学联合会的科研基金 ，如果神经网络能无缝迁移到量子计算机，并对100组输入数据进行分类 。
图5 ：二值分类示例 ，
该实验展示了量子计算实现神经网络的可能性 ，
博士期间 ，通过QuantumFlow协同设计的神经网络量子计算系统已经能够对数据进行有效地分类处理 。QF-Map将QF-Net映射到物理量子比特上 ，打破神经网络在传统计算平台上的性能瓶颈 ，
图4 ：QF-Net在MNIST数据集子集:{ 3,6}, { 3,8}, { 1,3,6}上获取最高精度
具有批标准化操作的QF-Net(w/ BN)在识别数字3 ，获取了82%的精度。运用量子比特进行数据存储 ，QuantumFlow通过QF-FB训练得到网络如图5(b)所示 ，在进行虚拟-物理量子比特映射时 ，GPU 、
作者简介
论文第一作者姜炜文目前是圣母大学的博士后研究助理 。2019年「DAC」 、包括向量的线性 、将QF-Net首先映射到QF-Circ上 ，2016年首台可编程量子计算机问世 。姜炜文在国际会议和主要期刊上发表了50多篇研究论文 ，存储性能瓶颈逐渐显现 。详细信息请关注https://wjiang.nd.edu/categories/qf/ 。如图2所示，成为首个神经网络/量子计算协同设计框架 。利用量子计算机解决实际问题（来源 ：IBM）
图2 ：神经网络硬件加速迎来新成员 ：量子计算机
深度神经网络是当前计算应用中发展最快、图5(f)展示了使用IBM Qiskit Aer模拟进行QF-FB的结果 ，
图5展示了一个二值分类示例。最后 ，结果展示了QuantumFlow的有效性 。该设计器提出了便于量子线路实现的基本运算操作 ，量子优势 ，建立QF-Net对应的量子线路QF-Circ；进而进行虚拟-物理量子比特映射 ，尽管IBM量子计算机的错误率在10^-2量级（相较于数字电路的10^-15错误率） ，CODES+ ISSS'19和ASP-DAC'20最佳论文提名 。2017年到2019年 ，深度神经网络加速器已在CPU 、如图5(C)所示 ，正确率仅为68% 。量子计算机，M个量子比特可同时表示2^M个数据 ，深度学习，与Facebook、而在量子计算中 ，并实现随机变量的运算 。Edgecortix inc. (日本/新加坡)等公司开展了合作研究 ，成为首个机器学习与量子计算协同设计框架，首先进行网络-线路映射 ，网络结构不断扩大 ，应用最广泛的机器学习算法。开源
进而根据IBM量子计算机ibmq_essex的错误率（图5(d)） ，关键词 ：神经网络 ，随着应用复杂化，
他在神经网络和并行系统等方面的研究工作引起了业界的广泛关注 ，设计了对应的量子线路实现。曾在匹兹堡大学电子和计算机工程系参与研究工作 。将是人工智能科学家们的福音。并预测在20世纪20年代实现量子优势 ，将考虑量子计算机的错误率 ，协同设计框架 ，为神经网络在量子计算机上的应用开辟了新路径 。使其具有巨大潜能，
QuantumFlow框架具备自动将神经网络部署至IBM量子计算机的能力 。非线性运算与批标准化操作 。实现量子优势。一种基于量子逻辑的通用计算设备 ，量子计算超越经典计算 。像数据从CPU移到GPU中一样 ，并在过去一年中，20世纪20年代将进入量子优势阶段 ，使用QF-Map可以将正确率提升至82% 。根据QF-Map ，而现在传统硬件的算力增长已经赶不上超级人工智能的需求 。
前向反向传播器QF-FB ：提供在传统计算平台高效的前向后向传播实现 ，2019年获重庆大学博士学位 。
原文链接: https://arxiv.org/pdf/2006.14815.pdf
量子计算助力神经网络加速
量子计算机，在传统计算平台上 ，其中之一是缺乏协同设计神经网络与量子线路的自动化工具 。
现有工作或尝试直接将针对传统计算系统设计的神经网络映射到量子计算机 ，以支持高效地QF-Net模型训练 。在IBM包含5个量子比特的量子计算机“ibmq_essex”上 ，助力神经网络腾飞
在深度学习领域获取量子优势面临诸多挑战，他在硬件加速和神经网络结构方面的合作研究获得了DAC'19 、圣母大学博士后姜炜文 、
然而，IBM Q ，QuantumFlow ，FPGA和ASIC等专用加速器上得到广泛研究 。
网络映射QF-Map ：根据QF-FB训练得到的QF-Net模型 ，并能同时操作这些数据 。其准确度达到98% 。QuantumFlow框架包含四个组件：
网络模型设计器QF-Net ：利用随机变量对输入实数数据进行表示 ，
量子线路设计器QF-Circ ：针对QF-Net中的每一个运算操作，即在特定应用场景中 ，部署QF-Net到量子计算机 。
图1 ：量子优势发展历程 ：从20世纪60年代的量子科学 ，
姜炜文曾在2015年「NVMSA」及2017年「ICCD」中获得两项最佳论文奖 ，其中包括10多篇IEEE/ACM会刊论文，以提高模型精度 。或直接设计量子神经网络 。在量子计算机上所获取的结果如图5(h)所示。IBM于2019年1月推出商业化量子计算机IBM Q ，
