你愿意为追踪疫情，而牺牲个人数据吗？

具有批标准化操作的 QF-Net(w/ BN) 在识别数字 3，6 中获得 97.01% 的准确率，比现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。

图 5展示了一个二值分类示例。QuantumFlow 通过 QF-FB 训练得到网络如图 5(b) 所示，根据 QF-Map，将 QF-Net 首先映射到 QF-Circ 上，如图 5(C) 所示，进而根据 IBM 量子计算机 ibmq_essex 的错误率 (图 5(d))，QF-Map 将 QF-Net 映射到物理量子比特上，并对 100 组输入数据进行分类。在量子计算机上所获取的结果如图 5(h) 所示。

 

如图 3所示，QuantumFlow 框架包括四个组件：

网络模型设计器 QF-Net:其利用随机变量对输入实数数据进行表示，能够自然地利用量子状态进行表示，并实现随机变量的运算。该设计器提出了便于量子线路实现的基本运算操作，包括向量的线性、非线性运算与批标准化操作。

量子线路设计器 QF-Circ:针对 QF-Net 中每一个运算操作，设计了对应的量子线路实现。

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，以为支持高效地 QF-Net 模型训练。

网络映射 QF-Map:根据依靠 QF-FB 训练得到的 QF-Net 模型，将首先进行网络-线路映射，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，部署 QF-Net 到量子计 算机。在进行虚拟-物理量子比特映射时，将考虑量子计算机的错误率，以提高模型精度。

基于 QF-FB 在传统计算机上的模拟结果展示了 QF-Net 的有效性。如图 4所示，针对量子计算设计的 QF-Net 获取比具有相同结构的针对传统计算系统的多层感知器 MLP(C) 更高的精度。


 

深度神经网络是当下计算应用中发展最快，使用最广的机器学习算法。如图2所示，深度神经网络加速器，已经在通用处理器(CPU,GPU)以及专用加速器(FPGA，ASIC)上得到广泛研究。

然而，随着应用不断复杂化导致网络结构不断扩大，存储性能瓶颈已逐渐凸显。在传统计算平台上，N 个数字比 特只能表示 1 个 N 位数据，然而在量子计算中，M 个量子比特却同时能表示 2^M 个数据，并能同时操作这些数据。

量子计算机如此强大的存储与计算能力，使其拥有巨大潜能打破神经网络在传统计算平台上的性能瓶颈，获取量子优势。

首个量子计算协同设计框架，让你的神经网络飞起来

如何在深度学习领域获取量子优势还面临诸多挑战，其中第一个障碍便是缺少一个协同设计神经网 络与量子线路的自动化工具。

现有工作或是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，或是直接设计量子神经网络。

然而这样的独立设计很难发挥量子计算机的优势(例如实数乘法会引入过多量子比特，带来巨大开销)。根本原因是缺乏一个协同设计的工具，该工作填补了这一空白，提出了第一个神经网络/量子计算协同设计框架，QuantumFlow。

 

3 可用性

EPaxos任意副本均可提供服务，某个副本不可用了可立即切换到其它副本，副本失效对可用性的影响微乎其微;而Multi-Paxos和Raft均依赖Leader，Leader不可用了需要重新选举Leader，在新Leader未选举出来之前服务不可用。显然EPaxos的可用性比Multi-Paxos和Raft更好，但Multi-Paxos和Raft比谁的可用性更好呢。

Raft是强Leader，Follower必须等旧Leader的Lease到期后才能发起选举，Multi-Paxos是弱Leader，Follwer可以随时竞选Leader，虽然会对效率造成一定影响，但在Leader失效的时候能更快的恢复服务，因此Multi-Paxos比Raft可用性更好。

4 适用场景

EPaxos更适用于跨AZ跨地域场景，对可用性要求极高的场景，Leader容易形成瓶颈的场景。Multi-Paxos和Raft本身非常相似，适用场景也类似，适用于内网场景，一般的高可用场景，Leader不容易形成瓶颈的场景。

思考

最后留下几个思考题，感兴趣的同学可以思考思考，欢迎大家在评论区留言：

1)Paxos的Proposal ID需要唯一吗，不唯一会影响正确性吗?

（编辑：惠州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!