三位学霸博士生，攻克昇腾AI创新大赛昇思赛道五道量子计算赛题

Posted 2022-12-11 CSDN资讯

作者：伍杏玲

人工智能作为新一轮科技革命和产业变革的新赛场，正助力改革我们的生活。为鼓励各行业的开发者基于昇腾 AI共同打造软硬件解决方案，探索前沿模型算法，加速 AI 与行业融合创新，构建具有活力的 AI 开发者生态，由全国20多个昇腾人工智能生态创新中心与华为、联合新一代人工智能产业技术创新战略联盟、OpenI启智社区、中国人工智能产业发展联盟共同举办的首届昇腾 AI 创新大赛，于 4 月 30 日正式启动，开发者们积极参与其中，各展所长。

本大赛共 16 个赛区、两大赛道，应用赛道是面向行业场景进行应用创新，昇思赛道是基于昇思进行算法和前沿任务创新，多元赛道充分为 AI 开发者搭建创意舞台。

11月16日，2022昇腾AI创新大赛总决赛举办，来自全国16个赛区的32支入围队伍在现场及线上展开比拼，经历激烈的角逐，应用赛道角逐出5个金奖10个银奖17个铜奖，昇思赛道评比出20个金奖15个银奖10个铜奖。

此次比赛中涌现出许多优秀作品，让笔者印象深刻的是一支由三位博士生组成的学霸团队“NLPCC不能去现场”，在昇思赛道一鼓作气复现了五道量子计算论文赛题，最终取得银奖的好成绩。

 学霸博士生队伍，攻克五道量子计算赛题

这支博士生团队各有所长，分工明确。队长白琪，浙江大学博士研究生，计算数学专业，研究方向为机器学习、量子计算；同学倪天昊则是研究无监督聚类，偏微分方程谱理论与偏微分方程数值解；队员白瑞娜，贵州大学TCCI实验室博士生，软件工程专业，主攻方向为多视图无监督学习。

白琪

倪天昊

白瑞娜

白琪率先参赛，由于他的研究方向是量子计算，对 MindQuantum 创新任务中与量子计算相关的五个赛题跃跃欲试，最终和团队成功复现量子卷积神经网络、量子生成对抗模型，以及贫瘠高原现象的缓解，实现Multi-Basis Encoding的变分量子算法与MetaQAOA算法求解Max-Cut 问题。

白琪表示，当前量子计算机的发展正处于NISQ（含噪中型量子）阶段，量子比特数目较少，且计算过程中含有噪声。为了更好的利用量子计算的优势，并克服含噪声的缺点，许多研究者将量子计算与机器学习结合起来。当前变分量子算法（VQA）很有前景，它可以结合量子计算与经典计算的优势，来处理各种问题。在MindQuantum案例教程中也有各类变分量子算法的简介。

在采访的过程中，笔者猜想为什么本次大赛特设量子计算前沿赛题？

我们知道，人工智能的发展离不开算据、算法、算力三大要素，随着数字化转型步伐加快，产生的数据体量呈爆发式增长，算法模型日益复杂，参数量呈指数级增加，智能设备已应用到各行各业，算力无处不在。传统计算机的算力瓶颈已成为制约人工智能发展的关键因素。而量子计算以量子比特为基本单元，通过量子态的受控演化实现数据的存储计算，具有经典计算无法比拟的巨大信息携带和超强并行处理能力。量子计算可依靠强大的算力将使人工智能的学习能力大大提高，这将有助于提升模型训练的速度。

昇思 MindSpore 早有布局量子计算，其涵盖的量子计算框架MindQuantum，支持多种量子神经网络的训练和推理，可高效处理量子机器学习、量子化学模拟和量子优化等问题，为科研人员、老师和学生提供了快速设计和验证量子机器学习算法的高效平台。

在本次大赛中，白琪团队在昇思 MindSpore、MindQuantum的 支持下，解题过程勇于尝试，顺利通过创新挑战。

直面挑战，勇闯难关

在比赛过程中，可能会遇到各种挑战，从白琪的叙述中笔者看到他对技术孜孜不倦的追求与深入探索。

白琪从自己最熟悉的量子卷积神经网络开始着手第一个赛题：用量子卷积神经网络求解量子多体问题。当把数据集下载下来后，他发现该数据集的样本个数较少，于是他用线性插值的方法把数据做增强，从原来 81 个数据点增加到 961 个，相当于每两个点的间插入 11 个点来增大样本。此时再稍微调一下参，准确率可达百分之百，数据增强后的平均准确率可达 99%，远远超过题目要求的 90%。白琪也是较早一批提交解题的选手。

第二个赛题是实现量子生成对抗模型 QGAN，论文中生成器采样数据使用的是光量子计算，白琪团队基于 MindQuantum 编程时，由于架构不一样，在通过大量阅读资料后，白琪团队大胆地采用量子比特计算替代光量子计算，最后完成 QGAN 模型的实现。

第三个赛题是实现 Multi-Basis Encoding 的变分量子算法来解决 Max-Cut问题。白琪表示，之前并没有完整地实现过QAOA（量子近似优化算法），做题时先了解和学习 QAOA 理论，再根据论文公式往下研究。就这样，边学变实验，顺利复现。

第四个赛题是用元学习解决组合优化问题，实现 MetaQAOA 算法。在这道题里，量子神经网络（quantum neural network，以下简称QNN）和经典 LSTM 网络结合起来了，相当于让 LSTM 生成QNN参数，再训练 LSTM 如何生成参数，即训练了一个求解器来求解模型里的参数，这里面涉及到 LSTM 和量子模拟器的结合。白琪认为 LSTM 与QNN的耦合是一个难点，论文里将前一步迭代的QNN参数，QNN输出以及隐藏态三项输入到 LSTM 里，得出 LSTM 输出，再输入到量子网络里。然而在实现时遇到一些问题，白琪团队在多次尝试后，将原来的QNN参数给舍弃，直接把 QAOA 里的参数当作 LSTM 的输入和输出。QAOA线路参数呈层级，而 LSTM是用来处理序列数据，LSTM的序列输入与QAOA线路参数的层级有很好的对应关系，因此团队根据QAOA的参数形状设置LSTM的输入与输出。这是与论文实践不同的创意点。值得一提的是，得益于 MindSpore 的良好兼容性，基于 MindQuantum 的量子机器学习层可以无缝与 MindSpore 中的算子衔接，团队最终顺利将 LSTM  以及量子层耦合到模型里。

第五个赛题是贫瘠高原现象的缓解，使用迁移学习实现。在做实验时，白琪团队遇到一些问题可能复现不了。后来仔细分析结果图，从中找蛛丝马迹来调整模型。可能是论文写的较隐晦，白琪他们一开始阅读时没有完全理解。在提交第一次代码后，发现只复现出来了一部分，后来团队又重新读论文，细心寻找线索，最后添加到代码实现中，实现模型。

从白琪身上我们看到，成功从来不是一蹴而就，而是日积月累的沉淀，踏踏实实的努力，细心、耐心、专心，缺一不可。

以赛促学，培养创新人才

经历几个月的紧张比赛，白琪表示在比赛中，收获和成长良多。针对本次大赛和使用到的框架昇思 MindSpore 有以下几点切身体会：

虽然本次大赛他只完成量子计算的五道赛题，但从大赛整体来看，赛题涵盖范围面广泛，从经典神经网络，到量子计算，再到蛋白质结构预测等科学计算多个领域。在解题过程中，难免遇到问题挑战，此时大赛专家及时提供帮忙。例如白琪在复现论文时，由于原文是在 TensorFlow Quantum 上实现的，使用 MindQuantum 实现过程中发现这两个框架的一些算子定义存在全局相位差异，由于当时对量子计算理解不够深刻，开始时按照 TensorFlow Quantum 里的算子直接把全局相位加上去，导致代码无法运行。随后咨询大赛专家徐旭升博士和查找资料后，最终将问题解决。

白琪在使用昇思 MindSpore 框架来完成赛题时，发现其用户体验友好，中文文档易于理解。他建议第一次接触MindSpore的开发者多看文档、多写代码、多尝试，找到适合自己写的方法。

此外，他认为 MindQuantum 的数据输入方式友好，且涵盖众多损失函数，在研究量子计算问题时，开发者只需一键运行这些函数非常方便。昇思MindSpore AI计算框架 使量子计算的学习门槛降低，让研究者可以只关注于算法的设计而不是代码实现。另外，MindQuantum 支持学术关联，优化了一些学术复现过的模型、经典算法等，方便查找和使用。

以赛促学，白琪通过对赛题论文的研究，还拓展阅读了大量相关论文，这个过程学到量子计算在实际应用的过程，了解 QAOA、QGAN 等模型。自身编程能力也有不少提高，例如之前做的是简单模型模拟，通过比赛学习 LSTM 耦合过程，未来如果要实现大模型模拟的话，了解到可通过结合经典神经网络、量子神经网络、量子机器学习层来实现，相信实现会更加轻松。

在采访过程中，白琪给笔者的印象即是乔布斯在斯坦福大学演讲时曾说的名言“求知若饥，虚心若愚”。笔者从侧面感受到2022昇腾 AI 创新大赛以赛促学，产教结合的方式，有效推动 AI 人才培养，让众多像白琪一样的参赛选手借助大赛来提高算法技艺，迸发创新思想。登录官网获取更多2022昇腾AI创新大赛信息： 昇腾社区-官网丨昇腾万里 让智能无所不及