AWS加入開源框架PennyLane指導委員會，要融合機器學習和量子運算技術

AWS宣布加入開源專案PennyLane的指導委員會，要與量子電腦新創公司Xanadu合作，共同發展PennyLane，目的是要將機器學習和量子運算的概念融合在一起，建置更好的開發和研究工具。PennyLane是一個跨平臺的Python函式庫，用於量子電腦的可微分程式開發，能以訓練神經網路的方式，訓練量子電腦。

AWS提到，機器學習花了30年的時間，才真正進到人們的生活中，儘管運算能力的改進是機器學習興起的主要原因，但是過去10年，友善的開源軟體生態系，也是許多機器學習成功故事的重要元素，開源軟體跨全球社群加速了創新。

而AWS認為，現在量子運算的研究，跟機器學習早期的發展情況很像，學術界和業界每天都在貢獻新的想法、演算法，並改進硬體，但是有一些共同的障礙仍然存在，而且量子運算研究人才，通常需要多年專業訓練，才能做出貢獻，而這種情況也與機器學習早期發展相同。

目前各大雲端都開始提供自家的量子運算服務，包括AWS的Amazon Braket，用戶能以雲端服務的方式，取用量子電腦資源，而AWS提到，他們希望量子運算可以更普及，供不同社群取用，並將數十年在機器學習的經驗，用來發展量子電腦領域。

AWS認為PennyLane就是答案，PennyLane這個開源專案，試圖彌合量子運算和機器學習兩社群中間的鴻溝。

量子運算界過去只專注研究大規模無嘈雜量子電腦上，希望獲得大幅的運算能力進步，這些研究證明了量子電腦的確有很大的潛力，但是需要的裝置也非比尋常，因此科學家退一步開始研究嘈雜中等規模量子系統(Noisy Intermediate Scale Quantum，NISQ) ，開發相對較少的嘈雜量子位元裝置，而啟發式新型量子演算法應運而生，這是一種不能保證最佳解，但是可以接近正確答案的實際方法，研究人員相信這些演算法能用來進行化學計算，或是各種最佳化計算。

機器學習和量子運算的概念存在相似性，AWS提到，啟發式NISQ機制的量子演算法，和訓練神經網路的原理相同，機器學習中調整權重以及演算法收斂等各個部分，都能對應到量子運算研究中，而用量子電腦來建置可預測性機器學習模型，也是最近當紅的研究領域。

PennyLane便是建立在機器學習和量子運算間的相似性上，緊密結合各個領域以加速創新，特別是PennyLane引入了全新範式——量子可微分程式開發，將機器學習自動微分的基本概念，擴展到量子電路中，因此研究人員不需要重新發明輪子，用PennyLane就可以直接使用現有機器學習函式庫來訓練量子電路，就像是訓練神經網路一樣，讓量子運算研究透過成熟的機器學習工具獲得加速，機器學習專家也可以使用熟悉的工具和術語，開始量子運算的研究。

AWS與PennyLane團隊在過去一年的合作，將PennyLane帶入Amazon Braket，現在用戶可以使用PennyLane建構變體演算法，在Amazon Braket全託管模擬器上進行微調。AWS提到，這項成果僅是開端，已經有更多的研究被移植到軟體框架，以更普及的方式供其他研究人員取用，而新軟體功能也開闢新的研究途徑，正向回饋驅動研究向前發展。