人们对信息的认识，总是远远落后于信息处理机器的生产 —— David 9
很多时候，当我们讨论一个新颖的模型，其实都是在讨论信息处理技术，只是我们很多时候并没有意识到。曾今当图灵机提出的时候，很多人甚至包括设计师自己，都无法想象这种机器会促进何种形式的信息处理技术。
现在，量子计算机也面临着类似的处境，毫无疑问它是处理信息的一种新机器，但没有人知道什么样的信息处理技术可以在这种机器上大放异彩。
上次我们讨论了量子神经网络的基本知识，值得强调的是，这种QNN（量子系统）并不一定是处理信息的最好方式，正如冯诺依曼结构在图灵机之后近10年提出并经过了长时间的考验。 在进一步深入思考之前，我们必须确保自己能够更独立地思考，来判别未来的方向，因此，David补充了下面量子机器学习与量子深度学习的资料，供大家参考：
1. 量子力学五大基本假设 为方便记忆也可以叫“剥削算全态”. 具体内容如下：
人类使用工具的过程很有意思，他们用旧的“先验”去获取新“先验”，而不是满足于完善旧的“先验” — David 9
量子计算机和其它人类工具一样，只是帮助人们探索未见的新“先验”。因为第一期的量子计算QNN入门反响热烈，所以David打算在这里补充第二期。并回答一些前沿探索的关键性问题：
用一句话概括，TFQ(TensorFlow Quantum)是将Cirq与TensorFlow集成在一起的框架。TensorFlow是包装ml或深度学习算法的上层框架。而Cirq就更接近量子计算机设备操作，包括各种常见门逻辑，线路(Circuits)设计，支持不同结构的量子设备(google的Xmon量子设备是网状qubits)。
本质上，TFQ模型的目的是把量子线路(Circuits)嵌入到普通深度学习(机器学习)模型中，让量子线路编码经典深度学习(机器学习)的信息(下图蓝框部分)：
即，制定一些量子线路操作，并对输入量子的量子间“去纠缠”，然后就可以编码经典世界中的信息。详细了解可以看看我们第一期内容。
NISQ和Cluster State是目前量子计算领域的主流概念。
叠加与纠缠的普遍存在， 继续阅读量子卷积神经网络QCNN，TensorFlow Quantum(TFQ)和近期量子计算的疑问总结和例子，David 9量子计算系列#2
曾经的存在主义与结构主义的争论，在量子世界中似乎用概率和大量抽样完成了和解 — David 9
上世纪60年代哲学界有一场关于存在主义与结构主义的争论：存在主义认为一个人的发展是由“自由意识”和欲望主导的; 结构主义认为占主导的其实是社会中的经济、政治、伦理、宗教等结构性因素，人只是巨大结构中的一部分。
究竟是什么塑造了一个人也许难以确定。而对于量子世界，一个qubit（量子比特）的状态，不仅受到量子系统的磁场影响，qubit本身也有自身状态的变化概率和扰动。我们一会儿可以看到，量子系统的输出，即那个qubit的最终观测状态，是用概率和大量抽样判定的:
在细讲QNN前（量子神经网络其实是一个量子系统），David 9 有必要介绍一下量子计算本身的一些基础知识 。
首先，量子计算与传统计算机的不同，可从qubit（量子比特）说起，我们知道与电子计算机非“0”即“1”相比，qubit的状态可能同时介于“0”和“1”之间：
即所谓的“薛定谔的猫”的叠加态（superposition）：
(|0>+|1>) （在量子物理中符号|x>表示状态x）
你们可能会问David，为什么状态系数是 1/
? 这是量子物理中的一个约定（规范化），即平方和等于1：
α^2+β^2=1
其中α和β就是状态的系数，是不是让你联想到圆形几何 ？
是的，在量子物理中可以把qubit想象成粒子球体（叠加或非叠加态）：
三维世界中qubit的自旋状态非常灵活，可以上自旋（|0>），可以下自旋（|1>），可以像地球一样斜着自旋：
继续阅读【独家】当量子计算遇上神经网络与深度学习，QNN初探（ Quantum Neural Networks），David 9的量子计算系列#1
