把技術中最時髦的兩個術語——機器學習和量子計算機——放在一起，你就會得到量子機器學習。就像《復仇者聯(lián)盟》的漫畫書和電影一樣，它們匯集了一批全明星超級英雄來組建一支夢之隊，其結果可能會引起很多關注。但在技術方面，就像在小說中一樣，想出一個好的情節(jié)是很重要的。
如果量子計算機能夠在足夠大的規(guī)模上制造出來，它們有望通過利用亞原子世界的獨特特性，比普通數(shù)字電子更有效地解決某些問題。多年來，研究人員一直想知道這些問題是否包括機器學習，這是一種人工智能(AI)形式，計算機用于發(fā)現(xiàn)數(shù)據(jù)中的模式，并學習可用于在不熟悉的情況下進行推理的規(guī)則。
現(xiàn)在，隨著備受矚目的人工智能系統(tǒng)ChatGPT的發(fā)布，以及量子計算機的規(guī)模和能力的快速增長，這兩項技術都在向前邁進。ChatGPT依靠機器學習，通過推斷文本中單詞之間的關系，為其詭異的類人對話提供動力。把兩者結合起來會有什么用處嗎？
許多科技公司，包括谷歌和IBM等老牌公司，以及加利福尼亞州伯克利的Rigetti和馬里蘭州College Park的IonQ等初創(chuàng)公司，都在研究量子機器學習的潛力。學術科學家也有強烈的興趣。
位于瑞士日內(nèi)瓦郊外的歐洲粒子物理實驗室CERN已經(jīng)使用機器學習來尋找大型強子對撞機生成的數(shù)據(jù)中產(chǎn)生某些亞原子粒子的跡象。那里的科學家是正在進行量子機器學習實驗的學者之一。
歐洲核子研究中心量子計算和機器學習研究小組負責人、物理學家Sofia Vallecorsa表示：“我們的想法是使用量子計算機來加快或改進經(jīng)典的機器學習模型。”。
一個尚未回答的大問題是，在某些情況下，量子機器學習是否比經(jīng)典機器學習更具優(yōu)勢。理論表明，對于專門的計算任務，如模擬分子或?qū)ふ掖笳麛?shù)的素數(shù)，量子計算機將加快計算速度，否則計算時間可能比宇宙年齡更長。但研究人員仍然缺乏足夠的證據(jù)證明機器學習也能這樣。其他人說，量子機器學習可以發(fā)現(xiàn)經(jīng)典計算機錯過的模式——即使它沒有更快。
南非德班的物理學家Maria Schuld說，研究人員對量子機器學習的態(tài)度在兩個極端之間轉(zhuǎn)變?？偛课挥诩幽么蠖鄠惗嗟牧孔佑嬎愎綳anadu的Schuld表示，人們對這種方法的興趣很高，但研究人員似乎越來越對短期應用前景的缺乏感到無奈。
一些研究人員開始將重點轉(zhuǎn)移到將量子機器學習算法應用于固有量子現(xiàn)象的想法上。劍橋麻省理工學院的物理學家Aram Harrow表示，在量子機器學習的所有擬議應用中，這是“具有相當明顯量子優(yōu)勢的領域”。
在過去的20年里，量子計算研究人員開發(fā)了大量量子算法，理論上可以提高機器學習的效率。2008年，Harrow與麻省理工學院物理學家Seth Lloyd和Avinatan Hassidim(現(xiàn)就職于以色列拉馬特甘的巴伊蘭大學)一起發(fā)明了一種量子算法，該算法在求解大型線性方程組方面比經(jīng)典計算機快數(shù)倍，這是機器學習的核心挑戰(zhàn)之一。
但在某些情況下，量子算法的前景并沒有實現(xiàn)。一個引人注目的例子發(fā)生在2018年，當時計算機科學家Ewin Tang找到了一種方法來擊敗2016年設計的量子機器學習算法。量子算法旨在提供Netflix等互聯(lián)網(wǎng)購物公司和服務在客戶先前選擇的基礎上向他們提供的建議類型，而且它在提出此類建議方面比任何已知的經(jīng)典算法都快得多。
Tang當時是得克薩斯大學奧斯汀分校(UT)的一名18歲本科生，他寫了一個幾乎同樣快的算法，但可以在普通計算機上運行。唐的顧問、UT量子計算研究員Scott Aaronson表示，量子推薦是一個罕見的算法例子，它似乎能在實際問題中顯著提高速度，因此她的工作“使實際機器學習問題的指數(shù)量子加速目標比以前更加遙不可及”?，F(xiàn)就讀于加州大學伯克利分校的唐表示，她仍然“非常懷疑”任何關于機器學習中量子加速的說法。
一個潛在的更大的問題是，經(jīng)典數(shù)據(jù)和量子計算并不總是很好地結合在一起。粗略地說，一個典型的量子計算應用程序有三個主要步驟。首先，量子計算機被初始化，這意味著它的單個存儲單元，稱為量子比特或量子位，被置于一個糾纏的量子狀態(tài)。接下來，計算機執(zhí)行一系列操作，即對經(jīng)典比特進行邏輯運算的量子模擬。在第三步中，計算機進行讀出，例如通過測量攜帶量子運算結果信息的單個量子位的狀態(tài)。這可能是機器內(nèi)給定的電子是順時針旋轉(zhuǎn)還是逆時針旋轉(zhuǎn)。
Harrow、Hassidim和Lloyd的算法有望加快第二步——量子運算。但在許多應用程序中，第一步和第三步可能非常緩慢，并抵消了這些收益。初始化步驟需要將“經(jīng)典”數(shù)據(jù)加載到量子計算機上，并將其轉(zhuǎn)換為量子態(tài)，這通常是一個效率低下的過程。由于量子物理本質(zhì)上是概率性的，因此讀數(shù)通常具有隨機性，在這種情況下，計算機必須多次重復所有三個階段，并對結果進行平均，才能得到最終答案。
西雅圖華盛頓大學量子計算研究員Nathan Wiebe表示，一旦量化數(shù)據(jù)被處理成最終的量子態(tài)，可能也需要很長時間才能得到答案。Wiebe在10月份的一次量子機器學習研討會上說：“我們只能從最薄的吸管里吸取這些信息?！?
Schuld說：“當你問幾乎任何研究人員量子計算機將擅長哪些應用時，答案是，‘可能，不是經(jīng)典數(shù)據(jù)’?！??！暗侥壳盀橹?，沒有真正的理由相信經(jīng)典數(shù)據(jù)需要量子效應。”
Vallecorsa和其他人說，速度并不是評判量子算法的唯一標準。還有跡象表明，由機器學習驅(qū)動的量子人工智能系統(tǒng)可以學會識別數(shù)據(jù)中的模式，而經(jīng)典的人工智能系統(tǒng)會錯過這些模式。德國澤森DESY粒子物理實驗室的物理學家卡爾·詹森說，這可能是因為量子糾纏建立了量子比特之間的相關性，從而建立了數(shù)據(jù)點之間的相關性。他說：“希望我們能檢測到數(shù)據(jù)中的相關性，而這些相關性很難用經(jīng)典算法檢測到?！?。
但是Aaronson不同意。量子計算機遵循眾所周知的物理定律，因此，只要有足夠的時間，它們的工作原理和量子算法的結果完全可以由普通計算機預測。Aaronson說：“因此，唯一感興趣的問題是量子計算機是否比完美的經(jīng)典模擬更快?！?。
另一種可能性是通過對已經(jīng)是量子的數(shù)據(jù)使用量子機器學習算法，完全避開翻譯經(jīng)典數(shù)據(jù)的障礙。
縱觀量子物理學的歷史，量子現(xiàn)象的測量被定義為使用“生活”在宏觀經(jīng)典世界中的儀器進行數(shù)值讀數(shù)。但有一個新興的想法涉及一種新興的技術，稱為量子傳感，它允許使用純量子儀器測量系統(tǒng)的量子特性。將這些量子態(tài)直接加載到量子計算機的量子位上，然后可以使用量子機器學習來發(fā)現(xiàn)模式，而無需與經(jīng)典系統(tǒng)進行任何接口。
麻省理工學院物理學家、谷歌研究員Xin Yuan Huang表示，在機器學習方面，這可能比將量子測量作為經(jīng)典數(shù)據(jù)點收集的系統(tǒng)有很大優(yōu)勢。“我們的世界本質(zhì)上是量子力學的。如果你想擁有一臺可以學習的量子機器，它可能會更強大，”他說。
Huang和他的合作者在谷歌的一臺Sycamore量子計算機上進行了原理驗證實驗4。他們將其中的一些量子位用于模擬一種抽象材料的行為。處理器的另一部分隨后從這些量子位中獲取信息，并使用量子機器學習進行分析。研究人員發(fā)現(xiàn)，這項技術比傳統(tǒng)的測量和數(shù)據(jù)分析要快得多。
Huang說，在量子世界中充分收集和分析數(shù)據(jù)，可以使物理學家解決經(jīng)典測量只能間接回答的問題。其中一個問題是，某種材料是否處于特定的量子態(tài)，從而使其成為超導體——能夠以幾乎為零的電阻導電。經(jīng)典實驗要求物理學家間接證明超導性，例如通過測試材料對磁場的反應。
Jensen說，粒子物理學家也在研究使用量子傳感來處理未來粒子對撞機產(chǎn)生的數(shù)據(jù)，比如在LUXE，一個將電子和光子粉碎在一起的DESY實驗——盡管這個想法距離實現(xiàn)還有至少十年的時間，他補充道。相距遙遠的天文臺也可能使用量子傳感器收集數(shù)據(jù)，并通過未來的“量子互聯(lián)網(wǎng)”將其傳輸?shù)街醒雽嶒炇?，在量子計算機上進行處理。希望這能使圖像以無與倫比的清晰度被捕捉到。
如果這種量子傳感應用被證明是成功的，那么量子機器學習就可以在結合這些實驗的測量結果和分析由此產(chǎn)生的量子數(shù)據(jù)方面發(fā)揮作用。
最終，量子計算機是否會為機器學習提供優(yōu)勢將由實驗決定，而不是通過數(shù)學證明其優(yōu)勢——或者缺乏優(yōu)勢。Harrow說：“我們不能指望一切都能像理論計算機科學那樣得到證明。”。
“我當然認為量子機器學習仍然值得研究，”Aaronson說，無論最終是否會提高效率。舒爾德對此表示贊同?！拔覀冃枰诓皇茏C明加速的限制的情況下進行研究，至少在一段時間內(nèi)是這樣?！?/p>
本文譯自 nature，由 兩個豬頭 編輯發(fā)布。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。 ）
