來源：學術(shù)頭條 作者：Davide Castelvecchi

我們可以將其稱為未來計算的復仇者聯(lián)盟。將兩個科技界最熱門的術(shù)語——機器學習和量子計算機結(jié)合起來，就形成了量子機器學習（quantum machine learning）。就像《復仇者聯(lián)盟》的漫畫書和電影將一群超級英雄集結(jié)起來，形成了一個夢幻團隊，這一組合很可能會吸引大量關(guān)注。但無論在科技還是小說領(lǐng)域，制定一個好的情節(jié)都是至關(guān)重要的。

如果量子計算機能夠以足夠大的規(guī)模制造出來，那么通過利用亞原子世界的獨特屬性，它們有望比普通數(shù)字電子技術(shù)更高效地解決某些問題。多年來，研究人員一直在探究這些問題是否包括機器學習——一種人工智能形式，其中計算機被用于發(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（該系統(tǒng)依靠機器學習，通過推斷文本中單詞之間的關(guān)系來實現(xiàn)類似人類的對話），以及量子計算機的規(guī)模和能力的快速增長，這兩種技術(shù)都在迅猛發(fā)展。那么，當兩者結(jié)合，會產(chǎn)生什么有用的東西嗎？

興趣正不斷增長

許多科技公司，包括 Google 和 IBM 等老牌企業(yè)以及加利福尼亞伯克利的 Rigetti 和馬里蘭大學學院公園的 IonQ 等初創(chuàng)公司，都在研究量子機器學習的潛力。學術(shù)界的科學家們也對此興趣濃厚。

位于瑞士日內(nèi)瓦郊外的歐洲粒子物理實驗室歐洲核子研究中心（CERN），已經(jīng)利用機器學習在大型強子對撞機產(chǎn)生的數(shù)據(jù)中尋找某些亞原子粒子的跡象。那里的科學家們是正在進行量子機器學習實驗的學者群體之一。

CERN 的量子計算和機器學習研究小組組長、物理學家索 Sofia Vallecorsa 說：“我們的想法是利用量子計算機加速或改進傳統(tǒng)機器學習模型?！?/p>

目前尚未解決的一個重要問題是，在某些場景下，量子機器學習是否會比傳統(tǒng)機器學習更具優(yōu)勢。理論表明，對于特定的計算任務(wù)，如模擬分子結(jié)構(gòu)或?qū)ふ掖笳麛?shù)的質(zhì)因數(shù)，量子計算機將加速可能比宇宙的年齡還長的計算過程。但研究人員仍缺乏足夠的證據(jù)證明這一點適用于機器學習。也有人說，量子機器學習可能會發(fā)現(xiàn)傳統(tǒng)計算機未發(fā)現(xiàn)的模式——即使它的速度并不快。

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)度搖擺在兩個極端之間。盡管研究人員對這種方法興趣濃厚，但似乎越來越不甘心短期應(yīng)用前景的渺茫。Schuld 在加拿大多倫多的量子計算公司 Xanadu 工作。

一些研究人員開始將焦點轉(zhuǎn)向?qū)⒘孔訖C器學習算法應(yīng)用于本質(zhì)上是量子的現(xiàn)象。麻省理工學院（MIT）物理學家 Aram Harrow 表示，在所有量子機器學習的提議應(yīng)用中，這是“一個量子優(yōu)勢相當明顯的領(lǐng)域”。

量子算法能湊效嗎？

過去 20 年來，量子計算研究人員們開發(fā)了大量的量子算法，這些算法理論上可以使機器學習更為高效。在 2008 年的一項開創(chuàng)性研究中，Harrow 與 MIT 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）共同發(fā)明了一種量子算法，該算法在解決機器學習核心挑戰(zhàn)之一的大型線性方程組方面，比傳統(tǒng)計算機快得多。

但在某些情況下，量子算法并未實現(xiàn)其預期的效果。一個廣為人知的例子發(fā)生在 2018 年，計算機科學家 Ewin Tang 發(fā)現(xiàn)的一種方法，可以擊敗 2016 年設(shè)計的一種量子機器學習算法。該量子算法旨在提供互聯(lián)網(wǎng)購物公司和 Netflix 等服務(wù)公司根據(jù)客戶之前的選擇向客戶提供的建議類型——并且在做出這類推薦時比任何已知的傳統(tǒng)算法快得多。

當時，只有 18 歲的本科生 Tang 編寫了一個幾乎同樣快速的算法，但該算法可以在傳統(tǒng)計算機上運行。德克薩斯大學奧斯汀分校量子計算研究員 Scott Aaronson 是 Tang 的指導老師，他表示，量子推薦算法是一個罕見的例子，它似乎在實際問題中提供了顯著的速度提升，因此她的工作“使得實際機器學習問題中的量子速度指數(shù)級提升的目標比以前更加遙不可及”。Tang 說，她仍然對任何有關(guān)機器學習中量子速度大幅提升的說法持“相當懷疑的態(tài)度”。

一個潛在的更大問題是，傳統(tǒng)數(shù)據(jù)與量子計算并不總是能很好地結(jié)合在一起。大致來說，一個典型的量子計算應(yīng)用有三個主要步驟。首先，量子計算機初始化，這意味著其各個內(nèi)存單元（稱為量子位或量子比特）將被置于一種集體糾纏的量子態(tài)。接下來，計算機執(zhí)行一系列操作，即經(jīng)典比特邏輯運算的量子類似操作。在第三步中，計算機執(zhí)行讀出操作，例如測量攜帶關(guān)于量子運算結(jié)果信息的單個量子位的狀態(tài)，這可能是指示機器內(nèi)部的某個電子是順時針還是逆時針旋轉(zhuǎn)等。

就像“最細的吸管”

Harrow、Hassidim 和 Lloyd 等人提出的算法有望加快上述“第二步”。但在許多應(yīng)用中，第一步和第三步可能極其緩慢，從而抵消了這些優(yōu)勢。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)，這通常是一個低效的過程。而且，由于量子物理本質(zhì)上是概率性的，讀取過程常常帶有隨機性，因此，量子計算機必須多次重復所有三個階段，并對結(jié)果求取平均值，從而得出最終答案。

華盛頓大學西雅圖分校的量子計算研究員 Nathan Wiebe 表示，一旦量子化數(shù)據(jù)被處理成最終的量子態(tài)，取出答案也可能需要很長時間。他在 10 月份的一個量子機器學習研討會上說：“我們只能從最細的吸管中吸取信息?！?/p>

“當你問幾乎任何研究員量子計算機擅長什么應(yīng)用時，答案是，‘可能，并不是經(jīng)典數(shù)據(jù)，’”Schuld 表示，“到目前為止，沒有真正的理由相信經(jīng)典數(shù)據(jù)需要量子效應(yīng)?！?/p>

Vallecorsa 和其他人表示，速度并不是評估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)或許能學會識別經(jīng)典算法會遺漏的數(shù)據(jù)模式。

這可能是因為量子糾纏在量子位之間建立了相關(guān)性，因此也在數(shù)據(jù)點之間建立了相關(guān)性，德國 Zeuthen 的 DESY 粒子物理實驗室的物理學家 Karl Jansen 說，“我們希望能夠檢測到在數(shù)據(jù)中很難被經(jīng)典算法檢測到的相關(guān)性?！?/p>

但 Aaronson 持不同意見。量子計算機遵循已知的物理定律，因此它們的運作和量子算法的結(jié)果完全可以由一個普通計算機在足夠時間內(nèi)預測?！耙虼?，唯一值得關(guān)注的問題是，量子計算機是否比完美的經(jīng)典模擬更快，”Aaronson 說。

根本性量子變革

還有一種可能性，就是完全避開轉(zhuǎn)換經(jīng)典數(shù)據(jù)的障礙，通過在原本就是量子的數(shù)據(jù)上使用量子機器學習算法。

在整個量子物理學歷史中，量子現(xiàn)象的測量一直被定義為使用一種生活在宏觀、經(jīng)典世界的儀器來進行數(shù)值讀取。但現(xiàn)在有一種新興的想法，涉及一種被稱為量子傳感的新興技術(shù)，使得系統(tǒng)的量子屬性通過純量子儀器來測量。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識別模式，而無需與經(jīng)典系統(tǒng)進行任何連接。

麻省理工學院物理學家、谷歌研究員 Hsin-Yuan Huang 表示，在機器學習方面，這可能比收集量子測量作為經(jīng)典數(shù)據(jù)點的系統(tǒng)更具優(yōu)勢，“我們的世界本質(zhì)上是量子力學的。如果你想要一臺可以學習的量子機器，它可能會更加強大?！?/p>

Huang 和他的合作者在谷歌的一臺 Sycamore 量子計算機上進行了一個原理驗證實驗。他們將部分量子位用于模擬一種抽象材料的行為。然后，處理器的另一部分利用這些量子位的信息，并通過量子機器學習進行分析。研究人員發(fā)現(xiàn)，這種技術(shù)比經(jīng)典的測量和數(shù)據(jù)分析快得多。

它是一種超導體嗎？

Huang 表示，完全在量子世界中進行數(shù)據(jù)的收集與分析，可以讓物理學家解決那些只能通過經(jīng)典測量方法間接回答的問題。例如，一個特定材料是否處于一種特殊的量子態(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，例如測試材料對磁場的反應(yīng)。

粒子物理學家也在研究使用量子傳感技術(shù)來處理未來粒子對撞機產(chǎn)生的數(shù)據(jù)，如在 DESY 的 LUXE 實驗中，將電子和光子相撞，Jensen 說。盡管這一想法至少還有十年的時間才能實現(xiàn)，他補充道。彼此相距遙遠的天文觀測站也可能使用量子傳感器來收集數(shù)據(jù)，并通過未來的“量子互聯(lián)網(wǎng)”將它們傳輸?shù)街醒雽嶒炇遥闪孔佑嬎銠C進行處理。人們希望，這能使得捕捉的圖像具有前所未有的清晰度。

如果這類量子傳感應(yīng)用被證明是成功的，那么量子機器學習可能會在結(jié)合這些實驗的測量結(jié)果和分析得出的量子數(shù)據(jù)中發(fā)揮作用。

最終，量子計算機是否會為機器學習帶來優(yōu)勢，將通過實驗而非數(shù)學證明來決定?！拔覀儾荒芷诖袞|西都像我們在理論計算機科學中那樣被證明，”Harrow 說。

“我當然認為量子機器學習仍然值得研究，”Aaronson 說，無論是否最終提高效率。Schuld 同意這一說法?！拔覀冃枰诓皇茏C明速度提升的限制下進行研究，至少目前是這樣的。”

審核編輯：劉清