[[219586]]

90年代初，當(dāng)衛(wèi)奇塔州立大學(xué)(Wichita State University)的物理學(xué)教授Elizabeth Behrman開始結(jié)合量子物理學(xué)和人工智能（主要是當(dāng)時(shí)備受爭(zhēng)議的神經(jīng)網(wǎng)絡(luò)技術(shù)）時(shí)，大多數(shù)人認(rèn)為這兩門學(xué)科就像油和水一樣，根本沒辦法結(jié)合。“當(dāng)時(shí)我連發(fā)表論文都很困難。神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)期刊問(wèn)我‘量子力學(xué)是什么’，而物理學(xué)期刊則會(huì)問(wèn)‘神經(jīng)網(wǎng)絡(luò)是什么玩意’。”她回憶道。

如今，這兩門學(xué)科的結(jié)合似乎再自然不過(guò)了。神經(jīng)網(wǎng)絡(luò)和其他機(jī)器學(xué)習(xí)系統(tǒng)成為了21世紀(jì)影響***的技術(shù)。這些系統(tǒng)不僅在一些大部分人不擅長(zhǎng)的任務(wù)（例如：圍棋和數(shù)據(jù)挖掘）上打敗了人類，而且還在大腦的某些本職工作（例如：面部識(shí)別、語(yǔ)言翻譯）上超越了人類。這些系統(tǒng)的實(shí)現(xiàn)依賴于龐大的計(jì)算能力，因此科技公司要尋找的計(jì)算機(jī)不僅要更大，而且還要更先進(jìn)。     

在經(jīng)歷了數(shù)十年的研究后，量子計(jì)算機(jī)現(xiàn)在的計(jì)算能力已經(jīng)超越了其他所有計(jì)算機(jī)。人們常認(rèn)為，量子計(jì)算機(jī)的殺手級(jí)應(yīng)用可以對(duì)大數(shù)進(jìn)行因數(shù)分解——這對(duì)現(xiàn)代加密技術(shù)至關(guān)重要。但是實(shí)現(xiàn)這一點(diǎn)至少還要再等十年。不過(guò)，當(dāng)前基本的量子處理器已經(jīng)可以滿足機(jī)器學(xué)習(xí)的計(jì)算需求。量子計(jì)算機(jī)在一個(gè)步驟之內(nèi)可以處理大量的數(shù)據(jù)，找出傳統(tǒng)計(jì)算機(jī)無(wú)法識(shí)別出的微妙模式，在遇到不完整或不確定數(shù)據(jù)時(shí)也不會(huì)卡住。“量子計(jì)算和機(jī)器學(xué)習(xí)固有的統(tǒng)計(jì)學(xué)性質(zhì)之間存在著一種天然的結(jié)合。” Rigetti Computing的物理學(xué)家Johannes Otterbach表示。（Rigetti Computin是一家位于加州伯克利的量子計(jì)算機(jī)公司。）

如果有什么不同的話，那就是當(dāng)前的趨勢(shì)已經(jīng)走向另一極端。谷歌、微軟、IBM等科技巨頭正在往量子機(jī)器學(xué)習(xí)上猛砸錢，多倫多大學(xué)還成立了一個(gè)量子機(jī)器學(xué)習(xí)創(chuàng)業(yè)孵化器。“‘機(jī)器學(xué)習(xí)’現(xiàn)在正成為一個(gè)潮詞。在 ‘機(jī)器學(xué)習(xí)’加上‘量子’，它就變成了一個(gè)超級(jí)潮詞。”莫斯科斯科爾科沃科技學(xué)院（Skolkovo Institute of Science and Technology）的量子物理學(xué)家Jacob Biamonte稱。

然而，“量子”一詞在此處沒有任何意義。你可能能會(huì)認(rèn)為量子機(jī)器學(xué)習(xí)系統(tǒng)應(yīng)該很強(qiáng)大，但是這種系統(tǒng)實(shí)際上卻像是患有某種閉鎖綜合癥。量子機(jī)器學(xué)習(xí)系統(tǒng)處理的是量子態(tài)，而不是人類可以理解的數(shù)據(jù)，量子態(tài)和數(shù)據(jù)的相互轉(zhuǎn)換會(huì)使系統(tǒng)原有的優(yōu)勢(shì)消失。就像是，iPhone X原本的參數(shù)和性能都很強(qiáng)，但是如果網(wǎng)絡(luò)信號(hào)太差的話，它就會(huì)和老式手機(jī)一樣慢。在一些特殊情況中，物理學(xué)家可以克服輸入輸出障礙，但是這些情況是否存在于現(xiàn)實(shí)機(jī)器學(xué)習(xí)任務(wù)中？答案仍然是未知的。“我們現(xiàn)在還沒有明確的答案。一直以來(lái)，人們往往對(duì)這些算法是否能提高計(jì)算速度并不關(guān)心。”德克薩斯州大學(xué)奧斯汀分校計(jì)算機(jī)科學(xué)家Scott Aaronson表示。

▌量子神經(jīng)元

無(wú)論是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，還是量子神經(jīng)網(wǎng)絡(luò)，它們的主要任務(wù)都是識(shí)別模式。受人類大腦的啟發(fā)，神經(jīng)網(wǎng)絡(luò)由基本的計(jì)算單元（即“神經(jīng)元”）構(gòu)成。每個(gè)神經(jīng)元都可以看作為是一個(gè)開關(guān)設(shè)備。一個(gè)神經(jīng)元可以監(jiān)測(cè)多個(gè)其他神經(jīng)元的輸出，就像是投票選舉一樣，如果足夠多的神經(jīng)元處于激活狀態(tài)，這個(gè)神經(jīng)元就會(huì)被激活。通常，神經(jīng)元的排列呈層狀。初始層（initial layer）導(dǎo)入輸入（例如圖像像素），中間層生成不同組合形式的輸入（代表邊、幾何形狀等結(jié)構(gòu)），***一層生成輸出（對(duì)圖像內(nèi)容的高級(jí)描述）。

需要注意的是，神經(jīng)元之間的連接需要經(jīng)過(guò)反復(fù)試驗(yàn)進(jìn)行調(diào)整，不是預(yù)先確定的。例如，給神經(jīng)網(wǎng)絡(luò)輸入帶有“小貓”或“小狗”標(biāo)簽的圖像。網(wǎng)絡(luò)會(huì)給每一張圖像分配一個(gè)標(biāo)簽，檢查是否匹配正確，如果不正確就調(diào)整神經(jīng)元連接。剛開始時(shí)網(wǎng)絡(luò)的預(yù)測(cè)是隨機(jī)生成的，但是其準(zhǔn)確度會(huì)越來(lái)越高；在經(jīng)過(guò)10000個(gè)實(shí)例的訓(xùn)練之后，網(wǎng)絡(luò)將能識(shí)別圖像中的寵物。正規(guī)的神經(jīng)網(wǎng)絡(luò)可能擁有10億個(gè)神經(jīng)元連接，所有連接都需要進(jìn)行調(diào)整。

傳統(tǒng)計(jì)算機(jī)計(jì)算單元的所有連接都用龐大的數(shù)字矩陣表示，運(yùn)行神經(jīng)網(wǎng)絡(luò)就是在計(jì)算矩陣代數(shù)。傳統(tǒng)的方法是，用一個(gè)專門的芯片（例如：圖像處理器）來(lái)完成這些矩陣運(yùn)算。而在完成矩陣運(yùn)算上，量子計(jì)算機(jī)是不可匹敵的。“量子計(jì)算機(jī)運(yùn)算大型矩陣和向量的速度快很多。”麻省理工大學(xué)（MIT）物理學(xué)家、量子計(jì)算先驅(qū)Seth Lloyd稱。

在進(jìn)行運(yùn)算時(shí)，量子計(jì)算機(jī)可以利用量子系統(tǒng)的指數(shù)屬性。量子系統(tǒng)的大部分信息儲(chǔ)存能力并不是靠單個(gè)數(shù)據(jù)單元——qubit（對(duì)應(yīng)于傳統(tǒng)計(jì)算機(jī)中的bit）實(shí)現(xiàn)的，而是靠這些qubit的共同屬性實(shí)現(xiàn)的。兩個(gè)qubit帶有四個(gè)連接狀態(tài)：開/開、關(guān)/關(guān)、開/關(guān)、關(guān)/開。每個(gè)連接狀態(tài)都分配有一個(gè)特定的權(quán)重或“幅值”，代表一個(gè)神經(jīng)元。三個(gè)qubit可以代表八個(gè)神經(jīng)元。四個(gè)qubit可以代表16個(gè)神經(jīng)元。機(jī)器的運(yùn)算能力呈指數(shù)增長(zhǎng)。實(shí)際上，整個(gè)系統(tǒng)處處都分布有神經(jīng)元。當(dāng)處理4個(gè)qubit的狀態(tài)時(shí)，計(jì)算機(jī)一步可以處理16個(gè)數(shù)字，而傳統(tǒng)的計(jì)算機(jī)只能一步只能處理一個(gè)。

Lloyd估計(jì)，60個(gè)qubit的計(jì)算機(jī)可以編碼的數(shù)據(jù)量相當(dāng)于人類一年生成的所有數(shù)據(jù)，300個(gè)qubit的計(jì)算機(jī)可以編碼可觀測(cè)宇宙中的傳統(tǒng)信息內(nèi)容。（IBM、英特爾和谷歌共同研發(fā)的量子計(jì)算機(jī)是當(dāng)前***的量子計(jì)算機(jī)，大約有50個(gè)qubit）。不過(guò)前提是假設(shè)每個(gè)幅值（amplitude）對(duì)應(yīng)于一個(gè)傳統(tǒng)的bit。Aaronson表示：事實(shí)上，幅值是連續(xù)的數(shù)值（復(fù)雜的數(shù)字）。為獲得可信的試驗(yàn)準(zhǔn)確度，可以儲(chǔ)存15 bit的信息。

但是，量子計(jì)算機(jī)的信息儲(chǔ)存能力并不能加快它的運(yùn)算速度。如何能夠使用qubit才是關(guān)鍵。2008年，Lloyd、MIT物理學(xué)家Aram Harrow和以色列巴伊蘭大學(xué)(Bar-Ilan University)計(jì)算機(jī)科學(xué)家Avinatan Hassidim展示了如何用量子計(jì)算機(jī)完成矩陣求逆的關(guān)鍵代數(shù)運(yùn)算。他們將整個(gè)運(yùn)算分解為一系列可以在量子計(jì)算機(jī)上執(zhí)行的邏輯運(yùn)算。他們的算法適用于很多種機(jī)器學(xué)習(xí)算法。而且，需要完成的運(yùn)算步驟少于因數(shù)分解一個(gè)大數(shù)所要完成的步驟。量子計(jì)算機(jī)可以在受到噪聲影響前，迅速完成分類任務(wù)。“在完全通用且容錯(cuò)的量子計(jì)算機(jī)到來(lái)之前，量子計(jì)算可以提供量子優(yōu)勢(shì)。” IBM的 Thomas J. Watson 研究中心的Kristan Temme表示。

▌讓系統(tǒng)本身解決問(wèn)題

目前為止，我們只在4 qubit的計(jì)算機(jī)上實(shí)現(xiàn)了基于量子矩陣代數(shù)的機(jī)器學(xué)習(xí)。量子機(jī)器學(xué)習(xí)在實(shí)驗(yàn)上取得的大部分成功都采用了一種不同的方法：量子系統(tǒng)不只是模仿網(wǎng)絡(luò)，它本身就是網(wǎng)絡(luò)。每個(gè)qubit代表一個(gè)神經(jīng)元。雖然這種方法無(wú)法讓計(jì)算機(jī)利用指數(shù)屬性所帶來(lái)的優(yōu)勢(shì)，但是它可以讓計(jì)算機(jī)利用量子物理學(xué)的其他特性。

位于溫哥華附近的D-Wave Systems公司制造的量子處理器擁有2000個(gè)qubit，是目前***的量子處理器。它和大多數(shù)人觀念中的計(jì)算機(jī)不同：它的主要任務(wù)是尋找數(shù)據(jù)的內(nèi)部一致性，而不是對(duì)輸入數(shù)據(jù)執(zhí)行一系列的運(yùn)算，得出輸出。每個(gè)qubit都是一個(gè)超導(dǎo)電回路，其作用相當(dāng)于一個(gè)向上、向下或向上與向下（疊加）的小電磁體。讓qubit通過(guò)磁力相互作用，這樣就可以將它們“連”在一起。

D-Wave Systems公司制造的用于機(jī)器學(xué)習(xí)應(yīng)用的處理器

在運(yùn)行系統(tǒng)時(shí)，必須先施加一個(gè)水平的磁場(chǎng)，這個(gè)磁場(chǎng)可以將qubit預(yù)置為向上和向下的均等疊加——等同于空白狀態(tài)。輸入數(shù)據(jù)的方法有好幾種。在某些情況中，你可以將某一層qubit固定在預(yù)期的輸入值；不過(guò)多數(shù)情況下，應(yīng)將輸入導(dǎo)入到qubit的相互作用的范圍內(nèi)。然后讓qubit相互作用。某些qubit朝同一方向排列，某些qubit朝相反方向排列，在水平磁場(chǎng)的作用下，它們會(huì)翻轉(zhuǎn)到它們選擇的方向。通過(guò)這樣做，這些qubit可以觸發(fā)其他qubit進(jìn)行翻轉(zhuǎn)。由于很多qubit都沒對(duì)準(zhǔn)方向，剛開始時(shí)會(huì)發(fā)生很多翻轉(zhuǎn)。等到翻轉(zhuǎn)停止后，你可以關(guān)閉水平磁場(chǎng)，將qubit鎖定在固定位置。此時(shí)，qubit處于朝上和朝下的疊加狀態(tài)，這種狀態(tài)可以確保輸出與輸入相對(duì)應(yīng)。

關(guān)鍵在于，Qubit最終的排列方式很難預(yù)測(cè)出來(lái)。通過(guò)完成自然出現(xiàn)的任務(wù)，系統(tǒng)可以解決普通計(jì)算機(jī)難以解決的問(wèn)題。“我們不需要使用算法。這種系統(tǒng)與常規(guī)的編程完全不同。系統(tǒng)本身可以解決問(wèn)題。” 東京工業(yè)大學(xué)的物理學(xué)家Hidetoshi Nishimori解釋道。D-Wave計(jì)算機(jī)的工作原理就是由Hidetoshi Nishimori提出的。

qubit的翻轉(zhuǎn)是由量子隧穿效應(yīng)（quantum tunneling）驅(qū)動(dòng)的。這種效應(yīng)是一種自然趨勢(shì)，量子系統(tǒng)必須要選出***配置，不能退而求其次。你可以構(gòu)建一個(gè)工作原理相似的傳統(tǒng)網(wǎng)絡(luò)，采用隨機(jī)晃動(dòng)，而不是通過(guò)隧穿效應(yīng)來(lái)讓bit翻轉(zhuǎn)。在某些任務(wù)中，這樣的網(wǎng)絡(luò)表現(xiàn)更好。但是有趣的是，在處理機(jī)器學(xué)習(xí)中出現(xiàn)的問(wèn)題時(shí)，量子網(wǎng)絡(luò)實(shí)現(xiàn)***結(jié)果的速度似乎更快。

D-Wave計(jì)算機(jī)也有缺陷。在當(dāng)前的配置下，D-Wave計(jì)算機(jī)的噪聲非常大，它只能執(zhí)行有限的操作。而機(jī)器學(xué)習(xí)算法本質(zhì)上是具有容噪能力的，它們可以理解混亂的現(xiàn)實(shí)環(huán)境，在干擾性背景中從區(qū)分小貓和小狗。“神經(jīng)網(wǎng)絡(luò)對(duì)噪聲有很強(qiáng)的魯棒性。” Behrman稱。

Hartmut Neven是谷歌的一名計(jì)算機(jī)科學(xué)家，他開創(chuàng)了增強(qiáng)現(xiàn)實(shí)技術(shù)，是谷歌Google Glass項(xiàng)目的聯(lián)合創(chuàng)始人。后來(lái)，他領(lǐng)導(dǎo)一個(gè)團(tuán)隊(duì)開始研究量子信息處理。2009年，這個(gè)團(tuán)隊(duì)證明了一臺(tái)初期的D-Wave 計(jì)算機(jī)可以很好地完成一個(gè)機(jī)器學(xué)習(xí)任務(wù)。他們將這臺(tái)計(jì)算機(jī)用作為一個(gè)單層神經(jīng)網(wǎng)絡(luò)，在20000張街景圖數(shù)據(jù)庫(kù)中將圖像分類為兩個(gè)類別：“汽車”和“非汽車”（請(qǐng)記?。哼@臺(tái)D-Wave計(jì)算機(jī)與2018年上線的50-qubit系統(tǒng)屬于完全不同的機(jī)型。）。Neven的團(tuán)隊(duì)結(jié)合使用D-Wave 計(jì)算機(jī)與傳統(tǒng)的計(jì)算機(jī)，他們分析了圖像的各種統(tǒng)計(jì)參數(shù)（quantities），然后計(jì)算這些參數(shù)對(duì)圖像中汽車的敏感度——通常不是很敏感，但至少比拋硬幣（猜正反面）要好。這些參數(shù)的某些組合可以準(zhǔn)確地識(shí)別出汽車，但是無(wú)法識(shí)別出具體車型——這是神經(jīng)網(wǎng)絡(luò)的任務(wù)。

這個(gè)團(tuán)隊(duì)為每個(gè)參數(shù)都分配了一個(gè)qubit。如果qubit的值穩(wěn)定在1，則將相應(yīng)的參數(shù)標(biāo)記為有用；如果qubit的值穩(wěn)定在0，則不用標(biāo)記。Qubit的磁力相互作用可以編碼問(wèn)題的要求，例如：只包含區(qū)分作用***的參數(shù)，以確保參數(shù)的最終選擇盡可能簡(jiǎn)單明了。試驗(yàn)的結(jié)論是，D-Wave計(jì)算機(jī)可以識(shí)別出汽車。

去年，加州理工學(xué)院粒子物理學(xué)家Maria Spiropulu和南加州大學(xué)物理學(xué)家Daniel Lidar領(lǐng)導(dǎo)的一個(gè)團(tuán)隊(duì)將算法應(yīng)用到粒子物理學(xué)問(wèn)題中：將質(zhì)子碰撞分類為“希格斯玻色子(Higgs boson)”和“非希格斯玻色子”。這個(gè)團(tuán)隊(duì)將研究對(duì)象選擇為生成質(zhì)子的碰撞，他們使用基本的粒子理論來(lái)預(yù)測(cè)哪些粒子屬性可能會(huì)表征希格斯粒子的短暫存在，例如：超出動(dòng)量的某些閾值。他們考慮了8種粒子屬性和28種屬性組合，一共是36種候選信號(hào)然后讓南加州大學(xué)的新型量子計(jì)算機(jī)找出***選擇。該計(jì)算機(jī)識(shí)別出16個(gè)有用的變量，3個(gè)***變量。該量子計(jì)算機(jī)在執(zhí)行準(zhǔn)確的分類任務(wù)時(shí)比標(biāo)準(zhǔn)流程所需的數(shù)據(jù)量要少。“在訓(xùn)練集較小的條件下，量子計(jì)算方法的準(zhǔn)確度要比高能物理學(xué)中的傳統(tǒng)方法高。”Lidar表示。

[[219588]]

加州理工學(xué)院物理學(xué)家Maria Spiropulu使用量子機(jī)器學(xué)習(xí)尋找希格斯玻色子。

去年12月，Rigetti 證明了一種使用通用19 qubits量子計(jì)算機(jī)自動(dòng)分類對(duì)象的方法。大致上，研究人員向計(jì)算機(jī)輸入了一系列的城市名稱以及它們之間的距離，然后讓計(jì)算機(jī)將這些城市分類為兩個(gè)地理區(qū)域。這個(gè)問(wèn)題的困難之處在于，一座城市屬于哪個(gè)地理區(qū)域取決于系統(tǒng)對(duì)其他城市的分類，因此必須一下子解決整個(gè)系統(tǒng)。

Rigetti的團(tuán)隊(duì)為每個(gè)城市分配了一個(gè)qubit，表明這個(gè)城市屬于哪個(gè)類別。通過(guò)qubit之間的相互作用（在Rigetti的系統(tǒng)中，這種相互作用是電作用力，而不是磁作用力），每一對(duì)qubit都盡量要選取相反的值——這樣做可以將它們的能量降到最小。顯然，對(duì)于任何qubit數(shù)超過(guò)2個(gè)的系統(tǒng)而言，某些qubit對(duì)只能被分配到相同的類別中。靠近的城市更容易被分配到同一類別中，因?yàn)橄啾染嚯x較遠(yuǎn)的城市，鄰近城市被分配到同一類別中的能量損耗要小。

為了將系統(tǒng)的能量降至***，Rigetti的團(tuán)隊(duì)采用了一種在某些方面類似于D-Wave量子退火的方法。他們先將qubit預(yù)置為所有可能簇分配（cluster assignment）的疊加狀態(tài)。然后讓qubit進(jìn)行短暫的相互作用，使qubit偏向于假設(shè)相同或相反的值。接著他們應(yīng)用了一種模擬水平磁場(chǎng)的機(jī)制，在qubit傾斜時(shí)使它們可以翻轉(zhuǎn)，以使系統(tǒng)更接近于***能量狀態(tài)。***，他們重復(fù)執(zhí)行了這個(gè)兩步驟流程——相互作用與翻轉(zhuǎn)，直到系統(tǒng)的能量降至***，這樣城市就被分類為兩個(gè)不同的區(qū)域。

這些分類任務(wù)是有用的，但很直接。機(jī)器學(xué)習(xí)的***是生成模型，這種模型不僅可以識(shí)別小貓小狗，還可以生成新的原始模型——從來(lái)不存在的動(dòng)物，但它們和真實(shí)動(dòng)物一樣可愛。這種模型甚至還可以自己分辨“小貓”和“小狗”的類別，或者修復(fù)缺少尾巴或爪子的圖像。“在機(jī)器學(xué)習(xí)中，這些方法非常強(qiáng)大且有用，但是應(yīng)用起來(lái)十分困難。” D-Wave的***科學(xué)家Mohammad Amin表示。量子計(jì)算如果能被應(yīng)用到生成式模型中，一定會(huì)大受歡迎。

D-Wave和其他研究團(tuán)隊(duì)已經(jīng)開始著手解決這個(gè)難題。訓(xùn)練生成式模型，也就是調(diào)整qubit之間的（磁或電）相互作用，以使網(wǎng)絡(luò)能復(fù)制某些實(shí)例數(shù)據(jù)。為了實(shí)現(xiàn)這一點(diǎn)，我們可以結(jié)合使用神經(jīng)網(wǎng)絡(luò)和普通的計(jì)算機(jī)。神經(jīng)網(wǎng)絡(luò)負(fù)責(zé)困難的任務(wù)——理解選定的相互作用對(duì)最終的網(wǎng)絡(luò)配置有什么意義，然后計(jì)算機(jī)使用這個(gè)信息來(lái)調(diào)整qubit之間的相互作用。去年，NASA量子人工智能實(shí)驗(yàn)室（NASA’s Quantum Artificial Intelligence Lab）的研究人員Alejandro Perdomo-Ortiz和他的團(tuán)隊(duì)在一篇論文中，用一個(gè)D-Wave系統(tǒng)處理手寫數(shù)字的圖像。結(jié)果，該系統(tǒng)識(shí)別出10個(gè)類別，并為0至9這10個(gè)數(shù)字各分配了一個(gè)類別，而且還生成了自己的手寫體數(shù)字。

▌量子計(jì)算機(jī)的瓶頸

令人失望的是，如果你無(wú)法將數(shù)據(jù)載入到處理器中，你的處理器再?gòu)?qiáng)大也無(wú)濟(jì)于事。在矩陣代數(shù)算法中，一個(gè)簡(jiǎn)單的運(yùn)算就可以處理一個(gè)由16個(gè)數(shù)字構(gòu)成的矩陣，但是載入這個(gè)矩陣卻需要進(jìn)行16個(gè)運(yùn)算。“人們完全沒有重視量子態(tài)制備——將傳統(tǒng)的數(shù)據(jù)載入到量子狀態(tài)中我認(rèn)為這一步是最重要的一步。”量子計(jì)算初創(chuàng)公司Xanadu的研究人員Maria Schuld表示。她是最早獲得量子機(jī)器學(xué)習(xí)博士學(xué)位的人員之一。當(dāng)我們把機(jī)器學(xué)習(xí)系統(tǒng)布置到實(shí)體機(jī)器中時(shí)，常常陷入兩難的境地：如何將一個(gè)問(wèn)題嵌入到qubit網(wǎng)絡(luò)中；讓qubit以正確的方式相互作用。

當(dāng)載入數(shù)據(jù)之后，你需要將數(shù)據(jù)存儲(chǔ)起來(lái)，并確保量子系統(tǒng)在與數(shù)據(jù)相互交互時(shí)不影響正在進(jìn)行的計(jì)算。Lloyd和他的團(tuán)隊(duì)提出了一個(gè)使用光子的量子RAM，但是目前還沒有超傳導(dǎo)qubit或囚禁離子（trapped ions）的類似裝置——用在先進(jìn)量子計(jì)算機(jī)中的技術(shù)。“除了構(gòu)建量子計(jì)算機(jī)本身之外，這是一個(gè)額外的技術(shù)難題。從我和一些實(shí)驗(yàn)主義者的談話中，我發(fā)現(xiàn)他們對(duì)待這些難題的態(tài)度是畏懼的。因?yàn)樗麄儾恢廊绻_始構(gòu)建這樣的量子計(jì)算機(jī)。” Aaronson表示。

***還有一個(gè)問(wèn)題：如何導(dǎo)出數(shù)據(jù)？這意味著檢測(cè)計(jì)算機(jī)的量子狀態(tài)，一次檢測(cè)不僅只能一次返回一個(gè)隨機(jī)抽取的數(shù)字，而且還會(huì)使整個(gè)狀態(tài)崩潰，在你還沒來(lái)得及收回?cái)?shù)據(jù)之前，其他的數(shù)據(jù)就已被清除。你只能再次一遍又一遍地執(zhí)行算法，以收回所有信息。

不過(guò)并不是沒有希望。在某些問(wèn)題中，你可以利用量子干涉（quantum interference）。也就是說(shuō)，你可以設(shè)計(jì)運(yùn)算過(guò)程，使錯(cuò)誤的答案自行消除，并鞏固正確的答案。這樣，當(dāng)檢測(cè)量子狀態(tài)時(shí)，計(jì)算機(jī)就會(huì)給出你想要的數(shù)值，而不是隨機(jī)數(shù)值。但是只有少數(shù)算法（例如蠻力搜索算法brute-force search）可以很好地利用量子干涉，而且速度是適中的。

在某些任務(wù)中，研究人員發(fā)現(xiàn)了輸入和輸出數(shù)據(jù)的快捷方法。2015年，Lloyd、加拿大滑鐵盧大學(xué)的Silvano Garnerone和南加州大學(xué)的Paolo Zanardi證明了：在某些類別的統(tǒng)計(jì)分析中，不需要輸入或存儲(chǔ)整個(gè)數(shù)據(jù)集。同樣，當(dāng)幾個(gè)關(guān)鍵數(shù)值就可以滿足需求時(shí)，不需要讀取所有數(shù)據(jù)。例如，科技公司根據(jù)龐大的消費(fèi)者習(xí)慣數(shù)據(jù)，利用機(jī)器學(xué)習(xí)來(lái)矩陣為用戶建議節(jié)目或者商品。“Netflix或亞馬遜（Amazon）并不需要獲取到處生成的矩陣，它們要做的只是為用戶生成建議。” Aaronson稱。

所有這些引出了這樣一個(gè)問(wèn)題：如果量子計(jì)算機(jī)只在某些特殊任務(wù)中表現(xiàn)優(yōu)秀，傳統(tǒng)的計(jì)算機(jī)是否也能勝任這些任務(wù)？這是量子計(jì)算領(lǐng)域的一個(gè)還未解決的大問(wèn)題。畢竟普通的計(jì)算機(jī)也十分強(qiáng)大。處理大型數(shù)據(jù)集的常用方法——隨機(jī)采用，在本質(zhì)上與量子計(jì)算機(jī)十分類似，即：無(wú)論系統(tǒng)內(nèi)部進(jìn)行何種運(yùn)算，最終返回的結(jié)果都是隨機(jī)的。Schuld稱：“我研究出來(lái)的很多算法常常讓我感到‘它們太棒了，我們這下可以提升運(yùn)算速度了’。不過(guò)我為了好玩又編寫了一個(gè)在傳統(tǒng)計(jì)算機(jī)上運(yùn)行的抽樣算法，我發(fā)現(xiàn)用抽樣算法也可以實(shí)現(xiàn)相同的效果。”

如果回顧量子機(jī)器學(xué)習(xí)目前為止的成果，你會(huì)發(fā)現(xiàn)它們都帶有星號(hào)。以D-Wave計(jì)算機(jī)為例：當(dāng)分類汽車圖像和希格斯粒子時(shí)，D-Wave計(jì)算機(jī)的速度并不比傳統(tǒng)的計(jì)算機(jī)快。“我們?cè)谶@篇論文中沒有談到的一個(gè)問(wèn)題是量子加速。” Google DeepMind團(tuán)隊(duì)的計(jì)算機(jī)科學(xué)家Alex Mott表示。他曾經(jīng)是Higgs研究團(tuán)隊(duì)的一員。矩陣代數(shù)方法（例如Harrow-Hassidim-Lloyd算法）只有在矩陣為稀疏矩陣（多數(shù)元素為零）時(shí)才會(huì)實(shí)現(xiàn)量子加速。“在機(jī)器學(xué)習(xí)中稀疏數(shù)據(jù)集是否真的有趣？從沒有人問(wèn)過(guò)這個(gè)問(wèn)題。” Schuld表示。

▌量子智能

話說(shuō)回來(lái)，現(xiàn)有的方法偶爾有什么進(jìn)展，科技公司們就會(huì)感到十分高興。“我們看到的這些優(yōu)勢(shì)都不算大；它們雖然不是指數(shù)性的，但是至少是二次的”微軟研究院（Microsoft Research）的量子計(jì)算研究院Nathan Wiebe稱。“如果量子計(jì)算機(jī)足夠大、足夠快，我們就可以徹底改變機(jī)器學(xué)習(xí)的許多領(lǐng)域。”在應(yīng)用這些系統(tǒng)的過(guò)程中，計(jì)算機(jī)科學(xué)家可以解決一些理論性難題——這些系統(tǒng)是否在本質(zhì)上更快，原因是什么。 

Schuld還看到了量子計(jì)算在軟件方面的創(chuàng)新空間。機(jī)器學(xué)習(xí)不僅僅是計(jì)算問(wèn)題，而且還是很多問(wèn)題交纏在一起，每個(gè)問(wèn)題都有自己特殊的結(jié)構(gòu)。“人們編寫的算法被從使機(jī)器學(xué)習(xí)變得有趣和美麗的事物中移除。這就是為什么我開始探索其他方法和思考的原因：如果有了量子計(jì)算機(jī)（小型的），它可以運(yùn)行什么機(jī)器學(xué)習(xí)模型？也許這樣的模型還沒有發(fā)明出來(lái)。” Schuld說(shuō)。如果物理學(xué)家想要讓機(jī)器學(xué)習(xí)專家刮目相看，除了構(gòu)建現(xiàn)有模型的量子版模型外，他們要探索別的突破。

許多神經(jīng)科學(xué)家現(xiàn)在認(rèn)為人類思維的結(jié)構(gòu)反映了身體的要求，實(shí)際上機(jī)器學(xué)習(xí)系統(tǒng)也囊括萬(wàn)千。這些系統(tǒng)所處理的圖像、語(yǔ)言和大多數(shù)其他數(shù)據(jù)都來(lái)自于真實(shí)世界，這些數(shù)據(jù)反映了世界的種種特征。同樣，量子機(jī)器學(xué)習(xí)系統(tǒng)也是包羅萬(wàn)象的，它所反映的世界要遠(yuǎn)遠(yuǎn)大于我們的世界。毫無(wú)疑問(wèn)，量子機(jī)器學(xué)習(xí)系統(tǒng)將在處理量子數(shù)據(jù)上大放光彩。當(dāng)數(shù)據(jù)不是圖像，而是物理學(xué)或化學(xué)實(shí)驗(yàn)的產(chǎn)物時(shí)，量子計(jì)算機(jī)將會(huì)大顯神通。如果解決了數(shù)據(jù)輸入問(wèn)題，傳統(tǒng)的計(jì)算機(jī)就將會(huì)被完全淘汰。

***批量子機(jī)器學(xué)習(xí)系統(tǒng)可以為后來(lái)的系統(tǒng)的設(shè)計(jì)提供幫助，這就形成了一個(gè)很好的自我參考循環(huán)。“我們可以使用這樣系統(tǒng)來(lái)構(gòu)建量子計(jì)算機(jī)。在某些調(diào)試任務(wù)中，這是我們唯一的方法。” Wiebe說(shuō)。也許這些系統(tǒng)甚至可以糾正我們的錯(cuò)誤。且不談人類大腦是否是量子計(jì)算機(jī)——這是一個(gè)備受爭(zhēng)議的問(wèn)題，大腦有時(shí)候的行為讓人感覺它就是量子計(jì)算機(jī)。眾所周知，人類的行為離不開情境；現(xiàn)有的選擇決定了我們的偏好，這其實(shí)和我們的邏輯相悖。從這個(gè)角度看，我們確實(shí)像是量子粒子。“人類問(wèn)問(wèn)題的方式以及對(duì)順序的重視，都是量子數(shù)據(jù)集中非常典型的特性。” Perdomo-Ortiz說(shuō)。這樣看來(lái)，量子機(jī)器學(xué)習(xí)系統(tǒng)可以幫助我們研究人類認(rèn)知偏見。

神經(jīng)網(wǎng)絡(luò)和量子處理器有一個(gè)共同點(diǎn)：那就是它們竟然能實(shí)現(xiàn)。訓(xùn)練神經(jīng)網(wǎng)絡(luò)絕不是想當(dāng)然能做到的，過(guò)去幾十年間，大多數(shù)人都對(duì)是否能做到持質(zhì)疑態(tài)度。同樣，量子物理學(xué)是否能被用在計(jì)算上也不好說(shuō)，因?yàn)槲覀儗?duì)量子物理學(xué)獨(dú)特的能力還知之甚少。但是神經(jīng)網(wǎng)絡(luò)和量子處理器都已實(shí)現(xiàn)，雖然并不是總能實(shí)現(xiàn)，但是還是超出了我們的預(yù)期?？紤]到這一點(diǎn)，量子物理學(xué)和神經(jīng)網(wǎng)絡(luò)的結(jié)合也很可能會(huì)在未來(lái)大放異彩。

原文鏈接：https://www.quantamagazine.org/job-one-for-quantum-computers-boost-artificial-intelligence-20180129/