編者按：量子計(jì)算與機(jī)器學(xué)習(xí)的融合已經(jīng)成為一個蓬勃發(fā)展的研究領(lǐng)域，它能否達(dá)到人們對其的期望呢？《量子》雜志發(fā)表了一篇文章詳細(xì)介紹了量子計(jì)算機(jī)的發(fā)展?fàn)顩r及其在機(jī)器學(xué)習(xí)中的運(yùn)用。

[[220541]]

上世紀(jì)90年代初，威奇托州立大學(xué)的物理學(xué)教授伊麗莎白·貝爾曼(Elizabeth Behrman)開始致力于將量子物理與人工智能（特別是當(dāng)時備受爭議的神經(jīng)網(wǎng)絡(luò)技術(shù)）結(jié)合起來的時候， 大多數(shù)人都認(rèn)為她是在將水和油混合在一起。“我花了好長時間才將論文發(fā)表出來，” 她回憶說。“ 神經(jīng)網(wǎng)絡(luò)期刊會問，‘量子力學(xué)是什么？’ 物理期刊會問，‘神經(jīng)網(wǎng)絡(luò)是什么？’”

今天，兩者的結(jié)合似乎是世界上最自然的事情。 神經(jīng)網(wǎng)絡(luò)和其他機(jī)器學(xué)習(xí)系統(tǒng)已經(jīng)成為21世紀(jì)***顛覆性的技術(shù)。它們 不僅在大多數(shù)人類都不擅長的任務(wù)中打敗我們，比如下棋和數(shù)據(jù)挖掘，而且還在我們的大腦的工作上超越了我們，例如識別人臉，翻譯語言等。 這些系統(tǒng)因?yàn)榫薮蟮挠?jì)算能力而成為現(xiàn)實(shí)，因此，科技公司不可避免地會去尋找那些不僅規(guī)模更大的計(jì)算機(jī)，而且還會致力于開發(fā)出一種全新的機(jī)器。

經(jīng)過幾十年的研究，量子計(jì)算機(jī)已經(jīng)有了足夠的計(jì)算能力，超越了地球上所有的計(jì)算機(jī)。它們 的殺手級應(yīng)用通常被認(rèn)為是處理大量數(shù)據(jù)，這是現(xiàn)代加密技術(shù)的關(guān)鍵。不過，這 至少還有10年的時間。 但即使是今天最基本的量子處理器，也與機(jī)器學(xué)習(xí)的需求驚人地匹配。 它們在一個步驟中處理大量數(shù)據(jù)，挑選出傳統(tǒng)的計(jì)算機(jī)所忽略的微妙模式，而且不會因不完整或不確定的數(shù)據(jù)而宕機(jī)。“量子計(jì)算的內(nèi)在統(tǒng)計(jì)特性和機(jī)器學(xué)習(xí)之間存在著一種自然的結(jié)合，” 加州伯克利的量子計(jì)算機(jī)公司 Rigetti Computing 的物理學(xué)家約翰內(nèi)斯·奧特巴赫（Johannes Otterbach ）說。

如果說有什么不同的話，那就是鐘擺已經(jīng)擺到了另一個極端。 谷歌、微軟、IBM和其他科技巨頭都在向量子機(jī)器學(xué)習(xí)投入大量資金，多倫多大學(xué)的創(chuàng)業(yè)孵化器也致力于此。 “機(jī)器學(xué)習(xí)”正在成為一個時髦詞匯，”莫斯科斯科爾科沃（Skolkovo）科技研究所的量子物理學(xué)家雅各布·比昂特(Jacob Biamonte)說。 “當(dāng)你把它和量子結(jié)合在一起的時候，它就變成了一個超級時髦詞匯。”

然而，其中的“量子”這個詞，并不是我們所想的那樣。 盡管你可能認(rèn)為量子機(jī)器學(xué)習(xí)系統(tǒng)應(yīng)該是強(qiáng)大的，但它卻受到某種閉鎖綜合征的影響。 它在量子態(tài)上運(yùn)行，而不是在人類可讀的數(shù)據(jù)上，在兩者之間的轉(zhuǎn)換中，其明顯的優(yōu)勢也被抵消了。 它就像iPhone X一樣，盡管它的規(guī)格令人印象深刻，如果你用的手機(jī)運(yùn)營商網(wǎng)絡(luò)非常差的話，它會和你的舊手機(jī)一樣慢。 對于一些特殊的情況，物理學(xué)家可以克服這個“輸入-輸出”的瓶頸，但是這種情況能否出現(xiàn)在實(shí)際的機(jī)器學(xué)習(xí)任務(wù)中仍然是未知的。 “我們還沒有明確的答案，”德克薩斯大學(xué)奧斯汀分校的計(jì)算機(jī)科學(xué)家斯科特 · 阿隆森（Scott Aaronson）說， “ 人們常常對這些算法是否能夠提高計(jì)算速度表現(xiàn)得非常漫不經(jīng)心。 ”

量子神經(jīng)元

無論是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，還是量子神經(jīng)網(wǎng)絡(luò)，其主要工作都是識別模式。 受到人類大腦的啟發(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。 每一個都可以像一個開關(guān)裝置一樣簡單。一個神經(jīng)元監(jiān)控其他多個神經(jīng)元的輸出，就像進(jìn)行投票一樣，如果有足夠多的神經(jīng)元處于激活狀態(tài)，神經(jīng)網(wǎng)絡(luò)就會啟動。 通常，神經(jīng)元是按層排列的。 初始層接受輸入（如圖像像素），中間層創(chuàng)建各種輸入（表示結(jié)構(gòu)，如邊和幾何形狀），***一層生成輸出（圖像內(nèi)容的高級描述）。

至關(guān)重要的是，線路不是預(yù)先固定的，而是在不斷試錯的過程中進(jìn)行的。 這個網(wǎng)絡(luò)可能會被輸入標(biāo)有"小貓"或"小狗"的圖像， 對于每張圖像，神經(jīng)網(wǎng)絡(luò)會分配一個標(biāo)簽，檢查它是否匹配正確，如果不正確，就調(diào)整神經(jīng)元連接。 起初，它的猜測是隨機(jī)的，但隨后會變得更好;在大約1萬個例子之后，它的準(zhǔn)確性就大大提高了。 一個嚴(yán)肅的神經(jīng)網(wǎng)絡(luò)可以有十億個相互連接，所有這些都需要調(diào)整。

在傳統(tǒng)的計(jì)算機(jī)上，所有這些相互連接都用一個極大的數(shù)字矩陣來表示，而運(yùn)行網(wǎng)絡(luò)則意味著要做矩陣代數(shù)。 按照慣例，這些矩陣操作被外包給一個專門的芯片，比如一個GPU。 但是沒有什么比量子計(jì)算機(jī)做得更好的了。“在量子計(jì)算機(jī)上，對大矩陣和大向量的處理速度要快得多，能夠出現(xiàn)指數(shù)級增長，” 麻省理工學(xué)院的物理學(xué)家、量子計(jì)算的先驅(qū)塞思·勞埃德（Seth Lloyd）說。

對于這項(xiàng)任務(wù)，量子計(jì)算機(jī)能夠利用量子系統(tǒng)的指數(shù)特性。 量子系統(tǒng)的大量信息存儲容量不在于它的單個數(shù)據(jù)單位——量子位（qubit）——經(jīng)典計(jì)算機(jī)bit的量子對應(yīng)物——而在于這些量子位的集體特性。 兩個量子位有四個關(guān)節(jié)狀態(tài)：開/開、關(guān)/關(guān)、開/關(guān)、關(guān)/開。 每一個都有一定的權(quán)重，或者“幅值”，可以代表一個神經(jīng)元。 如果你添加第三個量子位，你可以表示八個神經(jīng)元，第四個的話，神經(jīng)元能有16個。 機(jī)器的容量呈指數(shù)增長。 實(shí)際上，神經(jīng)元被涂抹在整個系統(tǒng)上。當(dāng)你在一個四個量子位的狀態(tài)下行動時, 你一下子就處理了16個數(shù)字, 而一臺傳統(tǒng)的計(jì)算機(jī)則必須一個接一個地檢查這些數(shù)字。

勞埃德 估計(jì)，60個量子位足以編碼相當(dāng)于人類一年所產(chǎn)生的數(shù)據(jù)量，而300個量子位可以攜帶可觀測宇宙的經(jīng)典信息內(nèi)容。 （目前***的量子計(jì)算機(jī)由IBM、英特爾和谷歌制造，擁有50個量子位元。） 這是假設(shè)每個幅值只是一個單一的bit位。 事實(shí)上，幅值是連續(xù)的（實(shí)際上是一個復(fù)數(shù)），而且，為獲得可信的試驗(yàn)精度，可以儲存15 bit的信息，阿隆森說。

但是量子計(jì)算機(jī)的存儲信息的能力并不能使它運(yùn)行得更快。 如何才能使用這些量子位才是關(guān)鍵。 2008年，麻省理工學(xué)院的物理學(xué)家阿拉姆·哈羅（Aram Harrow）和以色列巴伊蘭大學(xué)的計(jì)算機(jī)科學(xué)家阿維納坦·哈西?。ˋvinatan Hassidim），展示了如何進(jìn)行逆矩陣運(yùn)算的關(guān)鍵代數(shù)運(yùn)算。他們將其分解成一系列邏輯運(yùn)算，可以在量子計(jì)算機(jī)上執(zhí)行。 他們的算法適用于各種機(jī)器學(xué)習(xí)技術(shù)。 而且它不需要像大部分算法那樣需要大量的算法步驟。 計(jì)算機(jī)可以在“噪音”出現(xiàn)之前完成分類任務(wù)——這是當(dāng)今技術(shù)的***限制因素——有可能使計(jì)算發(fā)生混亂。“在擁有完全通用的容錯量子計(jì)算機(jī)之前，你可能擁有量子優(yōu)勢，” IBM公司Thomas j.Watson研究中心的 克里斯坦·泰姆（ Kristan Temme）說。

讓機(jī)器本身來解決問題

不過，到目前為止，基于量子矩陣代數(shù)的機(jī)器學(xué)習(xí)只在只有四個量子位的機(jī)器上得到了證明。量子計(jì)算機(jī)迄今為止的大部分實(shí)驗(yàn)成功都采用了不同的方法，量子系統(tǒng)不僅模擬了網(wǎng)絡(luò)，它本身就是網(wǎng)絡(luò)。 每一個量子位代表一個神經(jīng)元。 盡管缺乏指數(shù)運(yùn)算的能力，像這樣的設(shè)備可以利用量子物理的其他特性。

***的這類設(shè)備，有大約2,000個量子位，是由D-Wave Systems制造的量子處理器，位于不列顛哥倫比亞省的溫哥華附近。 和大多數(shù)人觀念中的計(jì)算機(jī)不同， 它不是從一些輸入數(shù)據(jù)開始，執(zhí)行一系列操作并顯示輸出，而是通過找到內(nèi)部一致性來工作。 它的每一個量子位都是一個超導(dǎo)電環(huán)，它充當(dāng)一個微小的電磁體，向上、向下、向上或向下，這是一個疊加態(tài)。 量子位通過允許它們發(fā)生磁性相互作用而“連接”在一起。

[[220542]]

D-Wave系統(tǒng)的處理器被用于機(jī)器學(xué)習(xí)應(yīng)用。

要運(yùn)行這個系統(tǒng)，首先要施加一個水平磁場，這個磁場將量子位初始化為上下相等的疊加態(tài)——相當(dāng)于一塊空白的狀態(tài)。 有幾種方法可以輸入數(shù)據(jù)。 在某些情況下，您將一層量子位固定到所需的輸入值;更常見的情況是，您將輸入合并到交互的強(qiáng)度中。 然后讓量子位相互作用。 有些量子位尋求朝著相同的方向, 有些在相反的方向, 在水平場的影響下, 它們會翻轉(zhuǎn)到它們選擇的方向。 這樣做，它們可能會觸發(fā)其他量子位翻轉(zhuǎn)。 最初，這種情況經(jīng)常發(fā)生，因?yàn)楹芏喽际遣缓侠淼摹?nbsp;但隨著時間的推移，它們會穩(wěn)定下來，你可以關(guān)閉水平磁場來鎖定它們。 在這一點(diǎn)上，量子位處于上下的模式中，以確保輸出跟隨著輸入。

量子位的最終排列是什么很不明顯，這就是問題的關(guān)鍵所在。 這個系統(tǒng)，僅僅是通過自然地去做一些事情，就解決了普通計(jì)算機(jī)可能會遇到的問題。 “我們不需要一個算法，”東京理工大學(xué)的物理學(xué)家Hidetoshi Nishimori解釋說，他發(fā)明了D-Wave機(jī)器的操作原理。 “這與傳統(tǒng)的編程完全不同。 自然解決了這個問題。”

量子位移是由量子穿隧效應(yīng)驅(qū)動的，這是量子系統(tǒng)必須尋找***配置的自然趨勢，而不是滿足于次優(yōu)結(jié)果。 你可以建立一個傳統(tǒng)的網(wǎng)絡(luò)，在類似的原理上工作，使用隨機(jī)的抖動而不是隧道來讓bit翻轉(zhuǎn)，在某些情況下，它實(shí)際上會更好。  但有趣的是, 對于機(jī)器學(xué)習(xí)中出現(xiàn)的各種問題, 量子網(wǎng)絡(luò)似乎能夠更快達(dá)到***狀態(tài)。

D-Wave機(jī)器也有它的批評者。 它非常“嘈雜”，而且在它目前的版本中，只能執(zhí)行有限的操作。然而，機(jī)器學(xué)習(xí)算法的本質(zhì)是可以容忍“噪音”的。 它們之所以有用，正是因?yàn)樗鼈兡茏屓死斫饣靵y的現(xiàn)實(shí)，在干擾性背景中從區(qū)分小貓和小狗。 "眾所周知, 神經(jīng)網(wǎng)絡(luò)對噪音有很強(qiáng)的魯棒性,"貝爾曼說。

2009年，由谷歌的計(jì)算機(jī)科學(xué)家特穆特·奈文(Hartmut Neven)領(lǐng)導(dǎo)的一個團(tuán)隊(duì)，共同創(chuàng)立了谷歌眼鏡項(xiàng)目, 隨后開始進(jìn)行量子信息處理, 展示了早期 D-Wave 機(jī)器如何能夠完成一項(xiàng)令人尊敬的機(jī)器學(xué)習(xí)任務(wù)。 他們把它作為一個單層的神經(jīng)網(wǎng)絡(luò)，把圖像分成兩類：“汽車”或“非汽車”，在一個2萬個街道場景的數(shù)據(jù)庫里。 這臺機(jī)器只有52個可以工作的量子位，太少了, 根本無法拍攝完整的圖像。  （請記住: D-Wave 機(jī)器的類型與***進(jìn)的50量位系統(tǒng)在2018年上線時截然不同。） 因此， 奈文 的團(tuán)隊(duì)將這臺機(jī)器與一臺傳統(tǒng)計(jì)算機(jī)相結(jié)合，分析了這些圖像的各種統(tǒng)計(jì)量，并計(jì)算出這些量對汽車的存在有多敏感——通常不是很精確，但至少比拋硬幣要好。 這些量的一些組合可以一起可靠地識別出一輛汽車, 但不清楚是哪一種——這是神經(jīng)網(wǎng)絡(luò)的任務(wù)。

團(tuán)隊(duì)為每個量分配了一個量子位。 如果這個量固定值為1的話，那么它標(biāo)記相應(yīng)的數(shù)量是有用的;0意味著不用麻煩了。 量子位的磁性相互作用對問題的需求進(jìn)行編碼，例如只包括***辨識力的量，以便使最終的選擇盡可能的簡單。 結(jié)果是能夠發(fā)現(xiàn)一輛汽車。

去年，由加州理工學(xué)院粒子物理學(xué)家瑪麗亞·斯皮羅普魯（Maria Spiropulu）和南加州大學(xué)物理學(xué)家丹尼爾·利達(dá)（Daniel Lidar）帶領(lǐng)的一個小組將該算法應(yīng)用到一個實(shí)際的物理問題上：將質(zhì)子對撞歸類為“希格斯玻色子”或“非希格斯玻色子”。 他們利用基本粒子理論來預(yù)測哪些光子特性可能會泄露出希格斯粒子的短暫存在，比如超過某個閾值的動量。 他們考慮了8種這樣的屬性和28種組合，總共36個候選信號，并讓位于南加州大學(xué)的晚期模型D-Wave找到了***選擇。 它確定了16個變量是有用的，3個是絕對***的。 量子計(jì)算機(jī)需要比標(biāo)準(zhǔn)程序更少的數(shù)據(jù)來進(jìn)行準(zhǔn)確的識別。 “如果訓(xùn)練集很小，那么量子方法確實(shí)比高能量物理社區(qū)使用的傳統(tǒng)方法提供了一個精確的優(yōu)勢，”利達(dá)說。

[[220543]]

加州理工學(xué)院的物理學(xué)家 瑪麗亞·斯皮羅普魯 使用量子機(jī)器學(xué)習(xí)來尋找希格斯玻色子。

去年12月，Rigetti演示了一種使用具有19個量子位的通用量子計(jì)算機(jī)自動對對象進(jìn)行分組的方法。 研究人員向計(jì)算機(jī)輸入了一系列城市和它們之間的距離的方法，并要求將城市分類為兩個地理區(qū)域。 這個問題的困難之處在于，一座城市屬于哪個地理區(qū)域取決于系統(tǒng)對其他城市的分類，所以你必須同時從整個系統(tǒng)出發(fā)。

Rigetti團(tuán)隊(duì)有效地給每個城市分配了一個量子位，指示它被分配給哪個組。 通過量子位的相互作用（在Rigetti的系統(tǒng)中，是電子而非磁性），每一對量子位都試圖取相反的值——當(dāng)它們這樣做時，它們的能量被最小化了。 顯然，對于任何超過兩個量子位的系統(tǒng)，一些量子位必須同意被分配到同一組。 附近的城市更容易接受，因?yàn)樗鼈冊谕唤M的能量消耗低于更遙遠(yuǎn)的城市。

為了使系統(tǒng)達(dá)到***能量，Rigetti團(tuán)隊(duì)采用了類似于D-Wave程序的方法。 他們將量子位初始化為所有可能的集群分配的疊加。 他們允許量子位進(jìn)行短暫的交互，這使他們傾向于假設(shè)相同或相反的值。 然后，他們應(yīng)用了一個水平磁場的模擬，允許量子位在他們傾斜的情況下翻轉(zhuǎn)，推動這個系統(tǒng)向它的***能量狀態(tài)前進(jìn)一點(diǎn)點(diǎn)。 他們重復(fù)了這兩步過程——交互然后翻轉(zhuǎn)——直到系統(tǒng)最小化能量，從而將城市劃分為兩個不同的區(qū)域。

這些分類任務(wù)很有用，但很簡單。 機(jī)器學(xué)習(xí)的真正前沿是在生成模型中，它不僅能識別小狗和小貓，還能產(chǎn)生新的原型——從未存在過的動物，但和那些動物一樣可愛。 他們甚至可以自己找出“小貓”和“小狗”的類別，或者重建丟失了尾巴或爪子的圖像。“這些技術(shù)非常強(qiáng)大，在機(jī)器學(xué)習(xí)中非常有用，但它們非常困難。” D-Wave***科學(xué)家穆罕默德·阿明 (Mohammad Amin) 說。 量子輔助將是***的。

D-Wave和其他研究團(tuán)隊(duì)已經(jīng)接受了這個挑戰(zhàn)。 這種模型的訓(xùn)練意味著調(diào)整量子位之間的磁性或電子相互作用，使網(wǎng)絡(luò)能夠再現(xiàn)一些樣本數(shù)據(jù)。 要做到這一點(diǎn)，你需要將網(wǎng)絡(luò)與傳統(tǒng)計(jì)算機(jī)結(jié)合起來。 網(wǎng)絡(luò)做了大量的工作——弄清楚一個給定的交互選擇對最終網(wǎng)絡(luò)配置意味著什么——它的合作計(jì)算機(jī)使用這些信息來調(diào)整交互。 在去年的一次演示中，美國宇航局量子人工智能實(shí)驗(yàn)室的研究員亞歷山大·奧爾蒂斯（Alejandro Perdomo-Ortiz）和他的團(tuán)隊(duì)將一個D-Wave系統(tǒng)運(yùn)用在了手寫數(shù)字的圖像中。 它發(fā)現(xiàn)有10個類別，將數(shù)字0與9匹配，并生成了自己的手寫數(shù)字。

量子計(jì)算機(jī)的瓶頸

好吧，好消息就是這樣。 糟糕的是，如果你不能把你的數(shù)據(jù)輸入到處理器中, 那么處理器有多棒并沒有什么大不了的。 在矩陣代數(shù)算法中，單個操作可以操作16個數(shù)字的矩陣，但是仍然需要16個操作來加載矩陣。 “把傳統(tǒng)數(shù)據(jù)放入量子態(tài)完全被回避了，我認(rèn)為這是最重要的部分，”量子計(jì)算創(chuàng)業(yè)公司Xanadu的研究員瑪利亞·考爾德（Maria Schuld）說，也是首批獲得量子機(jī)器學(xué)習(xí)博士學(xué)位的人之一。 以物理形式提出的機(jī)器學(xué)習(xí)系統(tǒng)困難在于，如何將一個問題嵌入到量子位網(wǎng)絡(luò)中并讓量子位進(jìn)行應(yīng)有的交互。

一旦你成功地輸入了你的數(shù)據(jù)，你需要將它存儲在一個量子系統(tǒng)可以與之交互的方式中，而不會導(dǎo)致正在進(jìn)行的計(jì)算崩潰。 勞埃德 和他的同事們已經(jīng)提出了一種使用光子的量子隨機(jī)存儲器，但是沒有人能像超導(dǎo)量子比特或被困的離子那樣有一個類似的裝置，這是在領(lǐng)先的量子計(jì)算機(jī)中發(fā)現(xiàn)的技術(shù)。 “這是建造量子計(jì)算機(jī)問題之外的又一個巨大的技術(shù)問題，”阿隆森說。 “我從實(shí)驗(yàn)主義者那里得到的印象是，他們害怕。 他們不知道如何開始建造這樣的量子計(jì)算機(jī)。。”

***，如何輸出數(shù)據(jù)呢？ 這意味著測量機(jī)器的量子狀態(tài)，不僅測量一次只返回一個數(shù)字，隨機(jī)抽取，它會使整個狀態(tài)崩潰，在你有機(jī)會取回數(shù)據(jù)之前就把其余的數(shù)據(jù)都擦掉了。 你必須一次又一次地運(yùn)行這個算法來提取所有的信息。

然而，并不是沒有希望。在 對于某些類型的問題，你可以利用量子干涉。 也就是說，你可以編排這些操作，這樣錯誤的答案就會自動抵消，而正確的答案就會自我強(qiáng)化，這樣，當(dāng)你去測量量子態(tài)時，它不會給你任何隨機(jī)的值，而是你想要的答案。 但是只有少數(shù)算法，比如暴力搜索，可以很好地利用干擾，而且速度通常是適度的。

在某些情況下，研究人員已經(jīng)找到了獲取數(shù)據(jù)的快捷方式。 在2015年，勞埃德、加拿大滑鐵盧大學(xué)的Silvano Garnerone和南加州大學(xué)的Paolo Zanardi指出，對于某些統(tǒng)計(jì)分析，你不需要輸入或存儲整個數(shù)據(jù)集。 同樣地，當(dāng)幾個關(guān)鍵值足夠時，您不需要讀取所有數(shù)據(jù)。 例如，科技公司利用機(jī)器學(xué)習(xí)的方法，根據(jù)消費(fèi)者習(xí)慣的龐大矩陣來建議觀看或購買東西。 “如果你是Netflix或亞馬遜，或者其他公司，你實(shí)際上并不需要在任何地方寫下這個矩陣，” 阿隆森 說。 “你真正需要的只是為用戶生成推薦。”

所有這一切都引發(fā)了這樣一個問題：如果一個量子計(jì)算機(jī)只有在特殊情況下才會強(qiáng)大，那么傳統(tǒng)的機(jī)器在這種情況下是否也會強(qiáng)大呢？ 這是該領(lǐng)域尚未解決的主要問題。 畢竟，傳統(tǒng)的計(jì)算機(jī)是非常有能力的。 通常的處理大數(shù)據(jù)集的方法——隨機(jī)抽樣——實(shí)際上與量子計(jì)算機(jī)非常相似，無論它內(nèi)部發(fā)生什么，最終都會返回一個隨機(jī)結(jié)果。 “我做過很多算法，我覺得這太神奇了， 我們有了這個加速，然后我為一個經(jīng)典的計(jì)算機(jī)寫一個取樣技術(shù)， 我意識到你也可以用同樣的方法進(jìn)行取樣， ” 考爾德說。

如果你回顧一下量子機(jī)器學(xué)習(xí)到目前為止所取得的成功, 它們都是帶有星號的。 以 D-Wave 機(jī)器為例 當(dāng)對汽車圖像和希格斯玻色子進(jìn)行分類時，它并不比傳統(tǒng)的機(jī)器快。 “我們在本文中沒有提到的一件事是量子加速，”谷歌DeepMind的計(jì)算機(jī)科學(xué)家亞歷克斯·莫特（Alex Mott）說。他是希格斯研究小組的成員之一。 矩陣代數(shù)方法，如哈羅-哈西迪-勞埃德（Harrow-Hassidim-Lloyd）算法，只有在矩陣稀疏、大部分都是零的情況下才會顯示出加速效果。 “沒有人會問，在機(jī)器學(xué)習(xí)中，稀疏數(shù)據(jù)集真的很有趣嗎？” 考爾德 指出。

量子智能

另一方面，即使是對現(xiàn)有技術(shù)的偶爾改進(jìn)，也會讓科技公司感到高興。“你最終看到的這些優(yōu)勢，它們是適度的;它們不是指數(shù)級的，但它們是二次的，” 微軟研究院的量子計(jì)算研究員內(nèi)森·維伯（Nathan Wiebe）說。 “如果有足夠大、足夠快的量子計(jì)算機(jī)，我們就能在機(jī)器學(xué)習(xí)領(lǐng)域掀起一場革命。”在使用這些系統(tǒng)的過程中, 計(jì)算機(jī)科學(xué)家可能會解決一個理論上的難題: 它們是否天生就更快, 又是為了什么。

考爾德 也看到了軟件方面的創(chuàng)新空間。 機(jī)器學(xué)習(xí)不僅僅是一堆計(jì)算。 這是一個復(fù)雜的問題，有其獨(dú)特的結(jié)構(gòu)。“人們構(gòu)建的算法會從使機(jī)器學(xué)習(xí)變得有趣和更美的東西中移除，” 她說。 “這就是我開始反過來思考的原因: 如果這臺量子計(jì)算機(jī)已經(jīng)存在ーー這些小規(guī)模的計(jì)算機(jī)ーー機(jī)器學(xué)習(xí)模型實(shí)際上能夠?qū)崿F(xiàn)什么？ 也許這是一個尚未被發(fā)明的模型。 ” 如果物理學(xué)家想給機(jī)器學(xué)習(xí)專家留下深刻印象，他們需要做的不僅僅是制造現(xiàn)有模型的量子版本。

就像許多神經(jīng)科學(xué)家現(xiàn)在認(rèn)為人類思維的結(jié)構(gòu)反映了身體的要求一樣，所以, 機(jī)器學(xué)習(xí)系統(tǒng)也體現(xiàn)了這一點(diǎn)。 圖像、語言和大多數(shù)其他的數(shù)據(jù)都來自于物理世界，反映了它們的特性。 量子機(jī)器學(xué)習(xí)也同樣得到體現(xiàn)——但是在一個比我們更豐富的世界里。 毫無疑問，在處理已經(jīng)是量子的數(shù)據(jù)時，它無疑會發(fā)光。 當(dāng)數(shù)據(jù)不是圖像，而是物理或化學(xué)實(shí)驗(yàn)的產(chǎn)物時，量子機(jī)器就會發(fā)揮出其強(qiáng)大的能力。 輸入的問題消失了，傳統(tǒng)的計(jì)算機(jī)將被遺忘在塵埃中。

在一個簡潔的自我參照的循環(huán)中，***個量子機(jī)器學(xué)習(xí)系統(tǒng)可能會幫助設(shè)計(jì)他們的繼任者。 “我們可能想要使用這些系統(tǒng)的一種方法是自己建造量子計(jì)算機(jī)，”維伯說。 “對于一些調(diào)試任務(wù)來說，這是我們唯一的方法。” 也許它們甚至可以調(diào)試我們。 姑且不論人腦是量子計(jì)算機(jī)——這是一個***爭議的問題——它有時表現(xiàn)得好像它是一個。 人類的行為是非常情景化的，我們的偏好是由我們的選擇形成的，這是違背邏輯的。 在這個過程中，我們就像量子粒子。 “你問問題和排序的方式很重要，這在量子數(shù)據(jù)集里是非常典型的，” 奧爾蒂斯 說。 因此，量子機(jī)器學(xué)習(xí)系統(tǒng)可能是研究人類認(rèn)知偏差的一種自然方式。

神經(jīng)網(wǎng)絡(luò)和量子處理器有一個共同之處：它們的工作原理令人驚嘆。 你可以訓(xùn)練一個網(wǎng)絡(luò)，盡管幾十年來，大多數(shù)人都懷疑這是不可能的。 同樣地，量子物理學(xué)能被用于計(jì)算不可能的事情，因?yàn)榱孔游锢淼莫?dú)特效應(yīng)是如此地隱藏在我們的身上。 然而，這兩項(xiàng)工作都已經(jīng)有所成效，雖然并非總是如此，但往往比我們預(yù)期的要多。 考慮到這一點(diǎn)，量子物理學(xué)和神經(jīng)網(wǎng)絡(luò)的結(jié)合也可能會在未來令人驚嘆不已。