近日，Quantamagazine发表文章指出，机器学习获得了量子加速。与经典计算机相比，量子计算机具有显着优势，它使物理学和计算机科学更加紧密地结合在一起。打开计算机电源时，研究员ValeriaSaggio拿了一块特殊的水晶——指甲盖大小——轻轻地把它放在一个小铜盒里。小铜盒就像一个微型电烤箱，这个小铜盒将晶体加热到77°F，相当于25°C。在这个精确的温度下，晶体将一个光子分裂成两个光子。其中一个将直接到达光电探测器，旅程结束；另一个将用于微型硅芯片——量子计算处理器。就在这时，萨吉奥打开了激光，用一束光子轰击了晶体。在他的维也纳实验室中，Saggio将单光子激光器引入量子电路，以展示变化无常的量子物理学如何改进机器学习。物理学与计算科学的“自然联姻”“这是研究范式的真正变革！”巴黎索邦大学量子通信专家EleniDiamanti说。“几年前，我认为物理学家和计算科学家生活在平行世界中，”迪亚曼蒂补充道。对于Saggio，“量子力学有帮助吗？”这是一个经常盘旋在她脑海中的问题。长期以来，物理学家和计算机科学家一直在寻找“量子加速”的证据。这是一个很酷的实验，可以回答一个长期存在的问题：量子物理学是否为机器学习提供了真正的优势？研究项目就像将机器人困在迷宫中，计算机必须在没有任何先验知识的情况下自行寻找出路。这种操作更像是RubeGoldberg，一个过于复杂的机械组件，旨在完成简单的任务，比如以迂回的方式倒一杯茶。设计师必须精确计算，让机器的每个部分都能准确运行，因为任何一个环节出现错误，都极有可能阻碍原本的使命的实现。量子计算机必须学习一项任务：自己找到正确的出路。“机器学习是关于让计算机在没有明确编程的情况下做有用的事情，”莱顿大学的量子信息研究员VedranDunjko说。2013年的一项研究表明，量子计算机可以加速一些“无监督”学习任务，在这些任务中，算法会自行发现模式。但是，这种方法只是在理论上很有希望，在实际技术中是不可能实现的。巴黎索邦大学的量子通信专家EleniDiamanti表示：“很多机器学习，技术已经达到了这个水平，但应用仍然不可行。在过去的10年里，研究人员开始研究量子计算机如何影响机器学习。量子计算机的一个独特优势是叠加现象。“经典位”在0和1之间切换，而“量子位”可以是两者的复杂组合。量子算法使用叠加来减少获得正确答案所需的计算步骤。.正如IBM物理学家KristanTemme所说，“与其试图强行解决问题，不如去发现可能以更精细的细节告终的机会。”尽管量子计算取得了可喜的成果，但研究人员仍然认为，量子计算不会完全取代传统计算，而是对传统计算的补充，每种计算机都有自己的优势。找到人工智能中的数学与量子计算中的物理之间的“天然联姻”，是量子机器学习在现实中应用的关键。“内核”Temme的奥秘来自经验。2019年，他在IBM的团队找到了一种与量子物理学兼容的解决方案。这种方法涉及称为“内核”的东西。内核是衡量两个数据点与特定特征相关程度的指标。例如，现在考虑一个包含三个元素的简单数据集：蓝色、红色和橙色。如果您将这些元素视为颜色，那么红色和橙色的关系更为密切。但是，考虑到字符数，BLUE介于RED和ORANGE之间。简单来说，内核就像允许算法以不同方式对数据进行分类的透镜，找到有助于区分未来输入的模式。Temme说，这是一种以新的方式重铸信息的技术，可以将原本隐藏在数据中的强大关系归零。内核与量子物理学没有内在联系。但是量子计算机以类似于内核的方式处理数据，因此Temme认为他的团队可以为内核设计一种量子算法，尤其是针对监督学习问题。Temme与他的IBM同事SrinivasanArunachalam和加州大学伯克利分校实习生YunchaoLiu一起着手证明“量子核算法”可以超越经典算法。2020年夏天，他们开始研究如何使用内核来证明量子计算机可以促进监督学习。终于，他们找到了办法。论文链接：https://arxiv.org/pdf/2010.02174.pdfTemme团队展示了如何通过使用量子内核，学习如何在离散对数问题产生的看似随机的输出中找到隐藏的模式。使用内核和覆盖，团队重新解释数据点并快速估计数据点的比较方式。最初数据看起来是随机的，但量子方法找到了正确的“镜头”来揭示潜在的模式。一些关键特征的数据点不再随机分布，而是聚集在一起作为邻居。通过建立这些连接，量子核心可以帮助系统学习如何对数据进行分类。“所有数据都落到了他们的位置，”Temme回忆道。该方法使量子计算机的准确率超过99%。“我真的很喜欢这篇论文，”量子机器学习专家MariaSchuld说。“它从根本上解决了人们长期以来在量子机器学习中苦苦挣扎的一个问题。”对Schuld来说，Temme工作的新颖之处在于它证明了量子计算机可以做经典计算机无法解决的事情。.“我认为他们第一次令人信服地做到了，”她说。训练量子“学习者”虽然Temme的基于内核的量子计算方法仍然太新，无法在真实实验中证明，但将量子力学与另一种学习类型相结合的理论有更多时间来证明自己。早在2016年，VedranDunjko就参与了关于量子力学为何能提升强化学习性能的讨论。在强化学习中，训练系统在做出正确选择时奖励算法，促使学习者下次更有可能做出正确选择。2018年，Dunjko和量子信息专家SabineW?lk提出，一种著名的量子搜索算法可以使用叠加来比经典计算机更快地评估一系列正确选择。W?lk受邀到维也纳就这个想法发表演讲，ValeriaSaggio也在场。她意识到，基于光子的量子计算机可以帮助证明这个想法。“事实上，那时我们就认为可以用量子处理器实现某些东西，”她说。Saggio研究了一组复杂的激光器、晶体和量子处理器，以展示量子搜索算法如何帮助计算机比传统算法更快地导航光学“迷宫”，同时简化步骤。强化学习归结为一个问题：计算机将如何探索所有可能的选择？经典计算机可以顺序处理选项。但量子计算机的“叠加”特性可以放大一些优化路径。Saggio团队的量子纳米光子芯片通过光子及其通过芯片的路径传输信息。每条路径编码不同的信息，每条路径都可以将光发送到不同的出口。Saggio选择一个出口作为“正确”出口，然后训练芯片向该出口发射光。如果芯片做出了错误的选择，Saggio的Python终端会弹出一个0。正确得1分。为了让量子芯片快速找到正确的路径，团队使用了量子搜索算法。在第一次运行时，计算机将以相同的概率选择任何路径。但是一旦计算机偶然发现了正确的选择，奖励就会发挥作用。调整光路中每个弯曲的物理特性，让学习者做出更正确的选择。即，溶液在量子电路中被放大。结果表明，量子芯片对强化学习的加速效果显着。量子芯片的学习速度比传统计算机快63%。“最后我们得到了很多，我们很高兴，”萨吉奥说。塞维利亚大学的量子机器学习专家卢卡斯·拉马塔(LucasLamata)表示，至关重要的是，该芯片不仅会经历更快的试错周期。“这项研究的新颖之处在于它显示了学习的加速。这是一个重要的突破。”从这个意义上说，它通过实验证明了Temme的理论加速承诺：量子物理学可以超越——而不仅仅是超越——经典计算。这样，研究人员就不必等待全尺寸量子计算机，迪亚曼蒂说。“在现有条件下，可以利用量子资源，已经可以加速某些计算任务的执行。”量子计算和机器学习随着量子物理学最终证明它可以改进机器学习，该领域的许多人都渴望在未来几年看到更多的实验演示。“我们现在知道量子优势是可能的。”Saggio说她希望看到“更真实的学习场景”。研究人员推测，未来的量子强化学习可用于加速各种计算任务。从国际象棋到自然语言算法，再到解码神经接口中的大脑信号和个性化复杂的癌症治疗计划。但目前的技术限制使实验变得困难。“我们实际能够分析的问题范围太小了。”因此，Temme战队的成绩就更加重要了。量子力学和人工智能之间的结合在这两个领域都产生了新的前景。科学家们现在正在使用经典机器学习来提高我们对量子物理学的理解。例如，人工智能算法可以优化量子电路的微调，在量子实验中最棘手的部分防止错误并节省时间。机器学习还可以帮助物理学家检测量子纠缠。“这种自然组合是我们喜欢看到的，”Dunjko说。“当然，我们还远没有探索所有可能的联系，还有很多很多新的东西有待发现。”
