量子機器學習增加對粒子對撞的理解。圖片來源：《自然》網(wǎng)站
科技日報記者?劉霞
基于機器學習的人工智能和量子計算機可謂技術界的兩大熱門研究領域。它們攜手組成的“夢之隊”被科學家稱為量子機器學習。英國《自然》雜志網(wǎng)站在近日的報道中指出，科學家正在探索這個未來計算聯(lián)盟的潛力，也試圖洞悉其將在多大程度上改變或者重塑科學的面貌。
引各方科技企業(yè)關注
包括谷歌和IBM等在內(nèi)的老牌科技巨頭，以及位于美國加州的Rigetti和馬里蘭州的IonQ等初創(chuàng)公司，都在研究量子機器學習的潛力。
從事學術研究的科學家對此也興趣盎然。歐洲核子研究中心（CERN）的科學家是量子機器學習領域的先驅者。他們已使用機器學習尋找大型強子對撞機生成的數(shù)據(jù)中的某些亞原子粒子的“蛛絲馬跡”。CERN量子計算和機器學習研究小組負責人、物理學家索菲亞·瓦萊科薩表示，他們希望使用量子計算機來加快或改進經(jīng)典機器學習模型。
科學家試圖回答一個大問題：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，對于模擬分子或尋找大整數(shù)的素數(shù)等任務，量子計算機可提升計算速度。但研究人員仍然缺乏足夠證據(jù)，證明機器學習也能如此。不過，有些科學家指出，即使無法提升運算速度，量子機器學習也可發(fā)現(xiàn)經(jīng)典計算機遺漏的某些模式。還有一些研究人員則重點關注將量子機器學習算法應用于某些量子現(xiàn)象。
美國麻省理工學院物理學家阿拉姆·哈鞣表示，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”。
量子算法并非萬能
在過去20年里，量子計算研究人員開發(fā)了大量量子算法，這些算法理論上可提高機器學習的效率。2008年，哈鞣等人攜手發(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。
但在某些情況下，量子算法的表現(xiàn)并沒有那么出色。2018年，18歲的計算機科學家唐乙文發(fā)明了一個新的可在傳統(tǒng)計算機上運行并完成計算的推薦算法。這種算法與之前的推薦算法相比，實現(xiàn)了指數(shù)級加速，并擊敗了2016年設計的一種量子機器學習算法。
唐乙文表示，對于任何有關量子算法可加速機器學習的說法，她秉持“非常懷疑”的態(tài)度。
不過，運算速度并非是評判量子算法優(yōu)劣的唯一標準。有跡象表明，由機器學習驅動的量子人工智能系統(tǒng)可學會識別出數(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。德國電子同步加速器研究所（DESY）粒子物理實驗室的卡爾·詹森解釋稱，這可能是因為量子糾纏在量子比特之間，從而讓數(shù)據(jù)之間建立了關聯(lián)，而經(jīng)典算法很難檢測出這些關聯(lián)。
如何更好發(fā)揮作用
如何讓量子機器學習更好發(fā)揮作用？科學家目前想到的解決辦法是：對處于量子狀態(tài)的數(shù)據(jù)使用量子機器學習算法，可避開將經(jīng)典數(shù)據(jù)轉化為量子態(tài)這一過程。
科學家將這些量子態(tài)直接加載到量子計算機的量子比特上，然后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)產(chǎn)生交集。
麻省理工學院物理學家在谷歌Sycamore量子計算機上對此進行了原理驗證實驗。他們用一些量子比特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比特中獲取信息，并使用量子機器學習對其進行分析。研究發(fā)現(xiàn)，這項技術測量和分析數(shù)據(jù)的速度比傳統(tǒng)方法快很多。
研究人員指出，充分收集和分析量子數(shù)據(jù)，可使物理學家解決經(jīng)典測量只能間接回答的問題。如某種材料是否處于特定的量子態(tài)，從而使其成為超導體。
詹森指出，粒子物理學家也在研究使用量子傳感器處理未來粒子對撞機產(chǎn)生的數(shù)據(jù)。相距遙遠的天文臺也可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)”傳輸?shù)街醒雽嶒炇遥诹孔佑嬎銠C上進行處理。
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在這些實驗的測量結果，以及分析由此產(chǎn)生的量子數(shù)據(jù)方面發(fā)揮作用。
