spring63的个人博客分享 http://blog.sciencenet.cn/u/spring63

博文

量子计算+机器学习——21世纪创新的下一篇章催化剂

已有 1007 次阅读 2018-4-12 09:10 |系统分类:海外观察

      机器学习和量子计算两者有一个共同点:都有过不被看好的经历,都曾经被许多人怀疑过是否能够实现,但神奇的是如今都成为热门研究的领域!

不久前,《Quantum Business》网站一篇题为“Is Quantum Computing The Future For Machine Learning?(量子计算是机器学习的未来吗?)”文章[1]指出:量子计算与机器学习的融合,已经成为一个蓬勃发展的研究领域,两者结合可能是21世纪创新的下一篇章催化剂。

机器学习

众所周知,机器学习在过去几十年间三起两落,经历过两次低潮和冷清(见我的上一篇博文)。近10年间,机器学习才以“深度学习”的名义复兴,并有多项机器学习相关技术入选《麻省理工科技评论》十大突破性技术年度榜单,其中包括:2008年机器学习、2009年的 Siri2013年的深度学习、2014 年的神经形态芯片、2016 年的语音接口与知识分享型机器人、2017 年的自动驾驶卡车与强化学习,以及2018年的“给所有人的人工智能(云端 AI)”和“对抗性神经网络”。

机器学习使用数学算法和工具来寻找数据中的模式。这些技术已经成为许多不同应用领域功能强大的工具,从生物医学用途(如癌症的诊断、遗传学和基因组学、自闭症儿童的监测与诊断,甚至整形手术),到应用物理学(研究物质的性质、物质或更复杂的量子系统),机器学习能够完成我们曾经认为只有人类能够做的事情。

在接触到一个新的数据集时,机器学习识别模式能够随之适应和改变,其准确度往往超越人类。尽管机器学习是一个功能强大的工具,但在某些应用领域,仍然由于过于复杂性或其它原因,难以使用机器学习预测算法。

量子计算

在历史上,许多人对量子力学的概念感到过困惑。正如诺贝尔物理学奖得主、物理学家费恩曼说过的:“我想我可以有把握地说,没有人理解量子力学。”

早在1981年,费恩曼在论文中就提到了一种全新的计算机——量子计算机(Quantum Computer)。但是,即使在物理和工程专业人员中,许多人至今对其原理和前景仍然存在许多疑惑。记得在几年前,甚至有人称,“量子计算机是一场闹剧”、“量子计算机成为一个个骗局中最大的骗局”,量子技术是“科技骗局”或“惊天骗局”。

现在大多数人都相信,对某些应用,未来的量子计算机的计算能力有望超越了地球上的任何其它计算机。特别是大数因子分解应用程序(这是现代加密的关键)。这是因为量子计算机有巨大的潜力,可能作为解决那些传统机器学习无法解决的挑战的问题。通过利用量子物理中“qubit量子比特)”、“superposition)”和“entanglement纠缠)”等理论,量子计算机具有神奇的并行性。经典计算机通过经典的“二进制位”执行操作,这些位不是0就是1,而量子计算机借助 “量子比特”,同时以01的形式存在,这种现象被称为“叠加”。“纠缠”指的是量子粒子之间的相互作用。

量子系统的信息储存能力并不仅是靠单个数据单元量子比特实现的,而是靠这些量子比特的共同属性实现的。例如,2个量子比特带有4个连接状态:ON/ONOFF/OFFON/OFFOFF/ON。每个连接状态都分配有一个特定的权重或“幅值”,可用于一个神经元。3个量子比特可以代表8个神经元,10个量子比特可以代表1024个神经元,100个量子比特可以代表1,627,650,600,228,229,401,496,703,205,376个神经元,机器的处理能力呈指数增长。

量子机器学习

在前面提到的《Quantum Business》网站文章中提到:早在上世纪90年代初,威奇托州立大学(Wichita State University)物理学教授伊丽莎白•贝尔曼(Elizabeth Behrman)开始致力于将量子物理学与神经网络技术结合起来。那时大多数人认为她在混合油和水。据她回忆说,开始发表文章时,神经网络杂志会说,“这量子力学是什么?”物理杂志会说:“这种神经网络垃圾是什么?”。

今天,这两者的结合,似乎已经被看作世界上最自然的事情,并诞生了一门新的学科,称为量子机器学习(Quantum ML)——量子力学和机器学习的交叉学科。两者间像一种共生关系,我们可以利用量子计算的力量生成机器学习算法的量子版本,并应用经典机器学习算法分析量子系统。

颠覆性的技术

神经网络和其它机器学习系统不仅在做我们最不擅长的任务,比如下棋和数据挖掘,而且在识别面孔、翻译语言和通过交叉路口“四向停车”(停下来看看左边、右边有没有车,没有车就可以通过)等方面,甚至超过我们人类。但是,这些机器学习系统需要巨大的计算能力,因此,科技公司不仅需要寻找是更大的计算机,而且希望出现一种全新的机器。


CML传统机器学习

近年来,量子机器学习已经引起广泛的注意。量子处理器能够在单一步操作大量的数据数组,找出传统经典计算机无法理解的细微模式,并且不会因数据不完整或不确定而堵塞,特别适合机器学习的需求(有人将传统计算机器学习称为CML,而量子计算机器学习称为QML)。量子计算与机器学习的结合,将成为21世纪最具颠覆性的技术。谷歌、微软、IBM和其他科技巨头正在向量子机器学习注入资金。

QML量子机器学习

2017年,一个国际科学家小组对量子机器学习进行了全面的回顾,介绍了它的现状和前景。其研究成果发表在《自然》杂志上[2],报告对比了经典机器学习的和量子机器学习,确定了量子计算给这个领域带来的机会。研究人员包括:雅各伯•比亚蒙特(Jacob Biamonteskoltech / IQC),彼得•维特克(Peter WittekICFO),尼古拉•潘科蒂(Nicola PancottiMPQ),帕特里克•鲁宾特罗斯特(Patrick RebentrostMIT),弥敦•韦博(Nathan Wiebe,微软)和赛斯•劳埃德(Seth LloydMIT)。研究的最终目标是找到最优化的方法,它能够读取、理解和获取数据集的最佳结果。量子机器学习无疑是针对计算机科学领域的革命,不仅因为它能够控制量子计算机,加快信息处理速度远远超出了目前经典的速度,而且还因为它是能够进行创新的功能,如量子深度学习,不仅能够识别在数据违反直觉的模式,识别和重现对经典机器学习和人的眼睛看不到的模式。

麻省理工学院的量子先驱赛斯•劳埃德(Seth Lloyd)说:“在量子计算机上,大矩阵和大向量的运算速度要快得多。”。劳埃德估计,60个量子比特就足以编码相当于人类一年所产生的数据量,而300量子比特则可以承载可观测宇宙的传统信息内容。(目前IBM、英特尔和谷歌制造的最大的量子计算机有50个量子比特)。

Rigetti计算技术公司(伯克利的一家量子计算机公司)物理学家约翰•奥特巴赫(Johannes Otterbach)说,“量子计算的固有的统计性质和机器学习是天然的组合。”莫斯科斯科尔科沃科技学院(Skolkovo Institute of Science and Technology)的量子物理学家雅各伯•比亚蒙特(Jacob Biamonte)指出,“机器学习成为一个流行词”,当把它和“量子”结合,“将成为大热门话题。”

量子数据处理

挑战

将量子计算机应用于机器学习,也存在一些巨大的挑战。所以,在可见的未来,需要量子机器学习和传统机器学习的结合用于解决世纪问题中。

机器学习的真正前沿在于生成模型,它不仅能简单地识别出小狗和小猫,而且能产生新的原型——从来没有存在过的动物,而它们和那些动物一样可爱。机器学习甚至可以自己分辨出“小猫”和“小狗”的类别,或者重建缺少尾巴或爪子的图像。D-Wave首席科学家默罕默德•阿敏透露,“这些技术是机器学习中的非常强大的和非常有用的,但它们很难用量子计算机实现。”

前面提到的国际科学家小组指出,控制量子系统是非常复杂的事实,不能简单地利用量子资源分析传统的数据,主要挑战在建造量子接口设备,让经典的信息被编码成一个量子力学的形式。将传统的数据载入到量子状态中我认为这一步是最重要的一步。如“输入”和“输出”的困难问题,似乎是需要克服的主要技术挑战。

一旦你设法输入你的数据,你需要存储它,这样量子系统可以与它交互作用,而不会破坏正在进行的计算。德克萨斯大学的计算机科学家斯科特•阿伦森(Scott Aaronson)说,“这是另一个巨大的技术问题,超出了建造量子计算机本身的问题。”

传统与量子机器学习结合应用

结论

机器学习和量子计算有一个共同点:它们曾经都不被看好,它们现在都成为热门科技。几十年来,许多人曾经怀疑可以训练一个神经网络。而由于量子物理学的独特效应对我们隐藏得如此之深,更不能看出量子物理学可用于计算。然而,令人惊奇的是:现在多数人已经相信,神经网络和量子计算具有超出我们期待的巨大能力。两者结合可能成为21世纪创新的下一篇章催化剂。

还需要指出,目前量子计算机只在某些特殊任务中表现优秀,而且还面临有效快捷将传统的数据载入到量子状态,寻找输入和输出数据的方法等挑战。此外,正如传统计算世界需要为应用程序开发人员和用户社区提供一个软件生态系统,在量子计算世界也更是如此。量子计算需要开发系统软件、更高层次的工具、编程模型和编译器。

 

参考资料

 

[1]http://quantumbusiness.org/focus-quantum-computers-supercharge-artificial-intelligence/

[2]Jacob Biamonte, Peter Wittek, Nicola Pancotti, Patrick Rebentrost, Nathan Wiebe, Seth Lloyd. Quantum machine learning. Nature, 2017; 549 (7671): 195 DOI: 10.1038/nature23474

 



http://blog.sciencenet.cn/blog-3005681-1108665.html

上一篇:人工智能机器学习 道路曲折前程广阔
下一篇:量子计算入门•极简教程

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备14006957 )

GMT+8, 2018-7-22 04:51

Powered by ScienceNet.cn

Copyright © 2007-2017 中国科学报社

返回顶部