量子至上听起来像漫威电影里的一些东西。但是对于在量子计算前沿工作的科学家来说，这种处理信息的根本不同的方法所带来的希望和炒作是非常真实的。由于量子力学古怪的特性(这里有一个漂亮的入门)，量子计算机有潜力极大地加速某些类型的问题，特别是那些模拟自然的问题。

科学家们尤其痴迷于将量子世界与机器学习结合起来的想法。尽管他们取得了如此多的成就，我们的硅学习伙伴仍然是有缺陷的：机器学习算法和传统的CPU不能很好地发挥作用，部分原因是贪婪的算法占用了经典的计算硬件。

然而，如果再加上量子计算，机器学习可能会在很短的时间内处理超出当前能力的复杂问题。

多亏了IBM和麻省理工学院的一项新研究，我们才有了一些初步的实验证据，证明理论可能成为现实。发表在《自然》杂志上的这项合作使用了一个双量子位量子计算系统，表明量子计算机可以利用实验室生成的数据集支持一种特定类型的机器学习(通常用于分类)。

毫无疑问，这只是第一步。但这项研究清楚地表明，目前无法企及的完美量子计算机，对帮助我们的人工智能并无必要。尽管量子系统的噪音很大，但它们已经符合这项法案的要求——尤其是那些能够与经典计算机协同工作、以团队形式进行机器学习的系统。

“我们离实现机器学习的量子优势还有很长的路要走，”该团队在一篇博客文章中指出。“然而，我们正在开发的方法可能很快就能对比传统计算机处理的任何数据集都要复杂得多的数据集进行分类。我们所展示的是一条充满希望的前进道路。”

分类器是什么？

这项研究始于一个意想不到的发现:某种依赖于“内核方法”的机器学习，在数学上与量子计算机内部发生的事情惊人地相似。

这些算法的一个经典例子是支持向量机(SVM)，它在上世纪90年代迅速流行起来，之后被深度学习取代。简而言之，对于区分不同事物(例如猫和狗)的问题，当描述每个类的特性相当简单时，支持向量机是相对强大的。

这就是事情变得古怪的地方。基本上，支持向量机依赖于内核方法来“投射”输入数据，使用一种明确定义的数学方法进入高维空间，用超平面来分离特性(是的，这在我听起来也像是无稽之谈)。

它有助于在我们熟悉的3D世界中使用一个简化的类比。在一张纸上画一只猫，并把一张狗的贴纸贴在上面。因为纸只有一个表面，所以绝对没有办法画一条线或一个平面来区分猫和狗。

现在添加另一个维度，深度。你突然意识到这两个项目实际上是重叠的，居住在不同的深度。通过将猫和狗投射到高维空间中，现在可以在它们之间滑动一张纸(一个“平面”)，将它们分成不同的类别。

非常简单，这就是支持向量机的工作原理。计算机为猫或狗拍摄图像，根据颜色、形状或其他一些我们人类大脑不熟悉的特征对像素进行重组，然后将这些输入“投射”到一个抽象的高维空间中。这被称为“特征图”，然后计算机用它来构建内核——一种最好地分离特征以帮助分类的方法。

如今，SVM通常不是整个新闻的深度学习方法。 虽然已经尝试用量子计算桥接（极端）简单的神经网络，但这两者并不适合。

“基本上，核方法和量子力学的数学理论有很多相似之处，而量子理论和神经网络的理论非常不同，”Schuld解释说。Schuld和IBM团队几乎同时探索的这种洞察力是关键。

量子机器学习分类器

量子计算有助于以两种方式加速基于内核的分类器。一个想法是使用量子计算机本身作为“鉴别器”。训练数据被映射到量子状态，类似于将彩色图像转换为0和1。在这种情况下，输出是一堆叠加的量子粒子。然后将这些数据馈入短深度量子电路，该电路可以主要维持量子特性直到计算结束。可以把它想象成一台通常可靠并且不会经常崩溃的笔记本电脑，而不是一台完美的机器。

研究作者，IBM研究奇异中心的量子研究科学家Kristan Temme博士说，整个过程与人工神经网络（ANN）略有相似。

“我们的量子变分方法使用一个（可能是随机的）起始参数集，然后在训练期间进行优化。从这个意义上说，可以感知到这样的类比，因为神经网络也使用参数化量（权重）并从随机状态开始，“他解释说。

由于它们的量子特性，驱动量子计算机的粒子抽象地居住在一个非常大的“量子态”中，充满了各种可能性。理论上，这使得分离功能比传统计算机更容易和更快。

“为了获得量子优势，至关重要的是电路的形式无法在[硅计算机]中经典地模拟它们，”Temme说。

另一个想法是使用量子计算机来计算内核：即，如何最好地将所有输入数据映射到高维空间，以帮助以有意义的方式分离特征。在这里，经典的基于硅的计算机完成剩下的工作 - 使用其量子伴侣的内核（洞察力），它学习了“这些东西使它成为猫”或“狗”的规则。

从理论到实验

在一个两位量子计算系统中，该团队使用人造数据集测试了这两种策略 - 一个“玩具”问题。

“我们希望看看我们是否可以在量子硬件中实现机器学习分类器，”该团队解释道。这就是为什么数据是人为的，可以通过100％的成功分类来验证方法。

即使有当前一代量子计算机的固有噪音，该团队也能够实现近乎完美的分类（你可以在这里玩这个演示）。

这是关键，舒尔德说。 “尽管一些新闻报道夸大其词，但任何在云中尝试过量子计算的人都知道，由于计算中的实验噪音水平很高，从这些设备中收集有意义的数据是非常困难的，”她说。

该团队的结果显示，即使存在噪声也可以对其数据进行分类，这对于渴望将量子计算与机器学习联系起来的人来说确实是个好消息。

“这种量子机器学习方法为我们提供了一条通向理解的途径，即使是噪声，中等规模的量子计算机也可以胜过经典的机器学习算法，”IBM研究奇异中心实验量子计算经理Jerry说。 。

Tanisha Bassan是一位年轻的量子机器学习研究员，他在多伦多没有参与这项工作，他对此表示赞同。 “这些令人印象深刻的结果有助于表明，当前NISQ硬件量子计算机[仍然]需要纠错，并展示更有用的量子机器学习应用的潜力，可以实现更强大的算法。”

她补充说，给量子计算机一个随机存取存储器 - 类似于当前计算机如何访问数据 - 理论上可以进一步支持量子机器学习。

舒尔德还指出，虽然令人兴奋，但硬件的结果有其局限性。

一个是在这种情况下量子计算机是相当简单的。 “原理验证实验[一般]这些天使用至少五个量子比特，”她说。

或许更重要的是，除了实验细节之外，新设置是否可以使用真实世界数据产生真实世界的结果;例如，使复杂数据更易于分析。

“这些技术是否足以击败近30年的经典方法？”舒尔德问道。 “这是我们未来几年必须建立的。”

原文来源：

https://baijiahao.baidu.com/s?id=1628514410957782295&wfr=spider&for=pc