其他
量子纠缠π | 刘峻宇博士解读量子+人工智能的未来
“量子+机器学习”如何实现应用?实验室有哪些研究方向、具体用例?
刘峻宇
芝加哥大学博士后,师从蒋良教授;SeQure创始人
从量子计算本身的尺度和规模出发,我们可以简单分类为:
1)在含噪量子设备上运行的NISQ算法。目前,绝大多数的量子机器都存在噪声,并且这些误差难以消除。因此,如果想要在当前机器上实验这些算法,我们需要把量子电路,或称量子神经网络做的比较浅,以限制噪声对结果的负面影响;很多量子机器学习算法目前处于早期阶段、能够在NISQ阶段使用。如果要在已有设备上实现这类算法,需要把量子电路/量子神经网络设置地比较浅,这样才可以容忍噪声。从应用的角度,目前NISQ上的各种算法,包括量子化学的VQE算法、量子优化的QAOA算法,还有量子机器学习的监督学习算法,都基于数学上相似或者一致的原理:把量子电路上的参数当做机器学习来训练。这类算法也是经典-量子混合的,并且和目前的经典机器学习框架兼容,但量子优势和有效性尚不清晰,缺乏严格证明。本质上,机器学习(梯度下降)的部分是经典的,但使用量子的方法制作机器学习中的误差函数和神经网络。目前,本源量子、德国拜耳这类量子机器学习应用,都基于类似的原理。
2)在容错量子设备上运行的量子算法。目前大规模的容错量子计算设备还不存在,因此这类算法基本处于理论和模拟上的探讨阶段。这类算法的优点是可能可以严格证明存在量子优势。目前主要分为两类:基于幅度放大(amplitude amplification)的算法,比如量子采样、Grover搜索算法;或者基于HHL的线性代数算法,比如量子主成分分析等。有一些公司的应用团队会对这些算法有所研究、关注:但目前无法做实验验证是否一定存在优势。
除此以外还有别的分类方法,比如是基于量子数据还是基于经典数据(前段时间,加州理工和谷歌团队的一系列合作论文主要是利用统计学习理论来论证量子数据本身的优势,这些算法也属于量子机器学习,但主要是针对量子数据的处理,主要用途可能是科学发现或者量子精密测量。但至少目前,我们也希望能够处理经典数据,因为人类世界上绝大多数有价值的数据目前大概都是经典的)。一些别的算法有时候也被叫做“量子机器学习”,例如用经典机器学习研究量子物理,或者量子物理学启发的经典学习算法等。
不少公司也有这方面的探索,也有很大的空间做早期科研。
舒颜
光子盒产业研究员
再说回到电影中的MOSS,我专门为了“量子计算机”这个概念观看了整部电影、评论、解说,这部科幻电影确实很好地科普到了量子这项先进技术。其他类似的美国大片提到量子计算机的背景场景大多关乎国家、军队的“遇事不决、量子力学”,目前认知都认为量子计算会是人类的“巅峰状态”;当然,我们也正在朝着更好、更进步地方向去迈进。
当然,也像刘博刚才提到的,许多新的技术在发展过程中不可能离开已有技术、会相互交叉结合发展。所以,我们也期待已有人工智能会与量子算力结合。