近日，一篇發表在
Quantamagazine
的文章指出，機器學習獲得了量子加速。量子計算機比傳統計算機具有顯著優勢，這使得物理學和計算機科學更加緊密地結合在一起。
當啟動電腦時，研究人員Valeria Saggio需要一種特殊的水晶——只有指甲那麼大——然後輕輕地放入一個小銅盒。
小銅盒就像一個微型電烤箱，這個小銅盒將晶體加熱至77°F，相當於25℃。
晶體在這個精確的溫度下，會把一個光子分裂成兩個光子。
其中一個將直接進入光探測器，它的旅程宣告結束；
而另一個則會進入一個微型矽片——一個量子計算處理器。
這時候，研究者Saggio開啟一束鐳射，用一束光子轟擊晶體。
在維也納實驗室裡，
Saggio
將單光子鐳射引入量子電路，以展示量子物理的變幻莫測如何改善機
器學習。
物理學與計算科學的「自然聯姻」
「這是研究正規化的真正改變！」巴黎索邦大學量子通訊專家Eleni Diamanti說。
「幾年前，我還認為，物理學家和計算科學家生活在平行世界裡。」
Diamanti
補充到。
對於Saggio而言，「量子力學能幫上忙嗎？」這是時常盤旋在她腦海裡的一個問題。
一直以來，物理學家和計算機科學家都在尋找「量子加速」的證據。
這是一個很酷的實驗，它回答了一個長期性的問題：量子物理是否為機器學習提供了真正優勢？研究專案就像把機器人困在迷宮裡，而計算機必須在沒有任何先驗知識的情況下，自己找到出路。
這個操作更像是Rube Goldberg，這是一種被設計得過度複雜的機械組合，以迂迴曲折的方法完成簡單的工作，例如倒一杯茶。設計者必須計算精確，令機械的每個部件都能夠準確發揮功用，因為任何一個環節出錯，都極有可能令原定的任務不能達成。
量子計算機必須學會一項任務：自己找到正確的出路。「機器學習就是讓計算機在沒有明確程式設計的情況下做有用的事情。」萊頓大學量子資訊研究員Vedran Dunjko說。
2013年有研究指出，量子計算機能夠加速一些「無監督」學習任務，在這些任務中演算法可以自己發現模式。但，這種方法只是理論上充滿希望，實際技術卻是不可能實現的。
巴黎索邦大學量子通訊專家Eleni Diamanti說：「很多機器學習，技術已經達到水平，但應用仍不可行。」
過去的10年裡，研究人員開始研究量子計算機如何影響機器學習。量子計算機的一個獨特優勢是疊加現象，當「經典位」在0和1之間切換時，「量子位」可以是兩者的複雜組合，量子演算法使用疊加來減少得到正確答案所需的計算步驟。
誠如IBM物理學家Kristan Temme所言，「相比強行解決問題，更應該去發現機會，這些機會可能最終出現在更加細微的細節中。」
儘管量子計算取得了可喜成績，但研究人員仍然認為，量子計算不會完全取代傳統計算，而是一種對傳統計算的補充，每種型別的計算機都有自己的優勢。
找到人工智慧中的數學與量子計算中的物理學，進行「自然聯姻 」，這是量子機器學習應用於現實的關鍵。
「核心」的奧妙
Temme 以經驗說話。
2019 年，他在 IBM 的團隊發現了一種與量子物理學相容的解決方法。這種方法涉及一種名為「核心」的東西。
核心是衡量兩個資料點相對於特定特徵的相關程度的度量。舉個例子，現在考慮包含三個元素的簡單資料集：BLUE、RED 和 ORANGE。
如果將這些元素視為顏色，RED 和 ORANGE 的關係更近。但是，如果考慮字元數，BLUE 就位於 RED 和 ORANGE 之間。
簡單講，核心就像鏡頭，可以讓演算法以不同的方式對資料進行分類，找到有助於區分未來輸入的模式。Temme 說，這是一種以新的視角重鑄資訊的技巧，可以將原本隱藏在資料中的強大關係歸零。
核心與量子物理學沒有內在聯絡。但量子計算機以類似核心的方式處理資料，因此 Temme 認為，他的團隊可以為核心設計一種量子演算法，特別面向監督學習問題。
Temme 與他的 IBM 同事 Srinivasan Arunachalam 和加州大學伯克利分校的實習生 Yunchao Liu 一起著手證明「量子核心演算法」可以超越經典演算法。
2020 年夏，他們開始研究如何使用核心來證明量子計算機可以促進監督學習。 最後，他們找到了一種方法。
論文連結：
https：//arxiv。org/pdf/2010。02174。pdf
Temme 團隊展示瞭如何透過使用量子核心，學習找到隱藏在離散對數問題產生的看似隨機輸出中的模式。
團隊使用核心和疊加，重新解釋資料點，並快速估計資料點之間的比較方式。最初資料看起來是隨機的，但量子方法找到了正確的「鏡頭」來揭示其背後的模式。一些關鍵特徵的資料點不再隨機分佈，而是作為鄰居聚集在一起。透過建立這些連線，量子核心可以幫助系統學習如何對資料進行分類。
「所有的資料都落到了它們的位置上。」Temme 回憶道。該方法讓量子計算機的準確率超過 99%。
「我真的很喜歡這篇論文，」量子機器學習專家Maria Schuld說。「它從根本上解決了人們長期以來在量子機器學習中苦苦掙扎的問題。」
對 Schuld 來說，Temme 工作的新穎之處在於它證明了量子計算機在經典計算機上做了一些無法解決的事情。「我認為他們第一次令人信服地做到了這一點。」她說。
訓練量子「學習者」
雖然 Temme 的基於核心的量子計算方法仍然太新，還無法在實際實驗中證明，但融合量子力學和另一種型別的學習的理論，則有更多的時間來證明自己。
早在 2016 年，Vedran Dunjko 就參與論述了，為什麼量子力學可以增強強化學習的效能。在強化學習中，訓練系統會在演算法做出正確選擇時給予獎勵，推動學習者下次更有可能做出正確選擇。
2018 年，Dunjko 和量子資訊專家Sabine Wölk 提出，一種著名的量子搜尋演算法可以比經典計算機更快地使用疊加來評估一系列正確選擇。Wölk 受邀到維也納就這個想法發表演講，Valeria Saggio 出席了會議。她意識到，基於光子的量子計算機有助於證明這個想法。
「那時候我們就認為，實際上，用量子處理器實現某些東西是可能的。」她說。
Saggio 研究了一套複雜的鐳射器、晶體和量子處理器，以展示量子搜尋演算法如何幫助計算機比傳統演算法更快地在光學「迷宮」中導航，同時簡化步驟。
強化學習可以歸結為一個問題：計算機將如何探索所有可能的選擇？經典計算機可以按順序處理選項。但是量子計算機的「疊加」特性可以放大一些最佳化的路徑。
Saggio團隊的量子奈米光子晶片，透過光子及其透過晶片的路徑傳遞資訊。每條路徑編碼不同的資訊，每條路徑都可以將光傳送到不同的出口。
Saggio 選擇了一個出口作為「正確」出口，然後訓練晶片將光發射到這個出口處。如果晶片做出錯誤選擇，Saggio 的 Python 終端上會彈出一個 0。如果正確，則得1分。
為了讓量子晶片快速找到正確的路徑，團隊使用了量子搜尋演算法。在第一次執行時，計算機將有相同的機率選擇任何路徑。
但是一旦計算機偶然發現了正確的選擇，獎勵機制就會發揮作用。光路中每個彎曲處的物理特性都會進行調整，以使學習者做出更正確的選擇。也就是說，解決方案在量子電路中被放大。
結果顯示，量子晶片對強化學習的加速很明顯。量子晶片的學習速度比經典計算機快 63%。
「最後我們獲得了很多1分，我們很高興。」Saggio 說。
塞維利亞大學的量子機器學習專家盧卡斯·拉馬塔 （ Lucas Lamata ）表示，至關重要的是，該晶片不僅僅是透過更快的試錯週期。“這項研究的新穎之處在於，顯示了學習速度的加快。這是一個重要的突破。”
從這個意義上說，它在實驗中展示了 Temme 的理論加速所承諾的內容：量子物理學可以智勝——不僅僅是跑贏——經典計算。
這樣，研究人員可以不必等待全尺寸的量子計算機，迪亞曼蒂說。「以現有的條件，就可以從量子資源中獲得優勢，已經可以加速執行某些計算任務了。」
量子計算與機器學習
隨著量子物理學最終證明可以改善機器學習，該領域的許多人都渴望在未來幾年看到更多的實驗演示。
「現在我們知道，量子優勢是可能實現的」。Saggio 說，她希望看到「更現實的學習場景」。研究人員推測，未來的量子強化學習可能用於大範圍的計算任務的加速。從國際象棋、自然語言演算法，到解碼神經介面中的大腦訊號和個性化複雜的癌症治療計劃。
但目前的技術限制讓實驗變得很困難。
「我們可以實際分析的問題範圍太小了」。所以，Temme團隊的成果更顯得重要。
量子力學和人工智慧之間的結合，讓這兩個領域都誕生了新的前景。科學家們現在正在使用經典機器學習來提高我們對量子物理學的理解。
例如，人工智慧演算法可以最佳化量子電路的微調，在量子實驗中最令人頭疼的部分防止錯誤，並節省時間。機器學習還能幫助物理學家檢測量子糾纏。
「這種自然的結合是我們樂於看到的，」Dunjko 說。「當然，我們還遠遠沒有探索所有可能的聯絡，還有很多很多新的東西有待發現。」