机器学习与量子计算结合，将开出怎样的花朵？
科学家正在评估量子机器学习的潜力，但人工智能与量子计算的结合是否具有实际用处仍不清楚。
请叫它未来主义计算的“复仇者联盟”。将科技领域最火的两个词合起来——机器学习和量子计算机——“量子机器学习”便就此诞生。就和《复仇者联盟》漫画和电影一样，超级英雄的全明星阵容注定夺人眼球。但科技和虚构的故事一样，离不开好的情节。
如果量子计算机能大规模建造，它们就能比普通数字化电子产品更快地解出某些问题，因为它们能利用亚原子世界的独特性质。多年来，研究人员一直在思考这些问题是否也包括机器学习。机器学习这种人工智能（AI）技术使用计算机发现数据模式，学习规律，从而能在陌生场景中做出推断。
家喻户晓的AI系统ChatGPT就是利用机器学习推断文本中字词间的关系，从而生成“人类般”的对话。量子计算机的规模和算力也在迅速扩容，随着这两项技术的突飞猛进，两者结合会产生怎样的效果呢？
瑞士日内瓦近郊的欧洲粒子物理学实验室CERN已经在用机器学习从大型强子对撞机产生的数据中寻找特定亚原子粒子产生的迹象。那里的科学家是正在实验量子机器学习技术的科学家之一。
CERN负责领导量子计算和机器学习研究组的物理学家Sofia Vallecorsa说：“我们想用量子计算机给经典机器学习模型提速或进行改进。”
这里的一个重要问题是，是否存在量子机器学习比经典版本更有优越性的具体场景。理论显示，对于特定的计算任务，如模拟分子或寻找大整数的质因数，量子计算机能加快运算速度，不然运算时间可能会比宇宙存在的时间更久。但研究人员仍然缺少充足证据证明机器学习也符合这种情况。其他人则认为，即使量子机器学习的速度不见得更快，但它可以发现经典计算机发现不了的模式。
研究人员对量子机器学习的态度处于两个极端，就职于加拿大量子计算公司Xanadu的南非物理学家Maria Schuld说，大家对这项技术很感兴趣，但似乎因为看不到短期前景而纷纷后撤。
一些研究人员转而关注在本质上属于量子的现象中应用量子机器学习算法。在目前提出的量子机器学习的所有可能应用中，这是量子优势最明显的领域，麻省理工物理学家Aram Harrow表示。
但在某些方面，量子算法的承诺并未兑现。一个著名事件是计算机科学家Ewin Tang在2018年提出的一种方法打败了2016年设计的一个量子机器学习算法[2]。这个量子算法的最初设计目标是让Netflix这类网络购物公司和服务能基于用户既往选择做出相关推荐，并且其推荐速度较当时任何已知的经典算法有了指数级提速。
当时只有18岁的Tang还在得克萨斯大学奥斯汀分校读本科，她写了一个速度差不多的算法，但用普通计算机就能运行。量子推荐是算法在实际问题上显著提速的一个罕见特例，所以她的算法让实际的机器学习问题实现指数级量子提速的目标比以往更触不可及，Tang的导师、量子计算研究员Scott Aaronson说道。目前在加州大学伯克利分校的Tang表示，她仍然对任何声称机器学习能实现大幅量子提速的说法深表怀疑。
一个更大的问题是，经典数据和量子计算有时候并不兼容。大致而言，量子计算的经典应用主要有三步。第一步是量子计算机的初始化，也就是其单个存储单元，即量子比特（qubit）处于集体纠缠量子态。第二步是量子计算机执行一连串运算，也就是对经典比特进行逻辑运算的量子版本。第三步需要量子计算机进行读出，比如测量携带量子运算结果信息的单个量子比特的状态。这可以是计算机内的某个电子是顺时针自旋还是逆时针自旋。
华盛顿大学量子计算研究员Nathan Wiebe说，量子化数据经过处理进入最终量子态后，得到答案可能还要很久。Wiebe在去年10月的一个量子机器学习工作组上说：“我们只能从吸管最细的部分把信息吸出来。”
“不管你问哪个研究人员量子计算机的优势在哪里，回答基本上都是‘应该不是经典数据’，”Schuld说，“现在看来，没有什么理由让我们相信经典数据真的需要量子效应。”
Vallecorsa和其他人认为，速度不应该是评价量子算法的唯一标准。有迹象表明，机器学习驱动的量子AI系统可以学会识别经典计算机容易漏掉的数据模式。这可能是因为量子纠缠能让量子比特和数据点之间建立关联，德国电子同步加速器（DESY）粒子物理学实验室的物理学家Karl Jansen说，“我们希望能发现经典算法很难在数据中发现的关联。”
回顾量子物理学的发展，对量子现象的测量被定义为用存在于宏观、经典世界中的工具读取数值。但一种新出现的观点使用名为“量子传感”（quantum sensing）的新技术，这种技术使用纯量子工具测量某个系统的量子特性。将这些量子态直接加载到一台量子计算机的量子比特上，量子机器学习或许就能在不接入经典系统的情况下发现模式。
对于机器学习来说，这么做的优势可能超过了以经典数据点的形式采集量子测量数据的系统，麻省理工物理学家、谷歌研究员Hsin-Yuan Huang说，“我们的世界本质上符合量子力学。如果你想要一台会学习的量子计算机，它能变得更强大。”
Huang和他的合作者用谷歌的一台Sycamore量子计算机运行过一个原理验证实验[4]。他们用计算机的部分量子比特模拟一种抽象物质的行为，用计算机的另一部分从这些量子比特中采集信息，并用量子机器学习进行分析。研究团队发现，这种技术较经典测量和数据分析能有指数级提速。
Jensen说，粒子物理学家还在尝试用量子传感处理未来粒子对撞机产生的数据，比如DESY让电子和光子对撞的LUXE实验，不过这种想法距离实现至少仍有十年时间。相距遥远的天文台也可以用量子传感器采集和传输数据，这需要用到未来“量子互联网”技术，将数据传输到中央实验室的量子计算机上处理。这么做希望能捕捉到清晰度无与伦比的影像。
如果这种量子传感的应用能成功，就能用量子机器学习综合这些实验的测量数据并分析最后得到的量子数据。
归根结底，量子计算机是否能为机器学习带来优势，要由实验决定，而不是看这种优越性是否有数学证据。Harrow说：“我们不能期望用做理论计算机科学的方式来证明一切。”
欢迎关注我们，投稿、授权等请联系
微信扫码关注该文公众号作者