IonQ和QC Ware在量子机器学习领域取得突破

光子盒研究院出品

今年实现400万量子体积的离子阱量子计算机公司IonQ上周公布了未来5年的路线图，并提出了于2023年在机器学习领域实现量子优势。本周IonQ和量子软件领导者QC Ware的最新研究，已经迈出了第一步。

QC Ware国际量子算法负责人Iordanis Kerenidis和IonQ高级量子应用研究科学家Sonika Johri在Q2B大会上宣布了他们的研究。

IonQ和QC Ware团队利用QC Ware的机器学习算法，在IonQ的11量子比特系统上进行分类。他们克服了量子机器学习（QML）难以逾越的障碍——以一种抗噪声的方式将经典数据加载到量子态上，从而实现高效和鲁棒的QML应用。证明了在近期量子计算机上进行机器学习可以达到相同或更好的精度水平，并且可以追求比经典计算机更快的速度。

量子最近质心算法

机器学习中有许多不同的方法来执行分类，可以大致分为两大类。

第一种方法是基于相似性的学习，其中定义了数据点之间的相似性概念（例如，被视为向量的数据点之间的欧几里得距离），若数据点相似，则将这些点分类在一起。众所周知的基于相似性的算法有最近质心、K最近邻、支持向量机等。

第二种方法是基于深度学习技术，特别是不同类型的神经网络（全连接、卷积、递归等）。在这里，使用标记数据的语料库来训练神经网络的权重，以便训练后的神经网络可以推断出新数据的标签。

通常，特别是在有大量数据的情况下，神经网络比传统的基于相似性的方法可以获得更好的性能。另一方面，基于相似性的方法可以提供其他优点，包括可证明的性能保证以及诸如可解释性和透明性等属性，这些特性在许多具有敏感数据和决策的部门变得越来越重要。

在实验中，IonQ和QC Ware重点演示了最近质心算法的量子模拟，一种简单的基于相似性的分类技术。

最近质心算法是一种很好的基线分类器，可以提供可解释的结果，但是当数据点远离具有相似方差的凸类（Convex class）时，其性能会下降。

最近质心算法以多个标记的数据点作为输入，每个数据点属于一个特定的类。该算法的模型拟合部分非常简单，需要计算每个集合的质心，即重心。一旦找到了每个类的质心，就可以通过在欧几里得距离中找到离它最近的质心并分配相应的标签来分类新的数据点。

最近质心分类

他们设计了一个量子最近质心算法，通过构建量子程序来加载经典数据作为量子态，并执行距离估计程序。在多达11个量子比特的离子阱量子处理器上演示了量子最近质心算法，并在真实数据集上实现了与相应经典分类器相当的精度，以及在合成数据上的100%准确率。

这是量子计算机上最大、最精确的分类演示。此外，研究团队还开发了一种错误缓解技术和噪声模型分析，以证明随着问题规模的扩大，这种性能将继续保持不变。

算法精度不会随问题规模的增加而改变

他们在arXiv上的预印论文详细介绍了在IonQ的11量子比特系统上运行QC-Ware的分类算法。QC Ware的可将经典数据优化转换为量子态的Forge数据加载器技术，以及IonQ 11量子比特系统的高质量、全连接的量子比特是实验成功的关键。

根据研究人员的说法，将经典数据加载到量子态是一项挑战：虽然大多数专家假设量子随机存取存储器（QRAM）可用，但大多数提议都需要大量的硬件投资、量子比特数和电路深度。

该团队报告说，Forge数据加载器为QRAM提供了更好的替代方案。研究人员补充说，这项技术只需100量子比特，电路深度为100，就可以加载这样的数据点。

实验表明，运行在IonQ硬件上的QC Ware的量子算法与相应的经典算法在同一水平上执行，平均10次识别正确的数字8次，与在经典硬件上运行的经典算法的次数相同。这是第一次在量子计算机上完成10个类别的分类任务。

MNIST数据集的经典（上）和量子（下）混淆图

研究团队还论证了其方法的可扩展性及其在NISQ机器上的适用性，即该算法使用了可证明对某些级别的噪声具有耐受性的浅量子电路。此外，分类的特定应用适合于有限精度的计算，因为它只需要比较不同质心之间的距离，而不是高精度地找到所有距离。

在实验中，研究人员对数据点使用一元编码，即每个数据点的特征使用一个量子比特。虽然这增加了量子变分方法中所需的量子比特数，但它可以减少误差。误差只随着电路的深度而增加，电路的深度是量子比特数量的对数，而不是量子比特或门的数量。

这使得他们对于将这种算法应用到量子比特数量要高得多的下一代量子计算机中，持有乐观态度。IonQ最新的32比特系统的两比特门保真度为99.9%，他们希望过使用基于这些结果的技术来超越经典的机器学习算法。

研究人员称，这项技术在有用的量子计算方面提供了几个长期的优势。

首先，完成计算需要更少的步骤和更少的时间，这意味着处理更快更好。其次，该团队认为这种方法是可扩展的。随着问题规模的增加，算法的准确性保持不变，而不需要纠错的量子比特。

研究人员称，他们取得的进展可能会对行业产生以下影响：

·为各种量子机器学习应用开辟了道路，包括自然语言处理、决策、客户推荐和欺诈检测；

·加快了QML在近期量子计算机上实际应用的行业时间表；

·显示下一代量子计算机超越经典计算机的潜力。

量子机器学习能否提供现实世界的应用仍然是个大问题，但IonQ和QC Ware相信，他们的工作通过展示算法和硬件的联合开发如何推动量子机器学习，使这一愿景更加接近现实。

论文链接：

https://arxiv.org/abs/2012.04145

相关阅读：

-End-

1930年秋，第六届索尔维会议在布鲁塞尔召开。早有准备的爱因斯坦在会上向玻尔提出了他的著名的思想实验——“光子盒”，公众号名称正源于此。