其他
Nature评述：「量子人工智能」会彻底改变科学吗？
光子盒研究院
科学家们正在探索量子机器学习的潜力。但人工智能与量子计算的融合是否会带来有用的应用，目前还不清楚。
这就是未来计算的复仇者联盟。将机器学习和量子计算机这两个科技界最热门的词汇放在一起，就是量子机器学习。就像《复仇者联盟》漫画和电影一样，汇集了全明星超级英雄来组建梦之队，其结果很可能会吸引大量关注。但是，在技术领域，就像在小说中一样，重要的是要有一个好的情节。
如果量子计算机能够以足够大的规模制造出来，它们有望通过利用亚原子世界的独特特性，比普通数字电子技术更高效地解决某些问题。多年来，研究人员一直在思考这些问题是否可能包括机器学习，这是人工智能（AI）的一种形式：计算机被用来发现数据中的模式并学习规则，这些规则可用于在不熟悉的情况下做出推断。
现在，随着备受瞩目的人工智能系统ChatGPT的发布（该系统依靠机器学习，通过推断文本中单词之间的关系来实现类似人类的对话），以及量子计算机规模和功率的快速增长，这两项技术都取得了长足的进步。
那么，两者结合会产生什么有用的东西吗？
许多技术公司，包括谷歌和IBM等老牌公司，以及加利福尼亚州伯克利的Rigetti和马里兰州学院公园的IonQ等初创公司，都在研究量子机器学习的潜力。学术界的科学家们也对此兴趣浓厚。
欧洲核子研究中心（CERN）是位于瑞士日内瓦郊外的欧洲粒子物理实验室，该实验室已经利用机器学习从大型强子对撞机产生的数据中寻找某些亚原子粒子产生的迹象。那里的科学家也是正在进行量子机器学习实验的学者之一。
欧洲核子研究中心量子计算和机器学习研究小组负责人、物理学家索菲亚·瓦莱科萨（Sofia Vallecorsa）说：“我们的想法是利用量子计算机加速或改进经典机器学习模型。”
最大的未解之谜是，量子机器学习是否比经典机器学习更具优势。理论表明，对于专门的计算任务，如模拟分子或寻找大整数的质因数，量子计算机将加快计算速度，否则计算时间可能超过宇宙的年龄。但研究人员仍然缺乏足够的证据来证明机器学习也是如此。还有人说，量子机器学习可以发现经典计算机所忽略的模式——即使它的速度并不快。
南非德班的物理学家玛丽亚·舒尔德（Maria Schuld）表示，研究人员对量子机器学习的态度有两个极端。舒尔德供职于总部位于加拿大多伦多的量子计算公司Xanadu，她说，研究人员对量子学习方法兴趣浓厚，但似乎越来越不看好短期应用前景。
一些研究人员开始将重点转移到将量子机器学习算法应用于固有量子现象的想法上。剑桥麻省理工学院（MIT）的物理学家阿拉姆·哈罗（Aram Harrow）说，在所有拟议的量子机器学习应用中，这是“量子优势相当明显的领域”。
过去20年来，量子计算研究人员开发了大量量子算法，理论上可以提高机器学习的效率。
在2008年的一项开创性成果中，哈罗与麻省理工学院的物理学家塞斯·劳埃德（Seth Lloyd）和阿维纳坦 哈西迪姆（Avinatan Hassidim，现就职于以色列的巴伊兰大学）共同发明了一种量子算法，在求解大型线性方程组方面比经典计算机快了数倍，而这正是机器学习的核心挑战之一。
但在某些情况下，量子算法的前景并不尽如人意。一个备受瞩目的例子发生在2018年，当时计算机科学家Ewin Tang发现了一种击败2016年设计的量子机器学习算法的方法——该量子算法旨在提供互联网购物公司和Netflix等服务公司根据客户之前的选择向客户提供的建议类型：它在提供此类建议方面的速度比任何已知的经典算法都要快数倍。
论文链接：https://dl.acm.org/doi/10.1145/3313276.3316310
Tang当时还是德克萨斯大学奥斯汀分校（UT）一名18岁的本科生，他编写的算法几乎同样快，但可以在普通计算机上运行。
UT量子计算研究员斯科特·阿伦森（Scott Aaronson）是Tang的指导老师，他说：“量子推荐算法是一个罕见的例子，它似乎在实际问题中提供了显著的速度提升，因此她的工作使实际机器学习问题的指数量子提速目标变得比以前更加遥不可及。”
现就职于加州大学伯克利分校的Tang说，她仍然“非常怀疑 任何有关量子技术在机器学习领域大幅提速的说法”。
一个潜在的更大问题是，经典数据和量子计算并不总是能很好地结合在一起。粗略地说，典型的量子计算应用有三个主要步骤：
首先，对量子计算机进行初始化，这意味着将其单个存储单元（称为量子比特）置于集体纠缠量子态中。接下来，计算机执行一系列操作，即经典比特逻辑运算的量子类似操作。第三步，计算机进行读出，例如测量携带量子运算结果信息的单个量子比特的状态。例如，这可能是指机器内的某个电子是顺时针还是逆时针旋转。
论文链接：https://www.nature.com/articles/nature23474
哈罗、哈西迪姆和劳埃德的算法有望加快第二步：量子运算的速度。但在许多应用中，第一步和第三步可能会非常缓慢，从而抵消了这些收益。初始化步骤需要向量子计算机加载“经典”数据，并将其转换为量子态，这通常是一个低效的过程。
而且，由于量子物理学本身具有概率性，读出过程往往具有随机性，在这种情况下，计算机必须多次重复所有三个阶段，并将结果平均，才能得到最终答案。
西雅图华盛顿大学的量子计算研究员内森·维伯（Nathan Wiebe）表示，一旦量子化数据被处理成最终量子态，也可能需要很长时间才能得到答案。维伯在10月份举行的量子机器学习研讨会上说：“我们只能从最细的稻草中吸取信息。”
舒尔德说：“当你问几乎所有研究人员量子计算机将擅长哪些应用时，答案都是：‘可能，不是经典数据’。到目前为止，还没有真正的理由相信经典数据需要量子效应。”
瓦莱科萨和其他人说，速度并不是评判量子算法的唯一标准。还有迹象表明，由机器学习驱动的量子人工智能系统可以学会识别数据中的模式，而这些模式会被其经典同行所遗漏。
德国宙腾（Zeuthen）DESY粒子物理实验室的物理学家卡尔·扬森（Karl Jansen）说，这可能是因为量子纠缠在量子比特之间建立了相关性，因此也在数据点之间建立了相关性。他说：“我们希望能检测到数据中的相关性，而这些相关性用经典算法是很难检测到的。”
但阿伦森并不同意。量子计算机遵循众所周知的物理定律，因此只要有足够的时间，普通计算机完全可以预测量子计算机的工作原理和量子算法的结果。
阿伦森说：“因此，唯一值得关注的问题是，量子计算机是否比完美的经典模拟计算机更快。”
另一种可能性是，通过在已经是量子的数据上使用量子机器学习算法，完全避开转换经典数据的障碍。
在量子物理学的发展史上，对量子现象的测量一直被定义为使用“生活”在宏观经典世界中的仪器读取数值。但现在出现了一种新的想法，涉及一种被称为量子传感的新兴技术，它允许使用纯量子仪器测量系统的量子特性。将这些量子态直接加载到量子计算机的量子比特上，然后就可以利用量子机器学习来发现模式，而无需与经典系统进行任何连接。
麻省理工学院物理学家、谷歌研究员Hsin-Yuan Huang说，在机器学习方面，这可能会比把量子测量作为经典数据点来收集的系统具有更大的优势。“我们的世界本来就是量子力学的。如果你想拥有一台可以学习的量子机器，它可能会强大得多。”
Huang和他的合作者在谷歌的一台“梧桐树”Sycamore量子计算机上进行了原理验证实验。他们将其中一些量子比特用于模拟一种抽象材料的行为。然后，处理器的另一部分从这些量子比特中获取信息，并利用量子机器学习对其进行分析。研究人员发现，这种技术比经典测量和数据分析快了数倍。
论文链接：https://www.science.org/doi/10.1126/science.abn7293
Huang说，完全在量子世界中收集和分析数据，可以让物理学家解决经典测量只能间接回答的问题。其中一个问题是，某种材料是否处于特定的量子态，从而使其成为超导体--能够以几乎为零的电阻导电。
经典实验要求物理学家间接证明超导性，例如测试材料对磁场的反应。
詹森表示，粒子物理学家还在研究利用量子传感技术来处理未来粒子对撞机产生的数据，比如在LUXE，DESY的一个实验将电子和光子撞击在一起。不过他补充说，这个想法至少还需要十年才能实现。
相距遥远的天文观测站也可以利用量子传感器收集数据，并通过未来的“量子互联网”将数据传输到中央实验室，由量子计算机进行处理。人们希望，这样就能捕捉到无比清晰的图像。
如果这种量子传感应用被证明是成功的，那么量子机器学习就可以在结合这些实验的测量结果和分析由此产生的量子数据方面发挥作用。
最终，量子计算机是否能为机器学习带来优势，将由实验来决定，而不是通过数学证明其优越性或缺乏优越性。
哈罗认为，“我们不能指望用理论计算机科学的方式证明一切。”
阿伦森则表示：“我当然认为量子机器学习仍然值得研究，无论最终是否能提高效率。”
参考链接：[1]https://www.nature.com/articles/d41586-023-04007-0[2]https://dl.acm.org/doi/10.1145/3313276.3316310[3]https://www.nature.com/articles/nature23474[4]https://www.science.org/doi/10.1126/science.abn7293
|qu|cryovac>