机器学习和量子计算将成为“密友”

■■■

机器学习，这一技术使Alexa和Siri有能力对你说的话进行分析，并使自动驾驶汽车带你欣赏城市美景。根据研究人员的观点，借助量子计算机的加速能力，机器学习将进一步获益。如果多伦多的技术孵化计划已经启动，那么在未来几年内我们将看到多家量子机器学习创业公司的出现。

研究人员关注的重点是使用处于萌芽期的量子计算机为机器学习算法提供加速支持，或使用传统机器学习系统提升量子计算机系统的功率、持久性或效率。最终目的是使用体积更小且基于量子计算机的机器学习系统同时获得上述所有益处。当然，最终目标的实现需等待超大容量的量子信息存储以及完备的量子计算机正式上线运行。谷歌表示，其希望在今年年底实现49量子位的量子计算机。鉴于此，能从上述技术结合中获益且包含数百甚至数千量子位的机器，可能还需再等些年头才能出现。

■■■

但是，来自西班牙光子科学研究所（位于卡斯特尔德费尔斯）的研究人员彼得•维特克（Peter Wittek）表示，研究人员已经针对该领域的未来发展开展了相关试验和理论编纂工作。

维特克还担任创造性颠覆实验室（CreativeDestruction Lab）量子机器学习主管一职。创造性颠覆实验室是一家新创孵化公司，附属于多伦多大学。维特克表示，量子加密和量子随机数生产技术都是在未利用大型量子计算机的情况下发展成熟的，量子机器学习也可能会发生这种情况。

在2008年名为HHL的量子算法问世后，该领域开始正式起步。HHL主要解决涉及多种自由度的大量线性代数问题，处理速度快于所有传统超级计算机。由于机器学习的一大部分内容正好涉及该类高自由度代数问题，因此部分研究人员已经转而研究HHL。

■■■

但是，维特克表示，尽管HHL具备十分明显的优势，但近期或许无法开发出相应的优质应用程序。他预计，反而是在金融行业、运输行业或医疗业可能会出现相应的杀手级应用程序。

量子计算机在那些需要产生纯粹随机数的应用程序中具有优势。蒙特卡洛机器学习算法（通常用于金融应用程序）需要纯粹的随机数来实现最优结果，但传统计算机最多只能产生伪随机数。与之相反，量子系统则能够定义纯粹的随机性。因此，量子机器学习应该可以在此领域找到立足之地。

但根据来自得克萨斯大学奥斯汀分校的计算机科学教授斯科特•阿伦森（Scott Aaronson）的观点，HHL只是为该领域带来了更多的假设而已，近期能实现的希望并不大。正如2015年阿伦森在一份关于量子机器学习研究的批判性评述中所言，对于由HHL技术推动的任何突破承诺，均应附上“购者自慎”的标签。

阿伦森表示：“过去10年间发布的所有量子机器学习算法几乎都只是一种算法框架。该类算法并未从人们需要解决的传统问题出发，也未就此提供任何解决方法。”

尽管存在技术质疑，但维特克无所畏惧。其中一个原因就是：今年在多伦多举行的量子机器学习训练营和创业加速器计划，吸引了超出预期的申请者。

维特克表示：“我们希望到明年夏天，就有企业在融资了。”

作者：Mark Anderson

>>>本文为原创，转载请回复。<<<

往期推荐