來源：學術頭條 作者：Davide Castelvecchi

我們可以將其稱為未來計算的復仇者聯盟。將兩個科技界最熱門的術語——機器學習和量子計算機結合起來，就形成了量子機器學習（quantum machine learning）。就像《復仇者聯盟》的漫畫書和電影將一群超級英雄集結起來，形成了一個夢幻團隊，這一組合很可能會吸引大量關注。但無論在科技還是小說領域，制定一個好的情節都是至關重要的。

如果量子計算機能夠以足夠大的規模制造出來，那么通過利用亞原子世界的獨特屬性，它們有望比普通數字電子技術更高效地解決某些問題。多年來，研究人員一直在探究這些問題是否包括機器學習——一種人工智能形式，其中計算機被用于發現數據中的模式，并學習可用于在不熟悉的情況下進行推理的規則。

現在，隨著備受矚目的人工智能系統 ChatGPT 的發布（該系統依靠機器學習，通過推斷文本中單詞之間的關系來實現類似人類的對話），以及量子計算機的規模和能力的快速增長，這兩種技術都在迅猛發展。那么，當兩者結合，會產生什么有用的東西嗎？

興趣正不斷增長

許多科技公司，包括 Google 和 IBM 等老牌企業以及加利福尼亞伯克利的 Rigetti 和馬里蘭大學學院公園的 IonQ 等初創公司，都在研究量子機器學習的潛力。學術界的科學家們也對此興趣濃厚。

位于瑞士日內瓦郊外的歐洲粒子物理實驗室歐洲核子研究中心（CERN），已經利用機器學習在大型強子對撞機產生的數據中尋找某些亞原子粒子的跡象。那里的科學家們是正在進行量子機器學習實驗的學者群體之一。

CERN 的量子計算和機器學習研究小組組長、物理學家索 Sofia Vallecorsa 說：“我們的想法是利用量子計算機加速或改進傳統機器學習模型。”

目前尚未解決的一個重要問題是，在某些場景下，量子機器學習是否會比傳統機器學習更具優勢。理論表明，對于特定的計算任務，如模擬分子結構或尋找大整數的質因數，量子計算機將加速可能比宇宙的年齡還長的計算過程。但研究人員仍缺乏足夠的證據證明這一點適用于機器學習。也有人說，量子機器學習可能會發現傳統計算機未發現的模式——即使它的速度并不快。

南非德班的物理學家 Maria Schuld 說，研究人員對量子機器學習的態度搖擺在兩個極端之間。盡管研究人員對這種方法興趣濃厚，但似乎越來越不甘心短期應用前景的渺茫。Schuld 在加拿大多倫多的量子計算公司 Xanadu 工作。

一些研究人員開始將焦點轉向將量子機器學習算法應用于本質上是量子的現象。麻省理工學院（MIT）物理學家 Aram Harrow 表示，在所有量子機器學習的提議應用中，這是“一個量子優勢相當明顯的領域”。

量子算法能湊效嗎？

過去 20 年來，量子計算研究人員們開發了大量的量子算法，這些算法理論上可以使機器學習更為高效。在 2008 年的一項開創性研究中，Harrow 與 MIT 物理學家 Seth Lloyd 和 Avinatan Hassidim（現就職于以色列拉馬特甘的巴伊蘭大學）共同發明了一種量子算法，該算法在解決機器學習核心挑戰之一的大型線性方程組方面，比傳統計算機快得多。

但在某些情況下，量子算法并未實現其預期的效果。一個廣為人知的例子發生在 2018 年，計算機科學家 Ewin Tang 發現的一種方法，可以擊敗 2016 年設計的一種量子機器學習算法。該量子算法旨在提供互聯網購物公司和 Netflix 等服務公司根據客戶之前的選擇向客戶提供的建議類型——并且在做出這類推薦時比任何已知的傳統算法快得多。

當時，只有 18 歲的本科生 Tang 編寫了一個幾乎同樣快速的算法，但該算法可以在傳統計算機上運行。德克薩斯大學奧斯汀分校量子計算研究員 Scott Aaronson 是 Tang 的指導老師，他表示，量子推薦算法是一個罕見的例子，它似乎在實際問題中提供了顯著的速度提升，因此她的工作“使得實際機器學習問題中的量子速度指數級提升的目標比以前更加遙不可及”。Tang 說，她仍然對任何有關機器學習中量子速度大幅提升的說法持“相當懷疑的態度”。

一個潛在的更大問題是，傳統數據與量子計算并不總是能很好地結合在一起。大致來說，一個典型的量子計算應用有三個主要步驟。首先，量子計算機初始化，這意味著其各個內存單元（稱為量子位或量子比特）將被置于一種集體糾纏的量子態。接下來，計算機執行一系列操作，即經典比特邏輯運算的量子類似操作。在第三步中，計算機執行讀出操作，例如測量攜帶關于量子運算結果信息的單個量子位的狀態，這可能是指示機器內部的某個電子是順時針還是逆時針旋轉等。

就像“最細的吸管”

Harrow、Hassidim 和 Lloyd 等人提出的算法有望加快上述“第二步”。但在許多應用中，第一步和第三步可能極其緩慢，從而抵消了這些優勢。初始化步驟需要將“經典”數據加載到量子計算機上，并將其轉換為量子態，這通常是一個低效的過程。而且，由于量子物理本質上是概率性的，讀取過程常常帶有隨機性，因此，量子計算機必須多次重復所有三個階段，并對結果求取平均值，從而得出最終答案。

華盛頓大學西雅圖分校的量子計算研究員 Nathan Wiebe 表示，一旦量子化數據被處理成最終的量子態，取出答案也可能需要很長時間。他在 10 月份的一個量子機器學習研討會上說：“我們只能從最細的吸管中吸取信息。”

“當你問幾乎任何研究員量子計算機擅長什么應用時，答案是，‘可能，并不是經典數據，’”Schuld 表示，“到目前為止，沒有真正的理由相信經典數據需要量子效應。”

Vallecorsa 和其他人表示，速度并不是評估量子算法的唯一標準。還有跡象表明，由機器學習驅動的量子人工智能系統或許能學會識別經典算法會遺漏的數據模式。

這可能是因為量子糾纏在量子位之間建立了相關性，因此也在數據點之間建立了相關性，德國 Zeuthen 的 DESY 粒子物理實驗室的物理學家 Karl Jansen 說，“我們希望能夠檢測到在數據中很難被經典算法檢測到的相關性。”

但 Aaronson 持不同意見。量子計算機遵循已知的物理定律，因此它們的運作和量子算法的結果完全可以由一個普通計算機在足夠時間內預測。“因此，唯一值得關注的問題是，量子計算機是否比完美的經典模擬更快，”Aaronson 說。

根本性量子變革

還有一種可能性，就是完全避開轉換經典數據的障礙，通過在原本就是量子的數據上使用量子機器學習算法。

在整個量子物理學歷史中，量子現象的測量一直被定義為使用一種生活在宏觀、經典世界的儀器來進行數值讀取。但現在有一種新興的想法，涉及一種被稱為量子傳感的新興技術，使得系統的量子屬性通過純量子儀器來測量。將這些量子態直接加載到量子計算機的量子位上，然后可以使用量子機器學習來識別模式，而無需與經典系統進行任何連接。

麻省理工學院物理學家、谷歌研究員 Hsin-Yuan Huang 表示，在機器學習方面，這可能比收集量子測量作為經典數據點的系統更具優勢，“我們的世界本質上是量子力學的。如果你想要一臺可以學習的量子機器，它可能會更加強大。”

Huang 和他的合作者在谷歌的一臺 Sycamore 量子計算機上進行了一個原理驗證實驗。他們將部分量子位用于模擬一種抽象材料的行為。然后，處理器的另一部分利用這些量子位的信息，并通過量子機器學習進行分析。研究人員發現，這種技術比經典的測量和數據分析快得多。

它是一種超導體嗎？

Huang 表示，完全在量子世界中進行數據的收集與分析，可以讓物理學家解決那些只能通過經典測量方法間接回答的問題。例如，一個特定材料是否處于一種特殊的量子態，從而使其成為超導體（能夠以幾乎為零的電阻導電）。經典實驗要求物理學家間接證明超導性，例如測試材料對磁場的反應。

粒子物理學家也在研究使用量子傳感技術來處理未來粒子對撞機產生的數據，如在 DESY 的 LUXE 實驗中，將電子和光子相撞，Jensen 說。盡管這一想法至少還有十年的時間才能實現，他補充道。彼此相距遙遠的天文觀測站也可能使用量子傳感器來收集數據，并通過未來的“量子互聯網”將它們傳輸到中央實驗室，由量子計算機進行處理。人們希望，這能使得捕捉的圖像具有前所未有的清晰度。

如果這類量子傳感應用被證明是成功的，那么量子機器學習可能會在結合這些實驗的測量結果和分析得出的量子數據中發揮作用。

最終，量子計算機是否會為機器學習帶來優勢，將通過實驗而非數學證明來決定。“我們不能期待所有東西都像我們在理論計算機科學中那樣被證明，”Harrow 說。

“我當然認為量子機器學習仍然值得研究，”Aaronson 說，無論是否最終提高效率。Schuld 同意這一說法。“我們需要在不受證明速度提升的限制下進行研究，至少目前是這樣的。”

審核編輯：劉清