作者：CHARLES Q. CHOI
來源：IEEE電氣電子工程師

當量子計算機執行可能導致下一代電池或新藥的復雜物理和化學模擬時，它可能比任何傳統超級計算機強大得多。然而，可能需要很多年才能實現實用和廣泛的量子計算。

現在，一項新的研究發現，機器學習現在可以為計算機視覺、語音識別等提供動力，在量子計算機擅長的任務種類上，它也可以證明比普通計算機好得多。這些發現表明，在量子計算機最終出現之前，機器學習可能有助于解決關鍵的量子問題。

量子計算機理論上可以實現“量子優勢”，它們可以找到經典計算機無法解決的問題的答案。量子計算機擁有的量子比特越多，其計算能力就可以以指數形式增長。

“If quantum computers were mature right now, it would definitely be better to use quantum computers.”
—Robert Hsin-Yuan Huang, Caltech

量子計算機的一個主要應用可能是模擬復雜分子和其他系統，其中奇怪的量子效應起著關鍵作用。這些奇怪的現象包括疊加，其中一個物體可能同時存在于兩個或多個位置或狀態，以及糾纏，其中多個物體可以瞬間相互影響，而不管它們相距多遠。經典計算機通常難以模擬量子系統，尤其是涉及多個實體的系統。相比之下，量子計算機本身就是量子系統，因此理論上可以更快地解決這類量子多體問題。然而，量子計算機目前是嘈雜的中等規模量子（NISQ）平臺，這意味著它們的量子比特數最多可達幾百。為了證明對實際應用有用，未來的量子計算機可能需要數千個量子比特來幫助補償錯誤，這個目標可能需要很多年的時間。在這項新的研究中，研究人員調查了在經典計算機上運行的機器學習算法，即通過經驗自動改進的算法。他們發現這些經典的機器學習算法可能比經典計算機上的任何其他算法更好地解決具有挑戰性的量子問題。他們在9月22日的《科學》雜志上在線詳述了他們的發現。科學家們分析的一組應用包括發現分子的基態，即能量最少的基態。該研究的主要作者、加州帕薩迪納加州理工學院量子信息理論家Robert Hsin-Yuan Huang表示，疊加和糾纏會使預測分子基態變得非常困難，特別是當它擁有許多原子時。研究人員調查了當經典機器學習算法獲得分子基態數據時發生的情況，例如，從分子收集量子數據的實驗所提供的信息。他們發現，這種經典的機器學習算法能夠有效、準確地預測其他分子的基態，這比其他類型的經典算法要好得多。Huang說，這種優勢來自于“大自然如何機械地操作量子”，所以從量子實驗中收集的數據“包含了自然界中量子計算能力的碎片”。這意味著從這些數據中學習的經典機器學習算法“可以比任何非機器學習算法更準確、更有效地進行預測，”他補充道。總而言之，在預測基態時，經典的機器學習算法“在相同的計算時間內可以比經典的非機器學習算法更準確地預測，”Huang說，“如果我們的目標是實現相同的預測精度，那么經典的機器學習可以比經典的非機器學習算法更快地運行超多項式。”研究人員探索的另一組應用是對物質的各種量子相進行分類。熟悉的物質狀態包括冰可能采用的許多晶體結構，而更奇異的物質量子相包括拓撲絕緣體中看到的那種，在那里電或光可以流動而不會散射或損失。科學家們發現，當經典機器學習算法以量子相位的經典數據為基礎進行訓練時，它們可以有效地學習如何準確分類訓練中沒有遇到的量子相位。Huang說：“有正式證據證明，在量子物理的一個重要問題上，用物理實驗數據訓練的經典機器學習算法可以勝過任何經典的非機器學習算法，這個結果是令人興奮的。它真正顯示了經典機器學習在解決物理、化學和材料科學中具有挑戰性的問題方面的力量。”Huang說，未來的研究可以探索經典機器學習可以很好解決的其他重要量子問題。他指出，進一步的工作還可以探索如何優化經典機器學習算法解決量子問題的方式，根據它們需要多少訓練數據和計算時間。最終，有一天，量子計算機在模擬化學和物理實驗方面甚至會勝過經典的機器學習。Huang說：“如果量子計算機現在已經成熟，那么使用量子計算機肯定會更好。”然而，在量子計算機出現之前，“根據實驗數據訓練的經典機器學習模型可以解決化學和材料科學中的實際問題，這些問題很難單獨使用經典處理來解決，”Huang說。