量子計(jì)算與機(jī)器學(xué)習(xí)的融合已經(jīng)成為一個(gè)蓬勃發(fā)展的研究領(lǐng)域，它能否達(dá)到人們對(duì)其的期望呢？《量子》雜志發(fā)表了一篇文章詳細(xì)介紹了量子計(jì)算機(jī)的發(fā)展?fàn)顩r及其在機(jī)器學(xué)習(xí)中的運(yùn)用。

上世紀(jì)90年代初，威奇托州立大學(xué)的物理學(xué)教授伊麗莎白·貝爾曼(Elizabeth Behrman)開始致力于將量子物理與人工智能（特別是當(dāng)時(shí)備受爭議的神經(jīng)網(wǎng)絡(luò)技術(shù)）結(jié)合起來的時(shí)候，大多數(shù)人都認(rèn)為她是在將水和油混合在一起。“我花了好長時(shí)間才將論文發(fā)表出來，”她回憶說。“神經(jīng)網(wǎng)絡(luò)期刊會(huì)問，‘量子力學(xué)是什么？’物理期刊會(huì)問，‘神經(jīng)網(wǎng)絡(luò)是什么？’”

今天，兩者的結(jié)合似乎是世界上最自然的事情。神經(jīng)網(wǎng)絡(luò)和其他機(jī)器學(xué)習(xí)系統(tǒng)已經(jīng)成為21世紀(jì)最具顛覆性的技術(shù)。它們不僅在大多數(shù)人類都不擅長的任務(wù)中打敗我們，比如下棋和數(shù)據(jù)挖掘，而且還在我們的大腦的工作上超越了我們，例如識(shí)別人臉，翻譯語言等。這些系統(tǒng)因?yàn)榫薮蟮挠?jì)算能力而成為現(xiàn)實(shí)，因此，科技公司不可避免地會(huì)去尋找那些不僅規(guī)模更大的計(jì)算機(jī)，而且還會(huì)致力于開發(fā)出一種全新的機(jī)器。

經(jīng)過幾十年的研究，量子計(jì)算機(jī)已經(jīng)有了足夠的計(jì)算能力，超越了地球上所有的計(jì)算機(jī)。它們的殺手級(jí)應(yīng)用通常被認(rèn)為是處理大量數(shù)據(jù)，這是現(xiàn)代加密技術(shù)的關(guān)鍵。不過，這至少還有10年的時(shí)間。但即使是今天最基本的量子處理器，也與機(jī)器學(xué)習(xí)的需求驚人地匹配。它們?cè)谝粋€(gè)步驟中處理大量數(shù)據(jù)，挑選出傳統(tǒng)的計(jì)算機(jī)所忽略的微妙模式，而且不會(huì)因不完整或不確定的數(shù)據(jù)而宕機(jī)。“量子計(jì)算的內(nèi)在統(tǒng)計(jì)特性和機(jī)器學(xué)習(xí)之間存在著一種自然的結(jié)合，”加州伯克利的量子計(jì)算機(jī)公司 Rigetti Computing 的物理學(xué)家約翰內(nèi)斯·奧特巴赫（Johannes Otterbach ）說。

如果說有什么不同的話，那就是鐘擺已經(jīng)擺到了另一個(gè)極端。谷歌、微軟、IBM和其他科技巨頭都在向量子機(jī)器學(xué)習(xí)投入大量資金，多倫多大學(xué)的創(chuàng)業(yè)孵化器也致力于此。“機(jī)器學(xué)習(xí)”正在成為一個(gè)時(shí)髦詞匯，”莫斯科斯科爾科沃（Skolkovo）科技研究所的量子物理學(xué)家雅各布·比昂特(Jacob Biamonte)說。“當(dāng)你把它和量子結(jié)合在一起的時(shí)候，它就變成了一個(gè)超級(jí)時(shí)髦詞匯。”

然而，其中的“量子”這個(gè)詞，并不是我們所想的那樣。盡管你可能認(rèn)為量子機(jī)器學(xué)習(xí)系統(tǒng)應(yīng)該是強(qiáng)大的，但它卻受到某種閉鎖綜合征的影響。它在量子態(tài)上運(yùn)行，而不是在人類可讀的數(shù)據(jù)上，在兩者之間的轉(zhuǎn)換中，其明顯的優(yōu)勢(shì)也被抵消了。它就像iPhone X一樣，盡管它的規(guī)格令人印象深刻，如果你用的手機(jī)運(yùn)營商網(wǎng)絡(luò)非常差的話，它會(huì)和你的舊手機(jī)一樣慢。對(duì)于一些特殊的情況，物理學(xué)家可以克服這個(gè)“輸入-輸出”的瓶頸，但是這種情況能否出現(xiàn)在實(shí)際的機(jī)器學(xué)習(xí)任務(wù)中仍然是未知的。“我們還沒有明確的答案，”德克薩斯大學(xué)奧斯汀分校的計(jì)算機(jī)科學(xué)家斯科特 · 阿隆森（Scott Aaronson）說，“人們常常對(duì)這些算法是否能夠提高計(jì)算速度表現(xiàn)得非常漫不經(jīng)心。”
量子神經(jīng)元

無論是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，還是量子神經(jīng)網(wǎng)絡(luò)，其主要工作都是識(shí)別模式。受到人類大腦的啟發(fā)，神經(jīng)網(wǎng)絡(luò)由基本的計(jì)算單元（即“神經(jīng)元”）構(gòu)成。每一個(gè)都可以像一個(gè)開關(guān)裝置一樣簡單。一個(gè)神經(jīng)元監(jiān)控其他多個(gè)神經(jīng)元的輸出，就像進(jìn)行投票一樣，如果有足夠多的神經(jīng)元處于激活狀態(tài)，神經(jīng)網(wǎng)絡(luò)就會(huì)啟動(dòng)。通常，神經(jīng)元是按層排列的。初始層接受輸入（如圖像像素），中間層創(chuàng)建各種輸入（表示結(jié)構(gòu)，如邊和幾何形狀），最后一層生成輸出（圖像內(nèi)容的高級(jí)描述）。

至關(guān)重要的是，線路不是預(yù)先固定的，而是在不斷試錯(cuò)的過程中進(jìn)行的。這個(gè)網(wǎng)絡(luò)可能會(huì)被輸入標(biāo)有"小貓"或"小狗"的圖像，對(duì)于每張圖像，神經(jīng)網(wǎng)絡(luò)會(huì)分配一個(gè)標(biāo)簽，檢查它是否匹配正確，如果不正確，就調(diào)整神經(jīng)元連接。起初，它的猜測(cè)是隨機(jī)的，但隨后會(huì)變得更好;在大約1萬個(gè)例子之后，它的準(zhǔn)確性就大大提高了。一個(gè)嚴(yán)肅的神經(jīng)網(wǎng)絡(luò)可以有十億個(gè)相互連接，所有這些都需要調(diào)整。

在傳統(tǒng)的計(jì)算機(jī)上，所有這些相互連接都用一個(gè)極大的數(shù)字矩陣來表示，而運(yùn)行網(wǎng)絡(luò)則意味著要做矩陣代數(shù)。按照慣例，這些矩陣操作被外包給一個(gè)專門的芯片，比如一個(gè)GPU。但是沒有什么比量子計(jì)算機(jī)做得更好的了。“在量子計(jì)算機(jī)上，對(duì)大矩陣和大向量的處理速度要快得多，能夠出現(xiàn)指數(shù)級(jí)增長，”麻省理工學(xué)院的物理學(xué)家、量子計(jì)算的先驅(qū)塞思·勞埃德（Seth Lloyd）說。

對(duì)于這項(xiàng)任務(wù)，量子計(jì)算機(jī)能夠利用量子系統(tǒng)的指數(shù)特性。量子系統(tǒng)的大量信息存儲(chǔ)容量不在于它的單個(gè)數(shù)據(jù)單位——量子位（qubit）——經(jīng)典計(jì)算機(jī)bit的量子對(duì)應(yīng)物——而在于這些量子位的集體特性。兩個(gè)量子位有四個(gè)關(guān)節(jié)狀態(tài)：開/開、關(guān)/關(guān)、開/關(guān)、關(guān)/開。每一個(gè)都有一定的權(quán)重，或者“幅值”，可以代表一個(gè)神經(jīng)元。如果你添加第三個(gè)量子位，你可以表示八個(gè)神經(jīng)元，第四個(gè)的話，神經(jīng)元能有16個(gè)。機(jī)器的容量呈指數(shù)增長。實(shí)際上，神經(jīng)元被涂抹在整個(gè)系統(tǒng)上。當(dāng)你在一個(gè)四個(gè)量子位的狀態(tài)下行動(dòng)時(shí), 你一下子就處理了16個(gè)數(shù)字, 而一臺(tái)傳統(tǒng)的計(jì)算機(jī)則必須一個(gè)接一個(gè)地檢查這些數(shù)字。

勞埃德估計(jì)，60個(gè)量子位足以編碼相當(dāng)于人類一年所產(chǎn)生的數(shù)據(jù)量，而300個(gè)量子位可以攜帶可觀測(cè)宇宙的經(jīng)典信息內(nèi)容。（目前最大的量子計(jì)算機(jī)由IBM、英特爾和谷歌制造，擁有50個(gè)量子位元。）這是假設(shè)每個(gè)幅值只是一個(gè)單一的bit位。事實(shí)上，幅值是連續(xù)的（實(shí)際上是一個(gè)復(fù)數(shù)），而且，為獲得可信的試驗(yàn)精度，可以儲(chǔ)存15 bit的信息，阿隆森說。

但是量子計(jì)算機(jī)的存儲(chǔ)信息的能力并不能使它運(yùn)行得更快。如何才能使用這些量子位才是關(guān)鍵。2008年，麻省理工學(xué)院的物理學(xué)家阿拉姆·哈羅（Aram Harrow）和以色列巴伊蘭大學(xué)的計(jì)算機(jī)科學(xué)家阿維納坦·哈西丁（Avinatan Hassidim），展示了如何進(jìn)行逆矩陣運(yùn)算的關(guān)鍵代數(shù)運(yùn)算。他們將其分解成一系列邏輯運(yùn)算，可以在量子計(jì)算機(jī)上執(zhí)行。他們的算法適用于各種機(jī)器學(xué)習(xí)技術(shù)。而且它不需要像大部分算法那樣需要大量的算法步驟。計(jì)算機(jī)可以在“噪音”出現(xiàn)之前完成分類任務(wù)——這是當(dāng)今技術(shù)的最大限制因素——有可能使計(jì)算發(fā)生混亂。“在擁有完全通用的容錯(cuò)量子計(jì)算機(jī)之前，你可能擁有量子優(yōu)勢(shì)，”IBM公司Thomas j.Watson研究中心的克里斯坦·泰姆（Kristan Temme）說。
讓機(jī)器本身來解決問題

不過，到目前為止，基于量子矩陣代數(shù)的機(jī)器學(xué)習(xí)只在只有四個(gè)量子位的機(jī)器上得到了證明。量子計(jì)算機(jī)迄今為止的大部分實(shí)驗(yàn)成功都采用了不同的方法，量子系統(tǒng)不僅模擬了網(wǎng)絡(luò)，它本身就是網(wǎng)絡(luò)。每一個(gè)量子位代表一個(gè)神經(jīng)元。盡管缺乏指數(shù)運(yùn)算的能力，像這樣的設(shè)備可以利用量子物理的其他特性。

最大的這類設(shè)備，有大約2,000個(gè)量子位，是由D-Wave Systems制造的量子處理器，位于不列顛哥倫比亞省的溫哥華附近。和大多數(shù)人觀念中的計(jì)算機(jī)不同，它不是從一些輸入數(shù)據(jù)開始，執(zhí)行一系列操作并顯示輸出，而是通過找到內(nèi)部一致性來工作。它的每一個(gè)量子位都是一個(gè)超導(dǎo)電環(huán)，它充當(dāng)一個(gè)微小的電磁體，向上、向下、向上或向下，這是一個(gè)疊加態(tài)。量子位通過允許它們發(fā)生磁性相互作用而“連接”在一起。

D-Wave系統(tǒng)的處理器被用于機(jī)器學(xué)習(xí)應(yīng)用

要運(yùn)行這個(gè)系統(tǒng)，首先要施加一個(gè)水平磁場(chǎng)，這個(gè)磁場(chǎng)將量子位初始化為上下相等的疊加態(tài)——相當(dāng)于一塊空白的狀態(tài)。有幾種方法可以輸入數(shù)據(jù)。在某些情況下，您將一層量子位固定到所需的輸入值;更常見的情況是，您將輸入合并到交互的強(qiáng)度中。然后讓量子位相互作用。有些量子位尋求朝著相同的方向, 有些在相反的方向, 在水平場(chǎng)的影響下, 它們會(huì)翻轉(zhuǎn)到它們選擇的方向。這樣做，它們可能會(huì)觸發(fā)其他量子位翻轉(zhuǎn)。最初，這種情況經(jīng)常發(fā)生，因?yàn)楹芏喽际遣缓侠淼摹５S著時(shí)間的推移，它們會(huì)穩(wěn)定下來，你可以關(guān)閉水平磁場(chǎng)來鎖定它們。在這一點(diǎn)上，量子位處于上下的模式中，以確保輸出跟隨著輸入。

量子位的最終排列是什么很不明顯，這就是問題的關(guān)鍵所在。這個(gè)系統(tǒng)，僅僅是通過自然地去做一些事情，就解決了普通計(jì)算機(jī)可能會(huì)遇到的問題。“我們不需要一個(gè)算法，”東京理工大學(xué)的物理學(xué)家Hidetoshi Nishimori解釋說，他發(fā)明了D-Wave機(jī)器的操作原理。“這與傳統(tǒng)的編程完全不同。自然解決了這個(gè)問題。”

量子位移是由量子穿隧效應(yīng)驅(qū)動(dòng)的，這是量子系統(tǒng)必須尋找最優(yōu)配置的自然趨勢(shì)，而不是滿足于次優(yōu)結(jié)果。你可以建立一個(gè)傳統(tǒng)的網(wǎng)絡(luò)，在類似的原理上工作，使用隨機(jī)的抖動(dòng)而不是隧道來讓bit翻轉(zhuǎn)，在某些情況下，它實(shí)際上會(huì)更好。 但有趣的是, 對(duì)于機(jī)器學(xué)習(xí)中出現(xiàn)的各種問題, 量子網(wǎng)絡(luò)似乎能夠更快達(dá)到最佳狀態(tài)。

D-Wave機(jī)器也有它的批評(píng)者。它非常“嘈雜”，而且在它目前的版本中，只能執(zhí)行有限的操作。然而，機(jī)器學(xué)習(xí)算法的本質(zhì)是可以容忍“噪音”的。它們之所以有用，正是因?yàn)樗鼈兡茏屓死斫饣靵y的現(xiàn)實(shí)，在干擾性背景中從區(qū)分小貓和小狗。 "眾所周知, 神經(jīng)網(wǎng)絡(luò)對(duì)噪音有很強(qiáng)的魯棒性,"貝爾曼說。

2009年，由谷歌的計(jì)算機(jī)科學(xué)家特穆特·奈文(Hartmut Neven)領(lǐng)導(dǎo)的一個(gè)團(tuán)隊(duì)，共同創(chuàng)立了谷歌眼鏡項(xiàng)目, 隨后開始進(jìn)行量子信息處理, 展示了早期 D-Wave 機(jī)器如何能夠完成一項(xiàng)令人尊敬的機(jī)器學(xué)習(xí)任務(wù)。他們把它作為一個(gè)單層的神經(jīng)網(wǎng)絡(luò)，把圖像分成兩類：“汽車”或“非汽車”，在一個(gè)2萬個(gè)街道場(chǎng)景的數(shù)據(jù)庫里。這臺(tái)機(jī)器只有52個(gè)可以工作的量子位，太少了, 根本無法拍攝完整的圖像。 （請(qǐng)記住: D-Wave 機(jī)器的類型與最先進(jìn)的50量位系統(tǒng)在2018年上線時(shí)截然不同。）因此，奈文的團(tuán)隊(duì)將這臺(tái)機(jī)器與一臺(tái)傳統(tǒng)計(jì)算機(jī)相結(jié)合，分析了這些圖像的各種統(tǒng)計(jì)量，并計(jì)算出這些量對(duì)汽車的存在有多敏感——通常不是很精確，但至少比拋硬幣要好。這些量的一些組合可以一起可靠地識(shí)別出一輛汽車, 但不清楚是哪一種——這是神經(jīng)網(wǎng)絡(luò)的任務(wù)。

團(tuán)隊(duì)為每個(gè)量分配了一個(gè)量子位。如果這個(gè)量固定值為1的話，那么它標(biāo)記相應(yīng)的數(shù)量是有用的;0意味著不用麻煩了。量子位的磁性相互作用對(duì)問題的需求進(jìn)行編碼，例如只包括最具辨識(shí)力的量，以便使最終的選擇盡可能的簡單。結(jié)果是能夠發(fā)現(xiàn)一輛汽車。

去年，由加州理工學(xué)院粒子物理學(xué)家瑪麗亞·斯皮羅普魯（Maria Spiropulu）和南加州大學(xué)物理學(xué)家丹尼爾·利達(dá)（Daniel Lidar）帶領(lǐng)的一個(gè)小組將該算法應(yīng)用到一個(gè)實(shí)際的物理問題上：將質(zhì)子對(duì)撞歸類為“希格斯玻色子”或“非希格斯玻色子”。他們利用基本粒子理論來預(yù)測(cè)哪些光子特性可能會(huì)泄露出希格斯粒子的短暫存在，比如超過某個(gè)閾值的動(dòng)量。他們考慮了8種這樣的屬性和28種組合，總共36個(gè)候選信號(hào)，并讓位于南加州大學(xué)的晚期模型D-Wave找到了最佳選擇。它確定了16個(gè)變量是有用的，3個(gè)是絕對(duì)最好的。量子計(jì)算機(jī)需要比標(biāo)準(zhǔn)程序更少的數(shù)據(jù)來進(jìn)行準(zhǔn)確的識(shí)別。“如果訓(xùn)練集很小，那么量子方法確實(shí)比高能量物理社區(qū)使用的傳統(tǒng)方法提供了一個(gè)精確的優(yōu)勢(shì)，”利達(dá)說。