編輯 | 蘿蔔
為了讓 Valeria Saggio（麻省理工學院的量子實體學家）在她以前的維也納實驗室啟動計算機，她需要一個特殊的水晶；水晶大概隻有她的指甲那麼大。Saggio 會輕輕地将它放入一個小銅盒，一個微型電烤箱，将晶體加熱到 77 華氏度。然後她會打開雷射，用一束光子轟擊晶體。
這種晶體，在這個精确的溫度下，會将其中一些光子分裂成兩個光子。其中一個會直接進入一個光探測器，它的旅程就結束了；另一個将進入一個微型矽晶片——一個量子計算處理器。晶片上的微型儀器可以驅動光子沿着不同的路徑前進，但最終隻有兩種結果：正确的方式和許多錯誤的方式。根據結果，她的處理器可以選擇另一條路徑并重試。
這個序列感覺比 Windows 更像 Rube Goldberg，但目标是讓量子計算機自學一項任務：找到正确的出路。對于 Saggio 來說，這個項目類似于将機器人困在迷宮中。計算機必須學習正确的路徑，而無需事先知道要在哪裡轉彎。這件事其實并不難——一台普通的經典計算機，可以通過嘗試死胡同和幸運的猜測來強行闖關。但 Saggio 想知道，「量子力學能幫上忙嗎？」去年，她的團隊證明了這一點。
這是一個很酷的實驗，但這項工作也回答了一個長期存在的問題，即量子實體學是否為機器學習提供了真正的優勢，機器學習是人工智能的一個子領域，允許計算機在資料中查找和應用模式。實體學家和計算機科學家長期以來一直在尋找這種「量子加速」的證據。
在 2021 年 7 月發表的另一項研究中，IBM 研究人員證明，量子計算機可以學習對資料進行分類，這是任何經典計算機都不可行的任務。這兩項研究涉及機器學習的不同分支，但它們揭示了一個相似的故事：在适當的情況下，量子機器學習可以超越經典算法。
「直到幾年前，我還認為實體學家和計算機科學家生活在平行世界中。」巴黎索邦大學量子通信專家 Eleni Diamanti 說，「這是範式的真正改變。」
A Natural Marriage
大部分人工智能，尤其是機器學習，都歸結為自動化和改進繁瑣的任務。「機器學習是讓計算機在沒有顯式程式設計的情況下做有用的事情。」萊頓大學的量子資訊研究員、Saggio 研究的合著者 Vedran Dunjko 說。計算機可以從标有「貓」或「狗」的照片中學習，然後快速将新照片分類為正确的物種；其他算法會發現微妙的模式，幫助醫生在醫學掃描中診斷癌症。
在過去的十年中，研究人員開始對量子計算機如何影響機器學習進行理論化。量子計算機的一個獨特優勢是一種稱為疊加的現象。經典位在 0 和 1 之間切換，「量子位」可以是兩者的複雜組合。量子算法可以使用疊加來減少得出正确答案所需的計算步驟數。
事實證明，一些機器學習任務特别适合這種工作。2013 年，兩項研究展示了量子計算機如何加速一些「無監督」學習任務，其中算法必須自行發現模式。這種方法很有前途，但隻是理論上的，而且不可能用當時的技術來實施。「這些機器學習協定中的很多都需要已經實作但尚不可用的技術。」Diamanti 說。
研究人員認為量子計算不是完全替代經典計算的工具，而是對其進行補充的工具。每種類型的計算機都有其優勢，如果研究人員能夠找到量子計算機擅長的特定領域，他們希望獲得優勢。現在的目标是找到使用量子實體學以不同于經典計算機的方式（更好的方式）解決問題的算法。讓量子計算機超越傳統機器意味着找到歸結為與量子實體學一緻的數學運算的人工智能問題。
IBM 的實體學家 Kristan Temme 說：「與其強行嘗試解決你最大的問題」，研究人員應該找到「最終更多地關注細微細節」的機會。找到人工智能數學和量子計算實體學之間的自然結合是現實生活中量子機器學習的關鍵。
Kernel Trickery
Temme 以經驗說話。2019 年，他在 IBM 的團隊發現了他們認為與量子實體學相容的問題解決方法的一個典型例子——一種用于統計的技巧，涉及一種叫做核心的東西。
核心是衡量兩個資料點相對于特定特征的相關程度的度量。想象一個包含三個項目的簡單資料集：BLUE、RED 和 ORANGE。如果你将它們視為顔色，RED 和 ORANGE 是鄰居。但是，如果你檢視字元數，BLUE 位于 RED 和 ORANGE 之間。核心就像鏡頭，允許算法以不同的方式對資料進行分類，以找到有助于區分未來輸入的模式。Temme 說，實施它們是一種以新的視角重鑄資訊的技巧，使您能夠将原本隐藏在資料中的強關系歸零。
核心與量子實體學沒有内在聯系。但量子計算機以類似的方式處理資料，是以 Temme 懷疑他的團隊可以為核心設計一種量子算法。特别是對于監督學習問題——系統從一組标記資料中學習——該組合可以擅長學習和應用模式。
Temme 與他的 IBM 同僚 Srinivasan Arunachalam 和加州大學伯克利分校的實習生 Yunchao Liu 一起着手證明量子核算法可以超越經典算法。
2020 年夏天，他們在 Zoom 上來回走動，繪制圖表并推測如何使用核心技巧來證明量子計算機可以促進監督學習。「那些辯論真的很激烈。」Temme 說，「我們都在那些藍色的小盒子裡看着對方。」 最後，他們找到了一種讓核心發光的方法。
密碼學家有時會使用單向數學運算——這些運算很容易輸出一個數字，但不能通過逆向工程來揭示這個過程。例如，一個「離散對數」取決于一個特定的運算，它接受兩個數字——我們稱之為 a 和 x——并傳回随着 a 和 x 變化而不可預測地反彈的結果。（算法将 a 提高到 x 次方，将其除以某個其他數 n，然後輸出餘數。）經典計算機無法破解輸出字元串來找到 x。
Temme 團隊展示了如何通過使用量子核心，學習找到隐藏在離散對數問題産生的看似随機輸出中的模式。該技術使用核心和疊加，來重新解釋資料點并快速估計它們之間的比較方式。最初資料看起來是随機的，但量子方法找到了正确的「鏡頭」來揭示其模式。共享一些關鍵特征的資料點不再随機分布，而是作為鄰居聚集在一起。通過建立這些連接配接，量子核心可以幫助系統學習如何對資料進行分類。
「你可以看到所有的東西都落到了它們的位置上。」Temme 回憶道，該方法使量子計算機的準确率超過 99%。
「我真的很喜歡這篇論文。」量子機器學習專家 Maria Schuld（在 2019 年，Schuld 的團隊表明核心對量子 AI 很有價值。）說， 「它從根本上解決了人們長期以來在量子機器學習中苦苦掙紮的問題。」
對 Schuld 來說，Temme 工作的新穎之處在于它證明了量子計算機在經典計算機上做了一些無法解決的事情。「我認為他們第一次令人信服地做到了。」她說。
Training a Quantum Learner
雖然 Temme 的基于核心的加速仍然太新，無法在實際實驗中得到證明，但融合量子力學和另一種類型的學習的理論有更多的時間成長為真實的東西。
早在 2016 年，Vedran Dunjko 就幫助概述了為什麼量子力學可以增強強化學習的理論。在強化學習中，訓練系統會在算法做出正确選擇時給予獎勵。獎勵起到統計推動的作用，使學習者下次更有可能正确選擇。該架構在圍棋和國際象棋等遊戲中為計算機提供了增壓。
2018 年，Dunjko 和量子資訊專家 Sabine Wölk 認為，一種著名的量子搜尋算法可以比經典計算機更快地使用疊加來評估和選擇一系列正确選擇。Wölk 受邀到維也納就這個想法發表演講，Valeria Saggio 出席了會議。她意識到她的基于光子的量子計算機設定可以幫助證明這個想法。「我們看到，實際上，用我們的量子處理器實作某些東西是可能的。」她說。
強化學習歸結為一個問題：計算機将如何探索其可能的選擇？經典計算機可以按順序處理選項。但是疊加允許量子計算機放大有希望的路徑。
Saggio 的量子納米光子晶片通過光子及其通過晶片的路徑傳遞資訊。每條路徑編碼不同的資訊，并且每條路徑都可以将光發送到不同的出口。實際上，Saggio 選擇了一個出口作為「正确」出口，然後嘗試訓練晶片以這種方式發出光。如果學習者做出了錯誤的選擇，Saggio 的 Python 終端上會彈出一個 0；成功則是 1。
為了讓量子晶片快速找到正确的路徑，Saggio 和她的合作者使用了量子搜尋算法。在第一次運作時，計算機将有相同的機率選擇任何路徑。但是，一旦學習者偶然發現了正确的選擇，獎勵就會發揮作用。光路中每個彎曲處的實體特性都會進行調整，以吸引學習者做出更正确的選擇——解決方案在量子電路中被放大。
加速很明顯，量子晶片的學習速度比經典計算機快 63%。「最後是出現了很多 1。」Saggio 說，「我們感到很高興。」
塞維利亞大學的量子機器學習專家 Lucas Lamata 表示，至關重要的是，該晶片不僅僅是通過更快的試錯周期。「本文的新穎之處在于它們顯示了學習速度的加快。[這是]一個重要的突破。」 量子力學使系統以更少的步驟學習。從這個意義上說，它在實驗中展示了 Temme 的理論加速所承諾的内容：量子實體學可以智勝——不僅僅是跑赢——經典計算。
「它可以讓你證明你不必等待全尺寸的量子計算機。」Diamanti 說， 「你可以從量子資源中獲得優勢。你今天已經可以在某些任務中展示它了。」
Quantum Leaps Ahead
随着量子實體學最終證明可以改善機器學習，該領域的許多人都渴望在未來幾年看到更多的實驗示範。
「現在我們知道量子優勢是可能的。」Saggio 說，她希望看到「更現實的學習場景」。研究人員推測，量子強化學習可能應用于國際象棋和自然語言算法，以及解碼神經接口中的大腦信号和個性化複雜的癌症治療計劃。
但技術限制使實驗變得困難。「我們可以實際分析的問題太小了。」Schuld 說，這就是為什麼像新工作那樣找到完全适合量子架構的情況很重要的原因。
量子力學和人工智能之間的關系也在兩個方向上都帶來了好處。科學家們現在正在使用經典機器學習來提高我們對量子實體學的了解。例如，人工智能算法可以優化量子電路的微調，在量子實驗中最令人頭疼的部分可以防止錯誤并節省時間。機器學習還幫助實體學家檢測量子糾纏并識别物質的新階段。
「有這種美妙的協同作用。」Dunjko 說，「我們還遠遠沒有探索所有可能的聯系。有很多很多新的東西有待發現。」
相關報道：https://www.quantamagazine.org/ai-gets-a-quantum-computing-speedup-20220204/