近日，一篇揭橥在Quantamagazine的文章指出，机器学习得到了量子加速。量子打算机比传统打算机具有显著上风，这使得物理学和打算机科学更加紧密地结合在一起。
当启动电脑时，研究职员Valeria Saggio须要一种分外的水晶——只有指甲那么大——然后轻轻地放入一个小铜盒。
小铜盒就像一个微型电烤箱，这个小铜盒将晶体加热至77°F，相称于25℃。
晶体在这个精确的温度下，会把一个光子分裂成两个光子。个中一个将直接进入光探测器，它的旅程发布结束；而另一个则会进入一个微型硅片——一个量子打算处理器。
这时候，研究者Saggio打开一束激光，用一束光子轰击晶体。
在维也纳实验室里，Saggio将单光子激光引入量子电路，以展示量子物理的变幻莫测如何改进机器学习。
物理学与打算科学的「自然联姻」
「这是研究范式的真正改变！
」巴黎索邦大学量子通信专家Eleni Diamanti说。
「几年前，我还认为，物理学家和打算科学家生活在平行天下里。」Diamanti补充到。
对付Saggio而言，「量子力学能帮上忙吗？」这是时常盘旋在她脑海里的一个问题。
一贯以来，物理学家和打算机科学家都在探求「量子加速」的证据。
这是一个很酷的实验，它回答了一个长期性的问题：量子物理是否为机器学习供应了真正上风？研究项目就像把机器人困在迷宫里，而打算机必须在没有任何先验知识的情形下，自己找到出路。
这个操作更像是Rube Goldberg，这是一种被设计得过度繁芜的机器组合，以迂回曲折的方法完成大略的事情，例如倒一杯茶。设计者必须打算精确，令机器的每个部件都能够准确发挥功用，由于任何一个环节出错，都极有可能令原定的任务不能达成。
量子打算机必须学会一项任务：自己找到精确的出路。「机器学习便是让打算机在没有明确编程的情形下做有用的事情。」莱顿大学量子信息研究员Vedran Dunjko说。
2013年有研究指出，量子打算机能够加速一些「无监督」学习任务，在这些任务中算法可以自己创造模式。但，这种方法只是理论上充满希望，实际技能却是不可能实现的。
巴黎索邦大学量子通信专家Eleni Diamanti说:「很多机器学习，技能已经达到水平，但运用仍不可行。」
过去的10年里，研究职员开始研究量子打算机如何影响机器学习。量子打算机的一个独特上风是叠加征象，当「经典位」在0和1之间切换时，「量子位」可以是两者的繁芜组合，量子算法利用叠加来减少得到精确答案所需的打算步骤。
诚如IBM物理学家Kristan Temme所言，「比较强行办理问题，更该当去创造机会，这些机会可能终极涌如今更加细微的细节中。」
只管量子打算取得了可喜成绩，但研究职员仍旧认为，量子打算不会完备取代传统打算，而是一种对传统打算的补充，每种类型的打算机都有自己的上风。
找到人工智能中的数学与量子打算中的物理学，进行「自然联姻 」，这是量子机器学习运用于现实的关键。
「内核」的奥妙Temme 以履历说话。
2019 年，他在 IBM 的团队创造了一种与量子物理学兼容的办理方法。这种方法涉及一种名为「内核」的东西。
内核是衡量两个数据点相对付特定特色的干系程度的度量。举个例子，现在考虑包含三个元素的大略数据集：BLUE、RED 和 ORANGE。
如果将这些元素视为颜色，RED 和 ORANGE 的关系更近。但是，如果考虑字符数，BLUE 就位于 RED 和 ORANGE 之间。
大略讲，内核就像镜头，可以让算法以不同的办法对数据进行分类，找到有助于区分未来输入的模式。Temme 说，这是一种以新的视角重铸信息的技巧，可以将原来隐蔽在数据中的强大关系归零。
内核与量子物理学没有内在联系。但量子打算机以类似内核的办法处理数据，因此 Temme 认为，他的团队可以为内核设计一种量子算法，特殊面向监督学习问题。
Temme 与他的 IBM 同事 Srinivasan Arunachalam 和加州大学伯克利分校的演习生 Yunchao Liu 一起动手证明「量子内核算法」可以超越经典算法。
2020 年夏，他们开始研究如何利用内核来证明量子打算机可以促进监督学习。 末了，他们找到了一种方法。
论文链接：
https://arxiv.org/pdf/2010.02174.pdf
Temme 团队展示了如何通过利用量子内核，学习找到隐蔽在离散对数问题产生的看似随机输出中的模式。
团队利用内核和叠加，重新阐明数据点，并快速估计数据点之间的比较办法。最初数据看起来是随机的，但量子方法找到了精确的「镜头」来揭示其背后的模式。一些关键特色的数据点不再随机分布，而是作为邻居聚拢在一起。通过建立这些连接，量子内核可以帮助系统学习如何对数据进行分类。
「所有的数据都落到了它们的位置上。」Temme 回顾道。该方法让量子打算机的准确率超过 99%。
「我真的很喜好这篇论文，」量子机器学习专家Maria Schuld说。「它从根本上办理了人们长期以来在量子机器学习中苦苦挣扎的问题。」
对 Schuld 来说，Temme 事情的新颖之处在于它证明了量子打算机在经典打算机上做了一些无法办理的事情。「我认为他们第一次令人信服地做到了这一点。」她说。
演习量子「学习者」
虽然 Temme 的基于内核的量子打算方法仍旧太新，还无法在实际实验中证明，但领悟量子力学和另一种类型的学习的理论，则有更多的韶光来证明自己。
早在 2016 年，Vedran Dunjko 就参与论述了，为什么量子力学可以增强强化学习的性能。在强化学习中，演习系统会在算法做出精确选择时给予褒奖，推动学习者下次更有可能做出精确选择。
2018 年，Dunjko 和量子信息专家Sabine Wölk 提出，一种著名的量子搜索算法可以比经典打算机更快地利用叠加来评估一系列精确选择。Wölk 受邀到维也纳就这个想法揭橥演讲，Valeria Saggio 出席了会议。她意识到，基于光子的量子打算机有助于证明这个想法。
「那时候我们就认为，实际上，用量子处理器实现某些东西是可能的。」她说。
Saggio 研究了一套繁芜的激光器、晶体和量子处理器，以展示量子搜索算法如何帮助打算机比传统算法更快地在光学「迷宫」中导航，同时简化步骤。
强化学习可以归结为一个问题：打算机将如何探索所有可能的选择？经典打算机可以按顺序处理选项。但是量子打算机的「叠加」特性可以放大一些优化的路径。
Saggio团队的量子纳米光子芯片，通过光子及其通过芯片的路径通报信息。每条路径编码不同的信息，每条路径都可以将光发送到不同的出口。
Saggio 选择了一个出口作为「精确」出口，然后演习芯片将光发射到这个出口处。如果芯片做出错误选择，Saggio 的 Python 终端上会弹出一个 0。如果精确，则得1分。
为了让量子芯片快速找到精确的路径，团队利用了量子搜索算法。在第一次运行时，打算机将有相同的概率选择任何路径。
但是一旦打算机有时创造了精确的选择，褒奖机制就会发挥浸染。光路中每个波折处的物理特性都会进行调度，以使学习者做出更精确的选择。也便是说，办理方案在量子电路中被放大。
结果显示，量子芯片对强化学习的加速很明显。量子芯片的学习速率比经典打算机快 63%。
「末了我们得到了很多1分，我们很高兴。」Saggio 说。
塞维利亚大学的量子机器学习专家卢卡斯·拉马塔 ( Lucas Lamata )表示，至关主要的是，该芯片不仅仅是通过更快的试错周期。“这项研究的新颖之处在于，显示了学习速率的加快。这是一个主要的打破。”
从这个意义上说，它在实验中展示了 Temme 的理论加速所承诺的内容：量子物理学可以智胜——不仅仅是跑赢——经典打算。
这样，研究职员可以不必等待全尺寸的量子打算机，迪亚曼蒂说。「以现有的条件，就可以从量子资源中得到上风，已经可以加速实行某些打算任务了。」
量子打算与机器学习随着量子物理学终极证明可以改进机器学习，该领域的许多人都渴望在未来几年看到更多的实验演示。
「现在我们知道，量子上风是可能实现的」。Saggio 说，她希望看到「更现实的学习场景」。研究职员推测，未来的量子强化学习可能用于大范围的打算任务的加速。从国际象棋、自然措辞算法，到解码神经接口中的大脑旗子暗记和个性化繁芜的癌症治疗操持。
但目前的技能限定让实验变得很困难。
「我们可以实际剖析的问题范围太小了」。以是，Temme团队的成果更显得主要。
量子力学和人工智能之间的结合，让这两个领域都出身了新的前景。科学家们现在正在利用经典机器学习来提高我们对量子物理学的理解。
例如，人工智能算法可以优化量子电路的微调，在量子实验中最令人头疼的部分防止缺点，并节省韶光。机器学习还能帮助物理学家检丈量子纠缠。
「这种自然的结合是我们乐于看到的，」Dunjko 说。「当然，我们还远远没有探索所有可能的联系，还有很多很多新的东西有待创造。」
参考资料：
https://www.nature.com/articles/s41586-019-0980-2
https://www.quantamagazine.org/ai-gets-a-quantum-computing-speedup-20220204/
https://investigacion.us.es/sisius/sis_showpub.php?idpers=29442
