图 1在Valeria Saggio的维也纳实验室，将单光子激光引导到一个特殊的量子电路中，以展示量子物理学的变幻莫测如何改善机器学习。

为了让Valeria Saggio在她以前的维也纳实验室启动电脑，她需要一个特殊的水晶，只有指甲那么大。Saggio会把它轻轻地放入一个小铜盒中，一个微型电烤箱，将晶体加热到77华氏度。然后她会打开激光，用光子束轰击晶体。

在这种精确的温度下，这种晶体会将其中一些光子分成两个光子。其中一个将直接进入光探测器，其旅程结束;另一个将进入一个微小的硅芯片——量子计算处理器。芯片上的微型仪器可以驱动光子沿着不同的路径前进，但最终只有两个结果：正确的方式和许多错误的方式。根据结果，她的处理器可以选择另一条路径，然后重试。

这个序列感觉更像是Rube Goldberg而不是Windows，但目标是让量子计算机自学一项任务：找到正确的出路。对于几周前搬到麻省理工学院的量子物理学家Saggio来说，这个项目就像把一个机器人插在迷宫里一样。计算机必须在事先不知道沿途向哪里转弯的情况下学习正确的路径。这并不是一件太难的苦差事——一台普通的经典计算机可能会强行穿过死胡同和幸运的猜测来强行破解。但Saggio想知道，"量子力学能帮上忙吗？她和她的合作者去年表明，这是可以做到的。

这是一个很酷的实验，但这项工作也回答了一个长期存在的问题，即量子物理学是否为机器学习提供了任何真正的优势，机器学习是人工智能的子领域，允许计算机在数据中查找和应用模式。物理学家和计算机科学家长期以来一直在寻找这种"量子加速"的证据。在七月份发表的另一项研究中，IBM的研究人员证明，量子计算机可以学习在任何经典计算机都无法实现的任务中对数据进行分类。这两项研究涉及机器学习的不同分支，但它们揭示了一个类似的故事：在适当的情况下，量子机器学习可以胜过经典算法。

图 2一旦单光子进入萨吉奥的纳米光子处理器，只有一条"正确"的出路，但有很多错误的出路。通过将奖励正确选择的经典强化学习与量子叠加的节省时间的能力相结合，她证明了机器学习可以从量子计算的使用中受益。

巴黎索邦大学（Sorbonne University）的量子通信专家Eleni Diamanti说："直到几年前，我还认为物理学家和计算机科学家生活在平行世界中。"他没有参与这两项研究。现在他们在这里，一起工作。"这是范式的真正改变。

“自然联姻”

人工智能的大部分，特别是机器学习，都归结为自动化和改进繁琐的任务。"机器学习是关于让计算机在没有明确编程的情况下做有用的事情，"莱顿大学量子信息研究员，Saggio研究的合著者Vedran Dunjko说。计算机可以从标有"猫"或"狗"的照片中学习，然后快速将新图片分类为正确的物种;其他算法可以找到微妙的模式，帮助医生在医学扫描中诊断癌症。

在过去的十年中，研究人员开始从理论上确定量子计算机如何影响机器学习。量子计算机的一个独特优势是一种称为叠加的现象。经典位各自在 0 和 1 之间切换，"量子位"可以是两者的复杂组合。量子算法可以使用叠加来减少得出正确答案所需的计算步骤数。

事实证明，一些机器学习任务特别适合这种工作。2013年，两项研究表明量子计算机如何加速一些"无监督"学习任务，其中算法必须自行发现模式。这种方法很有希望，但理论上，并且不可能用当时的技术来实施。"许多这些机器学习协议需要正在实现的技术，但尚未可用，"Diamanti说。

研究人员认为量子计算不是一种完全取代经典计算的工具，而是一种补充它的工具。每种类型的计算机都有其优势，如果研究人员能够找到量子计算机擅长的特定领域，他们就希望获得优势。现在的目标是找到使用量子物理学以不同方式解决问题的算法——一种比经典计算机更好的方式。让量子计算机超越传统机器意味着要找到人工智能问题，这些问题归结为与量子物理学相符的数学运算。

"与其强行试图解决你最大的问题，"IBM的物理学家Kristan Temme说，研究人员应该找到"最终更多地关注微妙细节"的机会。在人工智能的数学和量子计算的物理学之间找到这些自然的结合是现实生活中量子机器学习的关键。

内核的奥妙

Temme从经验中说话。2019年，他在IBM的团队发现了他们认为与量子物理学兼容的问题解决方法的一个主要例子——一种用于统计学的技巧，涉及一种叫做内核的东西。

内核是衡量两个数据点相对于特定功能的相关性的度量。想想一个包含三个项目的简单数据集：蓝色、红色和橙色。如果将它们作为颜色进行检查，则红色和橙色是相邻的。但是，如果您查看字符数，BLUE位于RED和ORANGE之间。内核就像镜头，允许算法以不同的方式对数据进行分类，以找到有助于区分未来输入的模式。Temme说，实现它们是一种以新的角度重新塑造信息的技巧，可以让你专注于隐藏在数据中的牢固关系。

内核与量子物理学没有内在的联系。但量子计算机以类似的方式操纵数据，因此Temme怀疑他的团队可以为内核设计一种量子算法。特别是对于监督学习问题-系统从一组标记数据中学习-组合可能擅长学习和应用模式。

Temme和他的IBM同事Srinivasan Arunachalam以及加州大学伯克利分校的实习生Yunchaao Liu开始证明量子核算法可以超越经典算法。在2020年夏天，他们在Zoom上来回走动，绘制图表并推测如何使用内核技巧来证明量子计算机可以促进监督学习。"这些都是非常激烈的辩论，"Temme说。"我们都在那些蓝色的小盒子里看着对方。最后，他们找到了一种让内核发光的方法。

密码学家有时会使用单向数学运算 - 那些可以轻松输出数字但不能通过逆向工程来揭示过程的运算。例如，"离散对数"取决于一个特定的运算，该运算采用两个数字（我们称之为a和x），并返回结果，这些结果在a和x发生变化时不可预测地反弹。（该算法将 a 提高到 x 次方，将其除以其他数字 n，然后输出余数。经典计算机无法破解输出串以找到x。

Temme和他的团队展示了通过使用量子核，人们可以学习如何找到隐藏在离散对数问题产生的看似随机的输出中的模式。该技术使用核和叠加来重新解释数据点并快速估计它们之间的比较情况。最初，数据似乎是随机的，但量子方法找到了正确的"镜头"来揭示其模式。具有某些关键特征的数据点不再随机分布，而是作为邻居聚集在一起。通过建立这些连接，量子核可以帮助系统学习如何对数据进行分类。

"你可以看到所有的东西都落在他们的位置上，"Temme回忆道。该方法允许量子计算机超过99%的精度。

"我真的很喜欢这篇论文，"没有参与IBM研究的量子机器学习专家Maria Schuld说。（2019年，Schuld的团队表明，内核对量子AI很有价值。）"它解决了人们在量子机器学习中长期挣扎的基本方法论。

对舒尔德来说，Temme工作的新颖之处在于，它证明了量子计算机在经典计算机上做了一些无法解决的问题。"我认为他们做到了令人信服，而且是第一次，"她说。

培训量子学习者

虽然Temme基于内核的加速还太新，无法在实际实验中得到证实，但融合量子力学和另一种学习的理论有更多的时间成长为现实。

早在2016年，Vedran Dunjko就帮助概述了为什么量子力学可以增强强化学习的理论。在强化学习中，训练系统在算法做出正确选择时会奖励算法。奖励充当统计提示，使学习者下次更有可能正确选择。这个框架在围棋和国际象棋等游戏中增强了计算机。

2018年，Dunjko和量子信息专家Sabine Wölk认为，一种著名的量子搜索算法可以使用叠加来评估和选择一系列正确的选择，比经典计算机更快。沃尔克被邀请到维也纳就这个想法发表演讲，瓦莱里娅·萨吉奥出席了演讲。她意识到她基于光子的量子计算机设置可以帮助证明这个想法。"我们看到，实际上，用我们的量子处理器实现某些东西是可能的，"她说。

图 3Saggio致力于激光器，晶体和量子处理器的复杂设置，以演示量子搜索算法如何帮助计算机比经典算法更快地导航光学"迷宫" —— 以更少的步骤。

强化学习归结为一个问题：计算机将如何探索其可能的选择？经典计算机可以按顺序浏览选项。但叠加允许量子计算机放大有前途的路径。该小组开始制作演示。

Saggio的量子纳米光子芯片通过光子及其通过芯片的路径来传递信息。每个路径编码不同的消息，每个路径都可能将灯光发送到不同的出口。实际上，Saggio选择了其中一个出口作为"正确"的出口，然后试图训练芯片以这种方式发出光。如果学习者做出了错误的选择，Saggio的Python终端上会弹出一个0。成功获得1分。

为了使量子芯片快速找到正确的路径，Saggio和她的合作者使用了量子搜索算法。在第一次运行时，计算机选择任何路径的概率相等。但是，一旦学习者偶然发现了正确的一个，奖励就会开始发挥作用。光路径上每个弯道处的物理场都会进行调整，以吸引学习者做出更正确的选择——解决方案在量子电路中被放大了。

加速是显而易见的。量子芯片的学习速度比经典计算机快63%。"最后是很多1，"萨吉奥说。"我们很开心。

至关重要的是，该芯片不仅仅是通过更快的试错循环，塞维利亚大学的量子机器学习专家Lucas Lamata说。"这篇论文的新颖之处在于，它们显示出学习速度的加快。[这是]一个重要的突破。量子力学使系统以更少的步骤学习。从这个意义上说，它在一项实验中展示了Temme的理论加速所承诺的：量子物理学可以智胜——而不仅仅是超越——经典计算。

"它可以让你证明你不必等待全尺寸的量子计算机，"Diamanti说。"你可以从量子资源中获得优势。你今天已经可以为一些任务展示它了。

量子飞跃

随着量子物理学最终被证明可以改善机器学习，该领域的许多人都渴望在未来几年看到更多的实验演示。

"现在我们知道有可能拥有量子优势，"Saggio说，她希望看到"更现实的学习场景"。研究人员推测，量子强化学习可能有助于从国际象棋和自然语言算法到解码神经接口中的大脑信号以及个性化复杂的癌症治疗计划。

但技术限制使实验变得困难。"我们实际上可以分析的问题太小了，"Schuld说。这就是为什么找到完全适合量子框架的情况很重要，就像新工作所做的那样。

量子力学和人工智能之间的关系也在两个方向上都带来了红利。科学家们现在正在使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，这可以防止错误，并在量子实验中最令人头痛的部分节省时间。机器学习还帮助物理学家检测量子纠缠并识别物质的新阶段。

“有这种美妙的协同作用。”Dunjko 说，“我们还远远没有探索所有可能的联系。有很多很多新的东西有待发现。”

---煤油灯科技victorlamp.com翻译整理---