1.引言
认识到世界是量子力学,使研究人员能够将已经确立的经典理论嵌入到量子希尔伯特空间的框架中。作为通信技术基础的香农信息论被推广到量子香农理论(或量子信息论),开辟了量子效应使信息传输更加高效的可能性。生物学领域已经扩展到量子生物学,允许更深入地了解生物过程,如光合作用,气味,酶催化。图灵的通用计算理论已经扩展到通用量子计算,有可能带来指数级的更快的物理系统模拟。
机器学习(ML)是本世纪最成功的技术之一,它旨在对大数据集进行分类、聚类和识别模式。学习理论与机器学习技术同时发展,以理解和改进其成功。支持向量机、神经网络和生成式对抗网络等概念深刻地影响了科学和技术。机器学习现在已经深入社会,任何对机器学习的根本性改进都会带来巨大的经济效益。
与其他经典理论一样,ML和学习理论实际上可以嵌入到量子力学形式主义中。正式地说,这种嵌入导致了被称为量子机器学习(QML)的领域,其目的是理解物理定律允许的数据分析的最终极限。实际上,量子计算机的出现,希望实现所谓的数据分析量子优势(定义如下),是QML如此令人兴奋的原因。量子计算利用纠缠、叠加和干扰来执行某些任务,比经典计算有显著的加速,有时甚至是指数级的加速。事实上,虽然这种加速已经在人为问题上观察到了,但即使在理论水平上,在数据科学中达到这种加速仍然不确定,但这是QML的主要目标之一。
在实践中,QML是一个宽泛的术语,涵盖了图 1 中所示的所有任务。例如,人们可以将机器学习应用于量子应用,如发现量子算法或优化量子实验,或者可以使用量子神经网络处理经典或量子信息。当经典任务是量子时,即使是经典任务也可以被视为QML。本文的重点将是量子神经网络、量子深度学习和量子核,尽管QML的领域非常广泛并且超出了这些主题。

图1:量子机器学习 (QML) 任务。 量子机器学习通常被认为是四个主要任务。 这些任务包括数据是经典数据或量子数据,以及算法是经典数据或量子数据的任务。 左上:张量网络是受量子启发的经典方法,可以分析经典数据。 右上:来自量子系统的酉时间演化数据 U 可以经典地编译成量子电路。 左下:手写数字可以映射到量子态,以便在量子计算机上进行分类。 右下:分子基态数据可以直接在量子计算机上分类。 该图显示基态能量 E 依赖于原子之间的距离 d。
激光发明后,它被称为寻找问题的解决方案。在某种程度上,QML的情况类似。QML应用的完整列表还不完全清楚。然而,可以推测图2所示的所有区域都会受到QML的影响。例如,QML可能有益于化学、材料科学、传感和计量学、经典数据分析、量子误差校正和量子算法设计。其中一些应用程序产生的数据本质上是量子力学的,因此将 QML(而不是经典 ML)应用于它们是很自然的。

图2:QML的关键应用。QML已被设想在许多应用中带来计算优势。QML可以增强化学的量子模拟。例如,分子基态、平衡态和时间演化)和材料科学(例如,考虑目标特性的量子相位识别和生成设计)。QML可以通过学习量子纠错码和综合征解码器、执行量子控制、学习减轻错误以及编译和优化量子电路来增强量子计算。QML可以增强传感和计量,并从量子系统中提取隐藏参数。最后,QML可以加速经典的数据分析,包括聚类和分类。
虽然经典ML和量子ML之间有相似之处,但也有一些差异。由于QML采用了量子计算机,来自这些计算机的噪声可能是一个主要问题。这包括硬件噪声,如退相干,以及来自量子态测量的统计噪声(即散粒噪声)。这两种噪声源都会使QML训练过程复杂化。此外,由于量子变换的线性,在经典ML中自然存在的非线性操作(例如,神经激活函数)需要更仔细的QML模型设计。
对于QML领域,近期的目标是展示量子优势,即在数据科学应用中超越经典方法。实现这一目标需要对哪些应用程序将从 QML 中获益最多保持开放的心态(例如,它可能是一个本质上是量子力学的应用程序)。 还需要了解 QML 方法如何扩展到大问题规模,包括可训练性(梯度缩放)和预测误差的分析。 高质量量子硬件的可用性也将至关重要。
QML为已建立的领域提供了一种新的思路,如量子信息论、量子纠错和量子基础。从数据科学的角度来看这样的应用可能会带来新的突破。
2.框架
A.数据
如图3所示,QML可以用于从经典数据或量子数据中学习,因此我们首先将这两种类型的数据进行对比。经典数据最终以比特编码,每个比特可以处于0或1状态。这包括图像、文本、图形、医疗记录、股票价格、分子属性、生物实验结果和高能物理实验的碰撞痕迹。量子数据是用量子比特或更高维的类似物编码的。一个量子比特可以由状态∣0⟩|0\rangle 、∣1⟩|1\rangle 或这两个状态的任何归一化复线性叠加表示。在这里,状态包含了从一些物理过程中获得的信息,如量子传感,量子计量,量子网络,量子控制,甚至量子模拟-数字转导。此外,量子数据也可以是在量子计算机上获得的问题的解决方案,例如各种哈密顿量基态的制备。

图3:QML分类。a)经典数据x,即猫的图像和狗的图像,通过某个映射x→∣ψ(x)⟩x\to|\psi(x)\rangle 编码到希尔伯特空间。理想情况下,来自不同类别的数据(这里用点和星表示)被映射到希尔伯特空间的不同区域。b)量子数据∣ψ⟩|\psi\rangle 可以在量子器件上直接分析。这里的数据集是由代表金属或超导系统的状态组成的。c)数据集用于训练QML模型。QML中两种常见的范式是量子神经网络和量子内核,它们都允许对经典数据或量子数据进行分类。在内核方法中,一个方法拟合了一个分离类的决策超平面。d)一旦模型被训练好,就可以用来进行预测。
原则上,所有经典数据都可以有效地编码在量子比特系统中:长度为n的经典位串可以很容易地编码到n个量子比特上。然而,反过来就不一样了,因为不能有效地在比特系统中编码量子数据,即一般的n个量子比特系统的状态需要指定(2n−12^n-1 )个复数。因此,量子比特系统(以及更一般的量子希尔伯特空间)构成了最终的数据表示介质,因为它们不仅可以编码经典信息,还可以编码从物理过程中获得的量子信息。
在QML设置中,术语量子数据指的是自然已经嵌入希尔伯特空间H中的数据。当数据是量子数据时,它已经以一组量子态{∣ψj⟩}{\left\lbrace|\psi_j\rangle\right\rbrace} 或一组酉态{Uj}{\left\lbrace U_j\right\rbrace} 的形式存在,这些态可以在量子设备上制备这些态(通过关系∣ψj⟩=Uj∣0⟩|\psi_j\rangle=U_j|0\rangle )。另一方面,当数据 x 是经典数据时,首先需要通过一些嵌入映射 xj→∣ψ(xj)⟩x_j\to|\psi(xj)\rangle 在 H 中对∣ψ(xj)⟩|\psi(x_j)\rangle 进行编码。在这种情况下,希望QML模型可以通过访问希尔伯特空间的指数维数来解决学习任务。
最重要和最合理的猜想之一是,量子数据的可用性将在不久的将来显著增加。人们将使用现有的量子计算机这一事实,在逻辑上将导致更多的量子问题得到解决,并进行量子模拟。这些计算将产生量子数据集,因此可以合理地期待量子数据的快速崛起。请注意,在短期内,这些量子数据将以有效描述准备数据集的量子电路的形式存储在经典设备上。
最后,随着我们对量子技术控制水平的提高,量子信息从物理世界到数字量子计算平台的相干传导可能实现。这将从量子力学上模拟物理世界中经典数据的主要信息获取机制,即模拟-数字转换。此外,我们可以期待最终出现的实用量子纠错和量子存储器将允许我们将量子数据存储在量子计算机本身。
B.模型
从数据中进行分析和学习需要一个参数化的模型,许多不同的模型已经被提出用于QML应用。像神经网络和张量网络这样的经典模型(如图1所示)通常对分析来自量子实验的数据很有用。然而,由于它们的新颖性,我们将重点讨论使用量子算法的量子模型,其中人们直接在量子级别应用学习方法。
与经典的机器学习类似,存在几种不同的QML范式:有监督学习(基于任务),无监督学习(基于数据)和强化学习(基于奖励)。虽然这些领域都令人兴奋并独立发展,但监督学习最近受到了相当大的关注,因为其具有实现量子优势、对噪声的复原能力和良好的泛化特性,这使其成为近期应用的有力候选。接下来,我们讨论两种流行的QML模型:量子神经网络(QNN)和量子核,如图3所示,特别强调QNN,因为它们是几种有监督、无监督和强化学习方案的主要成分。
1. 量子神经网络
QML 模型中最基本和最关键的成分是参数化量子电路 (PQC)。 这些涉及作用于量子数据状态∣ψj⟩\rvert\psi_j\rangle 的一系列酉门,其中一些具有自由参数 θ,这些参数将被训练以解决手头的问题。 PQC 在概念上类似于神经网络,实际上这种类比可以更精确,即经典神经网络可以正式嵌入到 PQC 中。
这导致研究人员将某些类型的 PQC 称为量子神经网络 (QNN)。 实际上,只要将 PQC 用于数据科学应用程序,就会使用术语 QNN,因此我们将在下文中使用术语 QNN。 QNN 用于上述所有三种 QML 范例。 例如,在监督分类任务中,QNN 的目标是将不同类别的状态映射到希尔伯特空间的可区分区域。 此外,在无监督学习场景中,聚类任务被映射到 MAXCUT 问题,并通过训练 QNN 来最大化类之间的距离来解决。 最后,在强化学习任务中,QNN 可用作 Q 函数逼近器,可用于确定学习代理在给定当前状态下的最佳动作。
图4给出了三种不同的QNN架构的示例,在每一层中,模型中的量子比特数量被增加、保留或减少。在图4(a)中,我们展示了一个耗散的QNN,它推广了经典的前馈网络。这里,每个节点对应一个量子比特,而连接量子比特的线是酉操作。耗散这个术语源于这样一个事实:在信息向前传播到下一层的(新)量子比特后,一层中的量子比特被丢弃。图4(b)显示了一个标准QNN,其中量子数据状态通过量子电路发送,在量子电路的末端测量部分或全部量子比特。在这里,随着QNN的深入,没有量子比特被丢弃或添加。最后,图4(c)描绘了一个卷积QNN,在每一层测量量子比特以降低数据的维度,同时保留其相关特征。许多其他的QNN被提出,构建QNN架构是目前的一个活跃的研究领域。

图4:QNN体系结构的例子。a)经典的前馈神经网络有输入层、隐藏层和输出层。这可以推广到带有耗散QNN的量子设置,其中一些量子位在算法期间被丢弃并被新的量子位替换。这里我们展示了耗散量子神经网络的量子电路表示。在电路图中,每条水平线代表一个量子比特,逻辑操作或量子门由连接量子比特线的盒子表示。电路从左向右读取。例如,这里电路初始化为产物状态∣ψj⟩⊗∣0⟩⊗(Nh+No)|\psi_j\rangle\otimes|0\rangle^{\otimes(N_h+N_o)} ,其中∣ψj⟩|\psi_j\rangle 编码输入数据,Nh(No)N_h(N_o) 是隐藏(输出)层的量子位数。当一个人执行逻辑操作时,信息在电路中向前传播。b)另一种可能的QNN策略是保持量子位固定,不丢弃或替换它们。该电路表示连续应用两个量子比特门Uj和受控非(用CNOT表示)门。c)量子卷积神经网络(QCNN)在算法过程中测量和丢弃量子位。本文所考虑的QCNN电路采用双量子比特量子门Uj构建,并在|ψj i中进行初始化。
为了进一步适应近期量子计算机的限制,人们还可以采用一种混合方法,与兼具经典和量子神经网络的模型一起使用。在这里,QNN在量子态上发挥一致作用,而深度经典神经网络缓解了对更高复杂度量子处理的需求。这种混合在量子计算机和经典计算机之间分配了表示能力和计算复杂性。此外,由于量子态通常具有经典相关性和量子相关性的混合,混合量子经典模型允许使用量子计算机作为一种附加资源,以增加经典模型表示量子相关分布的能力。混合模型的应用包括生成或从多部分纠缠分布中学习和提取信息。
2. 量子内核
作为QNN的替代方法,研究人员提出了量子版本的核方法。核方法将每个输入映射到高维向量空间中的一个向量,称为再生核希尔伯特空间。然后,核方法在再生核希尔伯特空间中学习一个线性函数。再生核希尔伯特空间的维数可以是无限的,这使得核方法在表达能力方面非常强大。为了在一个可能无限维的空间中学习一个线性函数,采用了[48]的核技巧,它只需要高效地计算这些高维向量之间的内积。内积也称为内核。量子核方法考虑使用量子计算机计算核函数。有很多可能的实现。例如,[26,28]认为再生核希尔伯特空间等于有限维的量子态空间。另一种方法是研究无限维再生核希尔伯特空间,其等价于用量子计算机对经典向量进行变换。然后,它将转换后的经典向量映射为无限维向量。
3.感应偏压
对于qnn和量子核而言,一个重要的设计准则是它们的归纳偏差。这种偏差是指任何模型只表示函数的一个子集,并且自然地偏向于某些类型的函数(即,将输入特征与输出预测相关联的函数)。用QML实现量子优势的一个方面是针对具有归纳偏差的QML模型,这些模型用经典模型模拟效率低下。事实上,最近研究表明,具有这种性质的量子核是可以构建的,尽管在它们的可训练性方面有一些微妙的地方。
一般来说,归纳偏差包括在模型设计或优化方法中所做的任何假设,这些假设将潜在模型的搜索偏向于所有可能模型集合中的一个子集。在贝叶斯概率理论中,我们通常称这些假设为先验(prior)。对潜在模型(如 QNN)进行特定参数化,或为量子核方法选择特定嵌入本身就是对搜索空间的限制,因此也是先验。 向优化器添加正则化项或调整学习率以保持搜索在几何上的局部性也会增加先验并集中搜索,从而提供归纳偏差。
最终,来自机器学习模型设计的归纳偏差,结合训练过程的选择,是决定机器学习模型成败的因素。QML的主要优势将是能够从(至少部分)原生量子力学的模型中采样和学习。因此,它们具有经典模型所没有的归纳偏差。这个讨论假设要表示的数据集本质上是量子力学的,这也是为什么研究人员通常认为QML从量子数据而不是经典数据有更大的前景的原因之一。
C.训练与泛化
机器学习(经典或量子)的最终目标是训练一个模型来解决给定的任务。因此,理解QML模型的训练过程是其成功的基础。
继承人的成功。考虑训练过程,我们的目标是找到一组参数θ,以获得最佳性能。后者可以通过最小化对手头任务编码的损失函数L(θ)来实现。一些用于训练QML模型的方法是利用经典ML的,如随机梯度下降。然而,散粒噪声、硬件噪声和独特的景观特征往往使现成的经典优化方法在QML训练时表现不佳。这一实现导致了量子感知优化器的发展,它解释了QML训练过程的量子特性。例如,shot-frugal 优化器可以采用随机梯度下降,同时调整每次迭代所需的镜头(或测量)数量,以便在优化过程中不会浪费太多镜头。量子自然梯度根据景观的局部几何形状(基于量子Fisher信息度量)调整步长。这些和其他量子感知优化器在QML训练任务中往往优于标准的经典优化方法。
对于监督学习,人们不仅对从训练数据集中学习感兴趣,还对(泛化)以前未见过的数据做出准确的预测。这意味着实现较小的训练和预测误差,而第二个误差通常取决于第一个误差。因此,现在让我们考虑预测误差,也称为泛化误差,最近才对QML进行研究。正式地说,这个误差衡量的是一个经过训练的QML模型在未见过的数据上表现良好的程度。预测误差既依赖于训练误差,也依赖于训练模型的复杂度。如果训练误差很大,那么预测误差通常也很大。如果训练误差很小,但训练模型的复杂度很大,那么预测误差可能仍然很大。只有当训练误差本身较小且训练模型的复杂度适中(即足够小于训练数据大小)时,预测误差才小。复杂性的概念依赖于QML模型。我们已经对量子核方法的复杂性有了很好的了解,但对QNN的复杂性还需要更多的研究。最近对QNN的理论分析表明,其预测性能与QNN中独立参数的数量密切相关,当训练数据量大致等于参数数量时,可获得良好的泛化性能。这提供了仅使用少量训练数据就获得良好泛化的令人兴奋的前景。
3.QML的挑战
由于不可预见的技术挑战,启发式领域可能会面临停滞期(或“冬季”)。实际上,在经典的机器学习中,在引入单个感知器和多层感知器(即,引入一个新的模型)之间存在差距。在尝试训练多层和引入反向传播方法之间也存在差距。
自然,我们希望避免QML的这些停滞或冬天。显而易见的策略是尽可能快地确定所有挑战,并将研究工作集中在解决这些挑战上。幸运的是,QML研究人员采取了这种策略。图5展示了QML模型的一些不同元素,以及与之相关的挑战。在本节中,我们将详细介绍各种QML挑战以及如何潜在地避免它们。
A.嵌入方案和量子数据集
获得高质量的标准化数据集在推进经典机器学习方面发挥了关键作用。因此,人们可以猜测,这些数据集对QML也至关重要。
目前,大多数QML架构都使用经典数据集(如MNIST、Dogs vs Cats和Iris)进行基准测试。虽然由于经典数据集的可访问性,使用它们是很自然的,但仍然不清楚如何最好地将经典信息编码到量子态。已经提出了几种嵌入方案,它们必须具有一些理想的性质。其中一个属性是嵌入输出状态之间的内积在经典上很难模拟(否则量子核将是经典可模拟的)。此外,嵌入应该是实际有用的,即在分类任务中,状态应该位于希尔伯特空间的可区分区域。不幸的是,满足其中一个属性的嵌入并不一定满足其他属性。因此,开发编码方案是一个活跃的研究领域,尤其是那些配备了包含有关数据集信息的归纳偏置的编码方案。
此外,最近的一些结果表明,利用经典数据实现量子优势可能不是简单的。另一方面,具有量子数据的QML模型有更大的希望获得量子优势。尽管如此,QML仍然缺乏真正的量子数据集,最近只有少数人提出了。因此,该领域需要具有容易准备的量子态的标准化量子数据集,因为这些数据集可以用于在真正的量子数据上对QML模型进行基准测试。
B.量子景观
训练QML模型的参数适用于各种情况,以最小化损失函数,并在(通常是非凸的)损失函数环境中导航,以搜索其全局最小值。量子景观理论旨在了解QML景观属性以及如何设计它们。局部极小值和贫瘠高原问题在量子景观理论中得到了广泛的关注。
1. 量子景观中的局部极小值
如图 5(b)所示,与经典 ML 类似,量子损失景观可以有许多局部最小值。 最终,这可能导致整体非凸优化成为 NP-hard,这再次类似于经典情况。 已经提出了一些解决局部最小值的方法。 例如,可变结构 QNN在整个优化过程中不断增长和收缩,自适应地改变模型的先验并允许将一些局部最小值转化为鞍点。 此外,已经看到 QML过度参数化现象的证据。 在这里,每当参数数量超过临界值时,由于虚假的局部最小值消失,优化会经历计算相变。

图5:QML面临的挑战。a)构建QML模型需要几个要素和先验条件:数据集(以及经典数据的编码方案)、参数化模型的选择、损失函数和经典优化器。在这个图中,我们展示了模型不同组件的一些挑战。b-d) QML模型的成功取决于对参数进行准确有效的训练。然而,有一些现象会阻碍QML的可训练性。其中包括 b) 中显示的大量低质量局部最小值解,以及 c) 中的贫瘠高原现象。当QML架构显示出贫瘠高原时,随着量子比特数量的增加(被视为从虚线到实线的过渡),景观变得指数级平坦(平均)。硬件噪声的存在已被证明会抹去景观中的特征,并可能改变最小值的位置。在这里,虚线(实线)对应于d)所示的无噪声(有噪声)景观。
2. 贫瘠高原概况
局部最小值并不是QML面临的唯一问题,因为已有研究表明,量子景观可以表现出一个令人着迷的特性,即贫瘠高原。如图5(c)所示,在贫瘠的高原上,损失景观平均而言随着问题的大小呈指数级平坦。当这种情况发生时,包含全局最小值的山谷也会随着问题的规模呈指数级收缩,导致所谓的狭窄峡谷。因此,一个人需要指数级的资源(例如,镜头数量)来导航景观。后者会影响QML算法的复杂度,甚至会破坏量子加速比,因为量子算法通常旨在避免经典算法的指数复杂度。
3.由于无知或不足的归纳偏见而陷入贫瘠的高原
贫瘠高原现象首先在深度硬件高效QNN中被研究,它们是由于模型的高表达率而产生的。通过不对底层数据做出任何假设,深度硬件高效架构旨在通过能够准备广泛的单一演化来解决问题。换句话说,先验假设空间是相对不知情的。这种非尖锐先验中的贫瘠高原是由于无知或缺乏足够的归纳偏差造成的,因此,避免它们的一种方法是将知识输入到QNN的构建中——使设计具有良好归纳偏差的QNN成为解决当前问题的关键方案。
幸运的是,已经开发了各种策略来解决这些停滞不前的问题,例如巧妙的初始化、预训练和参数相关性。这些都是在对硬件高效qnn的过度表达性参数化进行搜索之前添加更敏锐的例子。下面我们进一步讨论如何设计QNN架构以进一步引入归纳偏差。
4. 从全球观测到的贫瘠高原
其他机制也与贫瘠的高原有关。简单地基于全局可观测(即测量所有量子比特的可观测)定义损失函数会导致空洞的平台,即使是具有尖锐先验的浅层电路,而局部可观测(在单量子比特水平上比较量子状态)避免了这个问题。后者不是由于糟糕的归纳偏差,而是由于在指数级大的希尔伯特空间中比较对象需要指数级精度,因为它们的重叠通常是指数级小的。
5. 纠缠的贫瘠高原
虽然纠缠是量子计算机中信息处理任务最重要的量子资源之一,但它也可能对 QML 模型有害。 产生过多纠缠的 QNN(或嵌入方案)也会导致贫瘠高原。 在这里,当一个人将 QNN 的可见量子位(那些在 QNN 的输出中测量的量子位)与隐藏层中的大量量子位纠缠在一起时,就会出现问题。 由于纠缠,状态信息存储在所有量子位的非局部相关性中,因此可见量子位的还原状态集中在最大混合状态周围。 这种类型的贫瘠高原可以通过驯服 QNN 中产生的纠缠来解决。
C. QNN体系结构设计
最活跃的领域之一是开发具有敏锐先验的QNN架构。由于QNN是有监督学习(深度学习、核方法)的基本成分,也是无监督学习和强化学习的基本成分,因此开发良好的QNN架构对该领域至关重要。
例如,已经表明具有敏锐先验的 QNN 可以完全避免贫瘠高原等问题。 一个这样的例子是量子卷积神经网络(QCNN)。 由于 QCNN 仅限于层次结构和平移不变性,因此 QCNN 具有归纳偏差,即在架构空间上具有比深度硬件高效架构更清晰的先验。 这种平移不变性假设的表现力和参数空间维度的显着减少产生了更大的可训练性。
将有关问题和数据集的知识嵌入到我们的模型中(以实现有用的归纳偏差)的想法将是提高QML模型可训练性的关键。最近的建议将量子图神经网络用于量子子系统生活在图上的场景,并可能具有进一步的对称性。例如,量子图卷积网络考虑了量子通信数据集的底层图-排列对称性。类似地,量子递归神经网络已用于参数发生时间递归的场景,例如,在平稳(时间依赖)量子动力学过程的量子动力学中。
为了更好地理解如何超越上述来自网格和图形的时间和/或平移不变性的归纳偏差,我们可以从经典深度学习理论的最新进展中获得灵感。在经典的机器学习中,对图神经网络背后的群论的研究,即输入空间上各种群体行动的不变性和等变性概念,导致了基于群论的深度学习架构的统一理论,称为几何深度学习理论。
为了有办法创建适用于给定量子物理数据集的任意架构和归纳偏差,量子几何深度学习理论可能是设计架构的关键,具有对变换空间和归纳偏差的正确先验,以确保可训练性和泛化性。由于物理的研究通常是关于特定系统中固有或涌现对称性的识别,未来量子几何深度学习的统一理论有很大的潜力,可以提供一致的方法来创建具有归纳偏差的QML模型架构,编码给定量子数据集基础上的量子物理系统的基本对称性和原理的知识。这种方法最近在[93-95]中进行了探索。此外,[76,96]的工作还表明,从QNN的生成器获得的李代数可以与QML景观的属性联系起来,如存在贫瘠的高原或过参数化现象。
D.量子噪声效应
量子计算过程中硬件噪声的存在是含噪声中级尺度量子计算(NISQ)的特征之一。尽管如此,大多数QML研究忽略了分析计算和数值模拟中的噪声,同时仍然承诺这些方法在短期内是兼容的。如果希望利用当前可用的硬件追求量子优势,那么解释硬件噪声的影响应该是QML分析的一个关键方面。
当信息在量子电路中向前传播时,噪声会破坏信息,这意味着运行时间较长的更深的电路将受到特别的影响。因此,噪声会影响使用量子计算机的模型的所有方面。这包括数据集准备方案以及用于计算量子核的电路。此外,当使用 QNN 时,噪声会阻碍它们的可训练性,因为它会导致噪声引起的贫瘠高原。在这里,随着电路深度的增加,景观的相关特征被噪声指数抑制(见图5(d))。最终,噪声的影响转化为模型归纳偏差的变形,实现了量子特征空间维数的有效降低。尽管量子噪声有至关重要的影响,但其影响在很大程度上仍未被探索,特别是其对QML模型经典可模拟性的影响。
解决噪声引起的问题可能需要:(1)降低硬件错误率,(2)部分量子错误纠正,或(3)采用相对较浅的QNN(即深度随问题规模亚线性增长),如QCNN。误差缓解技术也可以在存在噪声的情况下提高QML模型的性能,尽管它们可能无法解决噪声引起的可训练性问题。处理噪声的另一种方法是设计具有噪声弹性特性(例如最小值的位置不会因噪声而改变)的QML模型。
4.展望
A.量子优势的潜力
QML的第一个量子优势可能来自于从量子数据中提取隐藏参数。这可以用于量子感知或量子状态分类/回归。从最优测量理论出发,我们知道非局部量子测量可以使用较少的样本提取隐藏参数。使用QML,人们可以形成并搜索此类测量的假设参数化。
当这种最佳测量不能先验地知道时,这特别有用,例如,确定提取顺序参数或确定物质的特定相位的测量。由于关于这个经典参数的信息嵌入在子系统之间的量子相关性结构中,因此具有良好归纳偏差的经过训练的QML模型自然可以表现出比局部测量和经典表示的优势。
经典参数提取可能产生优势的另一个应用领域是量子机器感知,即量子传感、计量学等。在这里,利用对多纠缠态的变分搜索来暴露于量子信号,以及对最优控制和/或对后处理方案的优化,可以找到对传入信号中隐藏参数的估计的最佳测量。特别是,变分方法可能能够找到从噪声中滤除信号的最佳纠缠、暴露和测量方案,类似于变分学习从噪声中滤除信号的量子纠错码,而不是应用于量子计量。
除了嵌入在量子数据中的经典参数提取,发现量子纠错码(QECCs)可能还有一个优势。QECC的基本原理是将数据(通常)非局部地编码到希尔伯特空间的子系统或子空间中。由于深度学习从根本上是关于发现数据空间的子流形,从希尔伯特空间中识别和解码子空间/子系统,而希尔伯特空间对应于量子纠错子空间/子系统,是可微量子计算可能产生优势的自然地方。这是一个很少被探索的领域,主要是因为很难通过小规模的数值模拟获得洞见。从根本上说,它类似于经典参数嵌入/提取优势的量子数据版本。
最后,当人们可以使用结合QNN的生成模型生成基态、平衡态或量子动力学时,可以实现生成建模的量子优势,以一种无法用经典方法对分布进行采样的方式,并产生比经典ML方法更准确的预测或更广泛的泛化。证明这种优势的最近的可能性可能是在模拟量子模拟器的连续时间最优控制水平上的变分优化。
B.量子优势会是什么样子?
当数据来源于量子力学过程时,例如来自化学、材料科学、生物和物理的实验,则更有可能在ML中看到指数级的量子优势。量子优势可以是样本复杂度或时间复杂度。样本复杂度的指数优势总是意味着时间复杂度的指数优势,但反之通常不成立。最近的研究表明,当我们可以使用量子传感器、量子内存和量子计算机从实验中检索、存储和处理量子信息时,在样本复杂度方面具有指数级的量子优势。这种样本复杂度优势可以被严格证明,在未来不可能被去量化,即不可能找到不具有指数优势的改进经典算法。这种显著的量子优势最近在Sycamore处理器上得到了证明,这增加了使用NISQ设备实现量子优势的希望。
在时间复杂度方面的优势更为微妙。经典的量子过程模拟在许多情况下是难以处理的,因此可以认为时间复杂度的指数优势是普遍存在的。然而,人们应该对ML任务中数据的可用性保持谨慎,这使得经典的ML算法在计算上更加强大。例如,文献[119]表明,在最坏的情况下,预测几何局域间隙哈密顿量的基态性质没有指数级的量子优势。此外,量子力学过程中有效的经典理论的出现,可以使经典机器提供准确的预测。例如,当我们通过进行真实世界的实验得到交换相关泛函的精确逼近时,密度泛函理论允许精确预测分子性质。在实际感兴趣的物理系统中,指数优势仍然是可能的,但还没有严格的证明。
当数据是纯经典来源时,例如在向客户推荐产品、执行投资组合优化以及处理人类语言和日常图像的应用中,不存在已知的指数优势。然而,期望多项式优势仍然是合理的。此外,对于纯经典问题,二次优势可以被严格地证明。因此,当我们拥有容错量子计算机时,我们可能会在长期内产生潜在的影响,尽管目前已知的容错量子计算方案的量子纠错的开销会显著降低速度。
C.向容错时代及以后的过渡
虽然QML已经被认为是在近期使用NISQ设备实现量子优势的候选者,但人们仍然可以对其未来的可用性提出疑问。在这里,研究人员设想了两个不同年代的后NISQ时代。在第一种情况下,我们可以将其称为“部分纠错”,量子计算机将有足够的物理量子比特(几百个)和足够小的错误率,以允许少量完全错误纠正的逻辑量子比特。由于一个逻辑量子比特由多个物理量子比特组成,在这个时代,人们将可以自由地权衡并将设备中的量子比特分割为一个纠错量子比特子集,以及一个非纠错量子比特子集。当量子硬件具有大量纠错量子比特时,下一个时代即"容错时代"将到来。
事实上,人们可以很容易地想象QML在这两个后NISQ时代都是有用的。首先,在部分纠错时代,QML模型将能够执行高保真电路,从而提高性能。这将通过缓解噪声引起的贫瘠高原,自然地增强模型的可训练性,并减少QML模型中的噪声引起的分类错误。最重要的是,QML可能会在容错时代得到最广泛和最关键的应用。在这里,诸如用于量子模拟的量子算法将能够准确地准备量子数据,并忠实地将其存储在量子存储器中。因此,QML将是从量子数据中学习、推断和做出预测的自然模型,因为量子计算机将直接从数据本身进行学习。
从长远来看,我们预计将有可能通过将自然模拟式转换为量子数字形式(例如,通过量子模拟-数字相互转换)直接从自然界捕获量子数据。然后,这些数据将能在量子网络中穿梭,使用量子机器学习模型进行分布式和/或集中,使用容错量子计算和错量子通信。在这一点上,量子机器学习将达到一个类似于今天机器学习的阶段,边缘传感器捕获数据,数据被中继到中央云,机器学习模型在聚合数据上进行训练。随着经典机器学习在这个数据丰富的时代出现,人们可以预见,在容错时代对量子数据的无处不在的访问同样可以推动量子机器学习得到更广泛的应用。