量子霸权听起来像是漫威电影里的东西。但对于从事量子计算前沿工作的科学家来说,这种处理信息的根本不同方法的希望和宣传是非常真实的。多亏了量子力学古怪的特性(这里有一个漂亮的底漆)量子计算机有潜力极大地加速了某些类型的问题,尤其是那些模拟自然的。

科学家们尤其痴迷于将量子世界与机器学习结合起来的想法。尽管取得了所有的成就,我们的硅学习伙伴仍然存在缺陷:机器学习算法和传统的cpu表现不佳,部分原因是贪婪的算法占用了经典的计算硬件。

但是,添加了一剂量子计算,和机器学习可以潜在的在短时间内处理超出当前能力的复杂问题。

多亏了一项新的研究通过IBM和麻省理工学院,我们刚刚得到了一些初步的实验证明,理论可能成为现实。发表在自然,协作使用双Qubit量子计算系统来表明量子计算机可以将一般类型的机器学习升起 - 通常使用实验室生成的数据集。

毫无疑问,这只是第一步。但这项研究清楚地表明,目前还遥不可及的完美量子计算机,并不是帮助人工智能所必需的。尽管量子系统噪音很大,但它们已经符合要求了——尤其是那些可以与经典计算机协同进行机器学习的团队。

这是激励的消息。

“完全,我认为这一研究线将看到更多的论文跟随,潜力巨大,”萨纳德博士·玛丽亚·斯普勒斯说188金宝搏app1.1.94他没有参与这项研究。上个月,舒尔德描述道非常类似的想法并且现在提供了一个评论伴随着新论文。

“我们仍然无法实现机器学习的量子优势,”团队指出一个博客文章。“但是......我们正在推进的方法很快就能分类了比经典计算机可以处理的任何复杂的数据集。我们所展示的是一个有前途的道路。“

无论如何,什么是分类器?

这项研究从出乎意料的洞察力开始:依赖于“内核方法”的某种机器学习,在数学上非常类似于量子计算机内部的内容。

这些算法的一个经典例子是支持向量机(SVM),它在90年代迅速流行起来,后来被深度学习取代。简而言之,对于区分不同事物(例如猫和狗)的问题,当描述每个类的特性相当简单时,支持向量机就相对强大。

这是事情得到古怪的地方。基本上,SVMS依赖于内核方法将“项目”输入数据使用明确定义的数学方式进入高维空间,以将功能与超平面分开(是的,最初听起来像对我一样无意义)。

它有助于在熟悉的3D世界中使用简化的类比。画猫和覆盖在一张纸的上面的狗贴纸。因为纸只只有一个表面,所以绝对没有办法绘制一条线或飞机以分离猫和狗。

现在添加另一个维度,深度。你突然意识到这两个项目实际上是重叠的,居住在不同的深度。通过将猫和狗投射到一个高维空间,现在可以将一张纸(“平面”)滑动到两者之间,将它们划分为不同的类。

非常简单地,这就是SVMS的工作原理。计算机拍摄猫或狗的图像,根据颜色,形状或不熟悉的人类思想的其他特征重新组织像素,并将“项目”输入抽象的高维空间。这被称为“特征映射”,该计算机然后使用该计算机用于构建内核 - 以最佳分隔功能以帮助分类。

支持向量机通常不是这些天新闻里报道的深度学习方法。虽然有尝试在将(极其)简单的神经网络与量子计算连接起来时,这两者并不是很合适。

“基本上,核心方法和量子力学的数学理论具有很多相似之处,而量子理论和神经网络的理论非常不像,”Schuld解释道。

这种洞察力——令人惊讶的是,舒德和IBM团队几乎同时探索了这个问题——是关键。

量子机学习分类器

作者解释说,量子计算通过两种方式帮助提高基于内核的分类器的速度。

一种想法是使用量子计算机本身作为“鉴别器”。训练数据被映射成量子态,有点类似于将彩色图像转换成0和1。在这种情况下,输出是一堆叠加的量子粒子。然后,这些数据被输入一个短深度量子电路,在计算结束之前,该电路基本上可以保持量子特性。你可以把它想象成一台总体可靠、不会经常崩溃的笔记本电脑,而不是一台完美的机器。

研究作者IBM研究中的Quantum研究科学家Kristan Temme博士表示,整个过程类似于人工神经网络(ANN)。188金宝搏app1.1.94

“我们的量子变分方法使用(可能随机)开始的一组参数,然后在训练期间优化......在这种感觉中,可以感知这种类比,因为神经网络也使用参数化数量(权重)并从随机状态开始,“他解释说明。

由于它们的量子特性,驱动量子计算机的粒子被抽象地栖息一个真正大的“量子状态”,这是充满可能性的。在理论上,这使得分离出更容易和比传统计算机更快的特征。

“为了获得量子优势,至关重要的是电路的形式不能有效地模拟经典[在硅计算机上],”Temme说。

另一个想法是使用量子计算机来计算内核:也就是说,如何最好地将所有输入数据映射到高维空间,以帮助以有意义的方式分离特征。在这里,经典的硅基计算机完成了剩下的工作——使用量子伙伴的内核(洞察),它学习了“这些东西让它成为猫”或“狗”的规则。

理论实验

在一个两比特的量子计算系统中,研究小组用一个人造数据测试了这两种策略——一个“玩具”问题。

“我们想看看能否在量子硬件中实现一个机器学习分类器,”该团队解释说。这就是为什么这些数据是人为的,可以百分之百成功地分类验证方法。

即使有当代量子计算机固有的噪声,该团队也能够实现近乎完美的分类(你可以玩这个演示程序)这里)。

这是关键,舒尔德说。她说:“尽管一些新闻报道夸大其词,但任何尝试过云计算的人都知道,从这些设备中收集有意义的数据是出了名的困难,因为计算中的实验噪音很高。”

该团队的研究结果表明,即使在存在噪音的情况下,也可以对他们的数据进行分类。对于那些渴望在量子计算和机器学习之间架起桥梁的人来说,这真是个好消息。

“这种量子机器学习的方法为我们提供了一条途径,让我们了解,即使是有噪声的、中等规模的量子计算机,也能以哪种方式超越经典的机器学习算法,”IBM研究中心(IBM Research to)的实验量子计算经理杰瑞·周(Jerry Chow)博士说188金宝搏app1.1.94

Tanisha Bassan他没有参与这项工作。“这些令人印象深刻的结果表明,更强大的算法可以在目前的NISQ硬件上实现——仍需要纠错的量子计算机,并展示了更有用的量子机器学习应用程序的潜力。”

她补充说,给出量子计算机一个随机存取存储器 - 类似于当前计算机访问数据的理论可以进一步加强量子机器学习。

舒尔德还指出,尽管在硬件方面的结果令人兴奋,但也有其局限性。

一个是量子计算机在这个例子中是非常简单的。“如今,原理证明实验[通常]使用至少5个量子位,”她说。

除了实验细节之外,或许更重要的是,新的设置能否使用真实世界的数据产生真实世界的结果;例如,使复杂的数据更容易分析。

“这些技术是否足以打败近30年的经典方法?””一个问。“这是我们在未来几年必须建立的东西。”

图像信用:Vineeta Durani / IBM

Shelly Xuelai Fan是一个神经科学家转向科学作家。她在不列颠哥伦比亚省大学的神经科学中完成了博士学位,在那里她开发了新的神经变性治疗方法。在研究生物脑的同时,她对AI和所有东西都很着迷。毕业后,她搬到了UCSF,研究了恢复老年大脑的基于血液的因素。她是 ...

跟雪莉: