【山巨源專欄】AI與量子運算的混搭,徹底改變科學?

科學家們正在探索量子機器學習的潛力。但人工智慧和量子運算的融合是否有有用的應用尚不清楚。達維德‧卡斯泰爾維奇 Davide Castelvecchi發表在最新一期《自然》(Nature)的<人工智慧與量子運算的混搭:它會徹底改變科學嗎?>( The AI–quantum computing mash-up: will it revolutionize science?) 指出,稱為未來運算的復仇者,將科技領域最熱門的兩個術語——機器學習和量子電腦——放在一起,你就得到了量子機器學習。就像《復仇者聯盟》漫畫和電影一樣,匯聚了全明星超級英雄陣容,組建了一支夢幻隊,其結果很可能會吸引大量關注。但在科技領域,就像在小說中一樣,想出一個好的情節很重要。
人工智慧和量子運算結合起來會產生什麼有用的結果嗎?
如果量子電腦能夠以足夠大的規模建造,它們有望透過利用亞原子世界的獨特性質,比普通數位電子產品更有效地解決某些問題。多年來,研究人員一直想知道這些問題是否可能涉及機器學習,機器學習是人工智慧(AI) 的一種形式,其中電腦用於發現數據中的模式並學習可用於在不熟悉的情況下進行推理的規則。現在,隨著備受矚目的人工智慧系統 ChatGPT的發布,該系統依靠機器學習,透過推斷文本中單字之間的關係來支持其怪異的類人對話,並且隨著量子電腦的規模和能力的快速成長,技術正在取得長足進步。將兩者結合起來會產生什麼有用的結果嗎?
許多科技公司,包括Google和 IBM 等老牌公司,以及加州柏克萊的 Rigetti 和馬裡蘭州大學公園市的 IonQ 等新創公司,都在研究量子機器學習的潛力。學術科學家也對此產生了濃厚的興趣。歐洲核子研究中心(CERN)是瑞士日內瓦郊外的歐洲粒子物理實驗室,它已經使用機器學習來尋找大型強子對撞機產生的數據中產生某些亞原子粒子的跡象。那裡的科學家正在嘗試量子機器學習。「我們的想法是利用量子電腦來加速或改進經典機器學習模型,」歐洲核子研究中心量子運算和機器學習研究小組負責人、物理學家 Sofia Vallecorsa 說。
量子機器學習可以發現傳統電腦錯過的模式
尚未解答的一個大問題是,在某些情況下,量子機器學習是否比傳統機器學習更有優勢。理論表明,對於專門的計算任務,例如模擬分子或尋找大整數的素因數,量子電腦將加快計算速度,否則可能需要比宇宙年齡更長的時間。但研究人員仍缺乏足夠的證據證明機器學習就是這種情況。其他人則表示,量子機器學習可以發現傳統電腦錯過的模式——即使它的速度並不快。
南非德班的物理學家瑪麗亞·舒爾德 (Maria Schuld) 表示,研究人員對量子機器學習的態度在兩個極端之間轉變。就職於總部位於加拿大多倫多的量子計算公司 Xanadu 的舒爾德表示,人們對這種方法的興趣很高,但研究人員似乎越來越因為缺乏短期應用前景而放棄。一些研究人員開始將注意力轉向將量子機器學習演算法應用於本質上量子現象的想法。劍橋麻省理工學院 (MIT) 的物理學家 Aram Harrow 表示,在量子機器學習的所有建議應用中,這是「具有相當明顯量子優勢的領域」。
量子演算法有幫助嗎?
過去 20 年來,量子運算研究人員開發了大量量子演算法,理論上可以提高機器學習的效率。在 2008 年的一項開創性成果中,Harrow 與麻省理工學院物理學家 Seth Lloyd 和 Avinatan Hassidim(現任職於以色列拉馬特甘的 Bar-Ilan 大學)一起發明了一種量子演算法1 ,該演算法在解決大型線性問題時比傳統電腦快得多。方程,機器學習的核心挑戰之一。
但在某些情況下,量子演算法的前景並未實現。一個備受矚目的例子發生在 2018 年,當時電腦科學家 Ewin Tang 找到了一種方法來擊敗 2016 年設計的量子機器學習演算法2。該量子演算法旨在提供類似 Netflix 等網路購物公司和服務的建議類型根據客戶先前的選擇向他們提供資訊——而且它提出此類建議的速度比任何已知的經典演算法都要快得多。
唐當時是德克薩斯大學奧斯汀分校 (UT) 的 18 歲本科生,他編寫了一種幾乎同樣快的演算法,但可以在普通計算機上運行。量子推薦是一種罕見的演算法範例,該演算法似乎在實際問題中提供了顯著的速度提升,因此她的工作「使實際機器學習問題的指數量子加速的目標比它更遙不可及」唐的顧問、德克薩斯大學量子計算研究員斯科特·阿倫森(Scott Aaronson) 說:“以前是這樣。” 現在就職於加州大學柏克萊分校的唐表示,她仍然對任何有關機器學習在量子方面顯著加速的說法持「相當懷疑」的態度。
一個潛在的更大問題是經典數據和量子計算並不總是能很好地結合在一起。粗略地說,典型的量子計算應用程式有三個主要步驟。首先,量子電腦被初始化,這意味著它的各個儲存單元(稱為量子位元或量子位元)被置於集體糾纏量子態中。接下來,電腦執行一系列操作,這是經典位元上邏輯操作的量子模擬。在第三步驟中,電腦執行讀出,例如透過測量攜帶有關量子運算結果的資訊的單一量子位元的狀態。例如,這可能是機器內的給定電子是順時針還是逆時針旋轉。
「我們只能從最細的吸管中吸取訊息,」
Harrow、Hassidim 和 Lloyd 等演算法有望加快第二步——量子運算。但在許多應用中,第一步和第三步可能非常慢,並且會抵消這些收益。初始化步驟需要將「經典」資料載入到量子電腦上並將其轉換為量子態,這通常是一個低效的過程。而且由於量子物理學本質上是概率性的,因此讀數通常具有隨機性,在這種情況下,計算機必須多次重複所有三個階段並對結果進行平均才能得到最終答案。
西雅圖華盛頓大學量子計算研究員 Nathan Wiebe 表示,一旦量子化數據被處理成最終的量子態,也可能需要很長時間才能得到答案。「我們只能從最細的吸管中吸取訊息,」韋貝在 10 月的量子機器學習研討會上說道。
「當你問幾乎所有研究人員量子電腦擅長哪些應用時,答案都是,『可能,不是經典數據,』」舒爾德說。“到目前為止,沒有真正的理由相信經典數據需要量子效應。”
Vallecorsa 和其他人表示,速度並不是判斷量子演算法的唯一指標。還有跡象表明,由機器學習驅動的量子人工智慧系統可以學會識別傳統系統會錯過的資料模式。德國澤伊滕 DESY 粒子物理實驗室的物理學家 Karl Jansen 表示,這可能是因為量子糾纏在量子位元之間建立了相關性,從而在數據點之間建立了相關性。他說:“我們希望能夠檢測到數據中的相關性,而傳統演算法很難檢測到這些相關性。”
電腦產生的典型候選事件影像,包括兩個以紅色表示的高能量光子
量子機器學習可以幫助理解歐洲核子研究中心(位於瑞士日內瓦附近的歐洲粒子物理實驗室)的粒子碰撞。圖片來源:CERN/CMS 合作;湯瑪斯·麥考利、盧卡斯·泰勒(CC BY 4.0)
但阿倫森不同意。量子電腦遵循眾所周知的物理定律,因此只要有足夠的時間,普通電腦完全可以預測它們的工作原理和量子演算法的結果。「因此,唯一感興趣的問題是量子電腦是否比它的完美經典模擬更快,」阿倫森說。另一種可能性是透過對已經量子化的資料使用量子機器學習演算法來完全避開翻譯經典資料的障礙。
縱觀量子物理學的歷史,量子現象的測量被定義為使用「生活」在宏觀經典世界中的儀器進行數值讀數。但有一個新興的想法涉及一種被稱為量子感測的新興技術,它允許使用純量子儀器來測量系統的量子特性。將這些量子態直接載入到量子電腦的量子位元上,然後量子機器學習可以用於發現模式,而無需與經典系統有任何介面。
它是超導體嗎?
麻省理工學院物理學家兼Google研究員 Hsin-Yuan Huang 表示,在機器學習方面,與收集量子測量結果作為經典數據點的系統相比,這具有很大的優勢。「我們的世界本質上是量子力學的。如果你想要一台可以學習的量子機器,它可能會更強大,」他說。
黃和他的合作者在谷歌的一台 Sycamore 量子電腦上進行了原理驗證實驗4。他們將其中的一些量子位元用來模擬一種抽象材料的行為。然後,處理器的另一部分從這些量子位元中獲取信息,並使用量子機器學習對其進行分析。研究人員發現該技術比傳統的測量和數據分析快得多。
黃說,在量子世界中完全收集和分析數據可以使物理學家解決經典測量只能間接回答的問題。其中一個問題是,某種材料是否處於某種特定的量子態,使其成為超導體——能夠以幾乎為零的電阻導電。經典實驗要求物理學家間接證明超導性,例如透過測試材料對磁場的反應方式。
「量子網路」將數據傳輸到中央實驗室
粒子物理學家也在研究使用量子感測來處理未來粒子對撞機產生的數據,例如LUXE,這是一個將電子和光子粉碎在一起的DESY 實驗,Jensen 說,儘管這個想法距離實現至少還需要十年的時間,他補充道。彼此相距較遠的天文台也可能使用量子感測器來收集數據,並透過未來的「量子網路」將數據傳輸到中央實驗室,以便在量子電腦上進行處理。希望這能夠以無與倫比的清晰度捕捉影像。
如果這種量子感測應用被證明是成功的,那麼量子機器學習就可以在結合這些實驗的測量結果並分析所得的量子數據方面發揮作用。
最終,量子電腦是否能為機器學習帶來優勢將由實驗決定,而不是透過數學證明其優越性或缺乏優越性。「我們不能指望一切都能像理論計算機科學那樣得到證明,」哈羅說。
「我當然認為量子機器學習仍然值得研究,」阿倫森說,無論最終是否會提高效率。舒爾德同意。“我們需要在不限制加速的情況下開展研究,至少在一段時間內是如此。”