编辑 | 萝卜
为了让 Valeria Saggio(麻省理工学院的量子物理学家)在她以前的维也纳实验室启动计算机,她需要一个特殊的水晶;水晶大概只有她的指甲那么大。Saggio 会轻轻地将它放入一个小铜盒,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,用一束光子轰击晶体。
这种晶体,在这个精确的温度下,会将其中一些光子分裂成两个光子。其中一个会直接进入一个光探测器,它的旅程就结束了;另一个将进入一个微型硅芯片——一个量子计算处理器。芯片上的微型仪器可以驱动光子沿着不同的路径前进,但最终只有两种结果: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并重试。
这个序列感觉比 Windows 更像 Rube Goldberg,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 Saggio 来说,这个项目类似于将机器人困在迷宫中。计算机必须学习正确的路径,而无需事先知道要在哪里转弯。这件事其实并不难——一台普通的经典计算机,可以通过尝试死胡同和幸运的猜测来强行闯关。但 Saggio 想知道,「量子力学能帮上忙吗?」去年,她的团队证明了这一点。
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真正的优势,机器学习是人工智能的一个子领域,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 2021 年 7 月发表的另一项研究中,IBM 研究人员证明,量子计算机可以学习对数据进行分类,这是任何经典计算机都不可行的任务。这两项研究涉及机器学习的不同分支,但它们揭示了一个相似的故事:在适当的情况下,量子机器学习可以超越经典算法。
「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。」巴黎索邦大学量子通信专家 Eleni Diamanti 说,「这是范式的真正改变。」
A Natural Marriage
大部分人工智能,尤其是机器学习,都归结为自动化和改进繁琐的任务。「机器学习是让计算机在没有显式编程的情况下做有用的事情。」莱顿大学的量子信息研究员、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,然后快速将新照片分类为正确的物种;其他算法会发现微妙的模式,帮助医生在医学扫描中诊断癌症。
在过去的十年中,研究人员开始对量子计算机如何影响机器学习进行理论化。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,两项研究展示了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。这种方法很有前途,但只是理论上的,而且不可能用当时的技术来实施。「这些机器学习协议中的很多都需要已经实现但尚不可用的技术。」Diamanti 说。
研究人员认为量子计算不是完全替代经典计算的工具,而是对其进行补充的工具。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,他们希望获得优势。现在的目标是找到使用量子物理学以不同于经典计算机的方式(更好的方式)解决问题的算法。让量子计算机超越传统机器意味着找到归结为与量子物理学一致的数学运算的人工智能问题。
IBM 的物理学家 Kristan Temme 说:「与其强行尝试解决你最大的问题」,研究人员应该找到「最终更多地关注细微细节」的机会。找到人工智能数学和量子计算物理学之间的自然结合是现实生活中量子机器学习的关键。
Kernel Trickery
Temme 以经验说话。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典型例子——一种用于统计的技巧,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特征的相关程度的度量。想象一个包含三个项目的简单数据集:BLUE、RED 和 ORANGE。如果你将它们视为颜色,RED 和 ORANGE 是邻居。但是,如果你查看字符数,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,实施它们是一种以新的视角重铸信息的技巧,使您能够将原本隐藏在数据中的强关系归零。
内核与量子物理学没有内在联系。但量子计算机以类似的方式处理数据,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——该组合可以擅长学习和应用模式。
Temme 与他的 IBM 同事 Srinivasan Arunachalam 和加州大学伯克利分校的实习生 Yunchao Liu 一起着手证明量子核算法可以超越经典算法。
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。「那些辩论真的很激烈。」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——这些运算很容易输出一个数字,但不能通过逆向工程来揭示这个过程。例如,一个「离散对数」取决于一个特定的运算,它接受两个数字——我们称之为 a 和 x——并返回随着 a 和 x 变化而不可预测地反弹的结果。(算法将 a 提高到 x 次方,将其除以某个其他数 n,然后输出余数。)经典计算机无法破解输出字符串来找到 x。
Temme 团队展示了如何通过使用量子内核,学习找到隐藏在离散对数问题产生的看似随机输出中的模式。该技术使用内核和叠加,来重新解释数据点并快速估计它们之间的比较方式。最初数据看起来是随机的,但量子方法找到了正确的「镜头」来揭示其模式。共享一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,量子内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到了它们的位置上。」Temme 回忆道,该方法使量子计算机的准确率超过 99%。
「我真的很喜欢这篇论文。」量子机器学习专家 Maria Schuld(在 2019 年,Schuld 的团队表明内核对量子 AI 很有价值。)说, 「它从根本上解决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 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事情。「我认为他们第一次令人信服地做到了。」她说。
Training a Quantum Learner
虽然 Temme 的基于内核的加速仍然太新,无法在实际实验中得到证明,但融合量子力学和另一种类型的学习的理论有更多的时间成长为真实的东西。
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,训练系统会在算法做出正确选择时给予奖励。奖励起到统计推动的作用,使学习者下次更有可能正确选择。该框架在围棋和国际象棋等游戏中为计算机提供了增压。
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比经典计算机更快地使用叠加来评估和选择一系列正确选择。Wölk 受邀到维也纳就这个想法发表演讲,Valeria Saggio 出席了会议。她意识到她的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。
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处理选项。但是叠加允许量子计算机放大有希望的路径。
Saggio 的量子纳米光子芯片通过光子及其通过芯片的路径传递信息。每条路径编码不同的信息,并且每条路径都可以将光发送到不同的出口。实际上,Saggio 选择了一个出口作为「正确」出口,然后尝试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;成功则是 1。
为了让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,计算机将有相同的概率选择任何路径。但是,一旦学习者偶然发现了正确的选择,奖励就会发挥作用。光路中每个弯曲处的物理特性都会进行调整,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。
加速很明显,量子芯片的学习速度比经典计算机快 63%。「最后是出现了很多 1。」Saggio 说,「我们感到很高兴。」
塞维利亚大学的量子机器学习专家 Lucas Lamata 表示,至关重要的是,该芯片不仅仅是通过更快的试错周期。「本文的新颖之处在于它们显示了学习速度的加快。[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。你今天已经可以在某些任务中展示它了。」
Quantum Leaps Ahead
随着量子物理学最终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。
「现在我们知道量子优势是可能的。」Saggio 说,她希望看到「更现实的学习场景」。研究人员推测,量子强化学习可能应用于国际象棋和自然语言算法,以及解码神经接口中的大脑信号和个性化复杂的癌症治疗计划。
但技术限制使实验变得困难。「我们可以实际分析的问题太小了。」Schuld 说,这就是为什么像新工作那样找到完全适合量子框架的情况很重要的原因。
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好处。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,在量子实验中最令人头疼的部分可以防止错误并节省时间。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。」
相关报道:https://www.quantamagazine.org/ai-gets-a-quantum-computing-speedup-20220204/