沒有人會懷疑，量子計算和機器學習是當前最炙手可熱的兩個研究領(lǐng)域。

在量子計算方面，理論和硬件的一個個突破性進展讓人們看到大規(guī)模通用量子計算機的腳步越來越近。

在機器學習方面，以人工神經(jīng)網(wǎng)絡(luò)為代表的方法在視覺、語音、自然語言理解、游戲等應(yīng)用領(lǐng)域中取得了很大的性能提升。三位深度學習領(lǐng)域?qū)＜耀@得2019年圖靈獎，更是被評論為“意味著AI復(fù)興元年的到來”。

當量子計算和機器學習相遇，會碰撞出什么火花?“總的來看，這是一個還處于早期探索，未來有很大發(fā)展空間可以期待的領(lǐng)域。”騰訊杰出科學家、騰訊量子實驗室負責人張勝譽評價道。

量子物理與機器學習并非“油和水”的混合

早在上世紀90年代，威奇塔州立大學的物理學教授伊麗莎白·貝爾曼開始研究量子物理與人工智能的結(jié)合，而當時，其中的神經(jīng)網(wǎng)絡(luò)還堪稱是特立獨行的技術(shù)。大多數(shù)人認為她在把油和水進行混合。她回憶說：“我花了很長時間才把論文出版。與神經(jīng)網(wǎng)絡(luò)相關(guān)的期刊會說，‘量子力學是什么?’，物理期刊會說，‘神經(jīng)網(wǎng)絡(luò)是什么?’”

但隨著量子計算和機器學習在各自領(lǐng)域的進展，二者的結(jié)合似乎水到渠成。

神經(jīng)網(wǎng)絡(luò)和其他機器學習系統(tǒng)已成為人工智能時代的核心技術(shù)。具備機器學習能力的人工智能在某些方面的能力遠超人類，不僅在國際象棋和數(shù)據(jù)挖掘等方面表現(xiàn)出眾，而且在人類大腦所擅長的面部識別、語言翻譯等方面進展迅速。通過后臺的強大算力，這些系統(tǒng)的價值不斷凸顯。

但同時，傳統(tǒng)計算機數(shù)據(jù)處理能力接近極限，而數(shù)據(jù)卻依然在不斷增長。雖然摩爾定律預(yù)測集成電路上的晶體管數(shù)量每隔兩年就會翻一番，但自1965年這個術(shù)語出現(xiàn)以來，事實證明它具有很強的彈性。隨著技術(shù)的進步，這些晶體管現(xiàn)在的體積越來越小。正因此，業(yè)界展開了激烈競爭，看誰能率先推出一款比現(xiàn)有計算機更強大的量子計算機，來處理日益龐大的數(shù)據(jù)。

“機器學習技術(shù)的進步有賴于計算能力的提高，量子計算機的計算能力肯定比現(xiàn)有機器強太多，它必然能推動機器學習的發(fā)展，這就好比，一個腦子轉(zhuǎn)得很快、更聰明的人比一個反應(yīng)慢的人處理問題更快更好。”中國科學技術(shù)大學中科院量子信息重點實驗室研究員韓正甫告訴科技日報記者，機器學習可能會在很短的時間內(nèi)處理超出當前能力的復(fù)雜問題。

北京國雙科技有限公司(以下簡稱“國雙”)首席技術(shù)官劉激揚在接受科技日報記者采訪時則表示，隨著產(chǎn)業(yè)數(shù)據(jù)規(guī)模的爆炸式增長，深度學習模型網(wǎng)絡(luò)參數(shù)的不斷擴增，現(xiàn)有的計算結(jié)構(gòu)及框架，面對海量的數(shù)據(jù)規(guī)模及深層網(wǎng)絡(luò)結(jié)構(gòu)，處理分析所需的時間、硬件成本非常高，因此亟需更為高效的解決方案。

強強聯(lián)合的化學反應(yīng)

劉激揚說，正因此，很多研究機構(gòu)及科技公司都將目光集中到了量子計算領(lǐng)域。

“量子計算的獨特性質(zhì)，使得它無論是在數(shù)據(jù)處理能力還是數(shù)據(jù)存儲能力，理論上都遠超經(jīng)典計算，所以若將其應(yīng)用到機器學習中，不僅可以解決目前機器學習算法處理海量大數(shù)據(jù)時計算效率低等問題，甚至可能改變整個機器學習領(lǐng)域。”劉激揚說，機器學習和量子計算若結(jié)合，一方面是希望利用量子計算優(yōu)良的數(shù)據(jù)處理能力，解決機器學習的運算效率低的問題;另一方面探索使用量子力學的性質(zhì)，開發(fā)更加智能的機器學習算法。

劉激揚具體分析道，機器學習與量子計算的結(jié)合，主要有以下幾種形式：一、由于量子計算能夠同時執(zhí)行大量、復(fù)雜的計算過程，所以通過結(jié)合可以使某些在傳統(tǒng)機器學習中不可計算的問題變?yōu)榭赡? 從而大幅降低機器學習算法的計算復(fù)雜度;二、利用量子理論的并行性等加速特點直接與某些機器學習算法深度結(jié)合,從而可以催生出一批全新的量子機器學習模型，這些模型能夠?qū)崿F(xiàn)更高的計算效率;三、還可以利用機器學習算法，解決量子物理學領(lǐng)域中的一些難以分析的問題，如量子多體物理問題、量子優(yōu)化控制等。

“近十年涌現(xiàn)出大量量子技術(shù)和機器學習結(jié)合的研究，主要在用經(jīng)典機器學習解釋和幫助量子力學的研究，也有不少對經(jīng)典機器學習設(shè)計高效量子算法的研究，還有少量其他方面，如量子啟發(fā)式機器學習，和用量子理論幫助理解機器學習中的現(xiàn)象等，大家得到了形式豐富的結(jié)果。”張勝譽告訴科技日報記者。

張勝譽與團隊近日系統(tǒng)梳理了量子機器學習的發(fā)展，文章發(fā)表于《國家科學評論》2019年第1期出版的“量子計算”專題。

國內(nèi)企業(yè)積極部署

“雖然進展喜人，但我們也應(yīng)該注意到目前機器學習領(lǐng)域的很多結(jié)果在嚴格性、問題基礎(chǔ)性和未來實用性上都還有很大的提升空間。總的來看，這是一個還處于早期探索，未來有很大發(fā)展空間可以期待的領(lǐng)域。”張勝譽認為。

“量子機器學習的更多應(yīng)用得等到可以實現(xiàn)大規(guī)模量子信息存儲，以及有成熟的量子計算機出現(xiàn)才行。”韓正甫說，但事實上，量子計算機的概念1980年代提出，投入研發(fā)20年，迄今還沒有一臺真正走出實驗室。

劉激揚也表示，量子計算機是真正實現(xiàn)量子機器學習算法實用化的重要硬件基礎(chǔ)，要想將量子機器學習算法應(yīng)用于實際的數(shù)據(jù)分析和處理任務(wù)中，需要將數(shù)據(jù)轉(zhuǎn)化為量子態(tài)，上傳至計算機中，進行存儲、處理并導(dǎo)出，這就需要研制出具有成百上千超導(dǎo)量子比特的量子計算機，“在通用量子計算機建造成功之前，量子機器學習算法則很難在實際應(yīng)用中展現(xiàn)出其數(shù)據(jù)處理方面的強大能力。”

張勝譽分析道，由于硬件資源的受限，量子機器學習的驗證和發(fā)展確實有很多瓶頸。“理論上可以進行更多量子加速的研究，實踐上也可以結(jié)合硬件不停推進對物理化學中基本問題的理解。”他認為，這個領(lǐng)域最終的突破，可能需要理論和硬件手拉手往前走。

在劉激揚看來，量子機器學習還缺乏完備的理論框架及實際驗證。“由于量子機器學習只能在量子狀態(tài)下進行，而當前由經(jīng)典信息到量子信息的轉(zhuǎn)換研究較少，還有很多問題未解決。”

“我們還不能從基礎(chǔ)理論角度來闡述量子機器學習算法的優(yōu)勢。”劉激揚說，目前仍不能證明某個量子機器算法的性能比所有的經(jīng)典機器學習算法都好, 因為沒有找到同樣復(fù)雜度的經(jīng)典算法,但這并不代表這樣的經(jīng)典算法不存在，所以還有待進一步研究證明。

但是，在業(yè)界大佬們看來，量子機器學習是個充滿無限遐想的領(lǐng)域。“深度學習帶來的變化已經(jīng)遠超十年前的估計，量子計算機對量子多體系統(tǒng)的模擬會給我們帶來哪些顛覆性的認識，量子與機器學習結(jié)合會對我們自身和自然界的理解和改變帶來哪些影響，這里有非常大的想象空間。”張勝譽說。

張勝譽介紹道，騰訊一直持續(xù)關(guān)注量子機器學習的方向。“我們團隊和法國的合作者IordanisKerenidis一起設(shè)計了第一個可證明有加速的神經(jīng)網(wǎng)絡(luò)量子算法，團隊在機器學習對量子物理和量子化學的理解上也在不停向前探索。我們希望能在這個令人期待的領(lǐng)域中做出一些踏實的貢獻。”

劉激揚也介紹道，國雙在機器學習領(lǐng)域不斷深耕，對量子機器學習等相關(guān)領(lǐng)域最新動態(tài)亦保持高度關(guān)注。他說，目前，該公司的產(chǎn)業(yè)人工智能平臺搭載包括機器學習、知識圖譜、自然語言處理等人工智能技術(shù)與算法，在數(shù)字營銷、司法大數(shù)據(jù)、工業(yè)互聯(lián)網(wǎng)等領(lǐng)域都積累了豐富的實踐經(jīng)驗及成功案例，切實的幫助客戶提升生產(chǎn)運營效率。

“除了持續(xù)推動 ‘AI+行業(yè)解決方案’服務(wù)模式落地外，我們會跟進量子機器學習的進展并積極部署，思索如何將這些新興技術(shù)融入國雙獨有的產(chǎn)業(yè)人工智能平臺，致力落實用技術(shù)改變產(chǎn)業(yè)，為客戶實現(xiàn)智能化轉(zhuǎn)型而努力。”劉激揚說。

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。