通过机器学习证明量子计算指数级优势，加州理工博士生联合谷歌完成原理验证
source link: https://www.mittrchina.com/news/detail/11090
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
麻省理工科技评论-通过机器学习证明量子计算指数级优势，加州理工博士生联合谷歌完成原理验证
“近年来，许多人期望通过现有的量子计算机作为新型的机器学习算法，来给出分析物理实验的量子优势。该研究给出了一个量子机器学习算法的物理实现，证明其相比于任何经典算法的量子优势，并实际于现有量子计算机示范此量子优势[1]。”
上述评论是莱顿大学莱顿高级计算机科学研究所副教授韦德兰 ·杜尼科 (VedranDunjko）发表在 Science 上的评论，他提及的研究是来自加州理工学院与谷歌量子人工智能、微软等团队的合作成果。
该研究首次在数个基本的学习问题上，呈现量子计算机拥有比经典计算机更强大的学习能力，并证明了其指数级量子优势。同时，在 Google Sycamore 量子处理器上，展示了这些量子优势在带有噪音的量子机器上仍旧存在。
6 月 9 日，相关论文以《从实验中学习的量子优势》（Quantum advantage in learning from experiments）为题发表在 Science 上[2]。
有望应用于发现新的多体物理性质、了解未知分子结构等领域
该研究结果明确地展现了量子机器可比任何经典机器，都更加有效地学习物理世界的运作法则，通过这项最基本的学习问题（建构一个未知多体系统的模型）中所获得的数学技术，研究人员证明了量子学习机器在许多其他的学习问题（主成 分分析、学习物理演化）也都具有指数级的加速。
其中，在 Google Sycamore 量子处理器上使用多达 40 个量子位的原理验证实验中，该团队在最著名的经典下限上，实现了所需实验数量的几乎 4 个数量级的减少。
该论文第一作者兼共同通讯作者、加州理工学院计算与数学科学系博士生黄信元表示，“我们考虑了一个最基本的学习问题，给定一个未知的多体物理系统，透过实验去建构这个系统的模型，可使用该模型来预测这个未知系统的各种性质。”
虽然该研究仍处于基础的研究阶段，但该成果展示了量子人工智能技术如何帮助科学家更有效地通过实验学习物理系统的性质。“随着量子科技的进步，我相信这项成果会为量子机器学习带来新的方向。有望应用于发现新的多体物理性质、了解未知分子的结构、设计更好的药物、催化剂、材料、电池等。”他说。
每个电子可看作一个量子位元，在该实验中， 黄信元考虑到一个多电子系统，电子之间有一些经典的关联（如果某一个电子朝上，那另一电子必定朝下等）。而他们希望可以透过最少次的实验去建构这个系统的模型，来预测电子之间的关联。
该团队通过数学证明学习问题对于经典学习机器需要指数大的实验，但是对于一 个量子学习机器则非常简单。“其中最重要的概念是，量子机器可储存资讯于量子记忆体中，并对于这些量子资讯进行量子计算。这使得我们更清晰地看到多电子系统中，不同电子之间的经典关联。”黄信元表示。
实际上，该团队最想确认的问题在于，量子计算机是否可以拥有更强大的学习能力。虽然以往研究在该方面进行了大量探索，但是结果仍然非常不明朗。一开始，有学者猜测量子计算机可以在很多的机器学习问题上（如推荐系统、分类问题、 主成分分析等）获得指数级的加速，并提出了各种量子演算法。
但是过去几年，从华盛顿大学理论计算机科学系博士生唐伊文（音译，Ewin Tang）开始的一系列进展，一些学者发现在很多的问题上，可设计更好的经典机器学习算法。而相较于这些更好的经典演算法，许多已知的量子演算法并不具有指数级加速。
除此之外， DeepMind 的开源量子化学 AI 模型 DM21 等近期的技术进展，一再展 现了经典机器学习算法在量子多体物理问题（如分子结构、基态性质等）的有效 性。
这不禁让人们开始怀疑，量子计算机在学习能力上，包括古典问题、如分类猫与狗，或量子问题、如预测分子结构等方面，会不会无法得到非常显著的优势？黄信元表示：“这次研究，我们期望可以更加了解量子机器是否能拥有比经典机器。（包括现有的电脑以及人脑等）更强大的学习能力。而我们给出的数学证明及完成的物理实验，证实了量子机器的确拥有更強大的学习能力。”
未来的人工智能将基于量子计算
黄信元本科毕业于台湾大学，他大学时期的主要研究方向是经典机器学习、以及深度学习。确认要在量子计算方向深耕的契机是在大四时接触到量子计算后，他了解到量子计算从本质上来看，具有比经典计算更强的计算能力，且学习能力和计算能力有很强的正相关。
“我相信未来的人工智能必定是基于量子计算而非古典计算，虽然量子计算仍处于非常实验性的阶段，我认为通过数学分析及操作这些現有的量子计算机，便可以开始探索这些量子人工智能究竟可以比经典人工智能强上多少、强在哪里。” 他说。
从那之后， 黄信元的科学研究便围绕在这个主题上。尽管经典人工智能的数学理论仍在发展当中，许多的现有理论已足够让人们获得对于量子人工智能更好地理解。
目前， 他在加州理工学院计算与数学科学系读博，师从约翰·普雷斯基尔 (John Preskill) 教授和托马斯·维迪克（Thomas Vidick）教授。在做了很多相关研究后，黄信元通过研究量子机器学习，也发现了许多对于量子信息的新理解。在理论的世界里，许多看似非常不相干的数学物件，其实紧密相连，这些隐藏的连结也使他深受理论研究吸引。
谈及量子计算的未来发展，黄信元表示，相信在接下来的数十年，科学家会利用 各种方法发展出拥有数个逻辑量子位的抗噪量子计算机。
“虽然我认为量子计算引领世界的技术跃进仍有些遥远，但我相信在理论方面， 接下来的十年，我们会更加了解量子学习机器的潜力，并同时通过計算学习理论来更加了解量子世界。”他说。
参考资料：
1.Vedran Dunjko Science 376, 6598,1154-1155(2022). DOI: 10.1126/science.abp9885
2.Hsin-yuan Huang et al. Science376, 6598， 1182-1186 (2022). DOI: 10.1126/science.abn7293
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK