当前位置： 测量装置 >> 测量装置前景 >> 量子计算人工智能量子智能或将定义人类未
导语：神经网络最初被提出来的时候便受到当时学界的一众嘲笑，而时至今日，这一颠覆性的技术正在改造我们世界的当下和未来。同样命运的还有量子计算，当一系列需要超级计算能力的科学问题急需解决的时候，量子计算+人工智能也许将是这些问题的解决之道，是人类未来社会的科技图景，更是21世纪最具颠覆性的技术成就。
早在上世纪90年代初，威奇托州立大学（WichitaStateUniversity）的物理学教授伊丽莎白·贝尔曼（ElizabethBehrman）就已经开始着手将量子物理和人工智能这两大领域结合起来，具体来说，就是在当时被学界斥为无稽之谈的神经网络技术。
当时，大多数人都认为这项技术的荒谬程度就好像要把油和水混合起来一样。她回忆说：“我有一段时间到处找寻期刊，想要发表我的文章。神经网络期刊拒绝了我：量子力学的东西为什么往我们这里发？而物理期刊又说：这篇有关神经网络的垃圾是什么？”
时至今日，这两个领域的结合已经是水到渠成了。神经网络和其他机器学习系统已经成为21世纪最具颠覆性的技术。机器与人工智能在许许多多的方面都已经胜过、替代了人类，不仅仅是在常见的诸如国际象棋和数据挖掘等方面，甚至连面部识别、翻译等一向适合人脑的感性方面，人工智能也大有取而代之之势。凭借着强大的运算能力，这些系统大放异彩，所有科技公司不可避免地要发展这种全新的技术。
量子计算机在经过数十年的研究之后，跟其他计算机比起来几乎有压倒性的优势。这其中起到关键作用的是量子计算的应用程序，这也是现代加密的关键。
不同于数十年前初创时的无人问津，现在量子计算领域可谓鲜花着锦，烈火烹油：谷歌，微软，IBM等科技巨头纷纷投入到量子机器学习中，多伦多大学的一家创业孵化公司也致力于此。莫斯科Skolkovo科学与技术学院的量子物理学家JacobBiamonte说：“机器学习正在成为一个流行词，而且当你把它和量子混合在一起时，它就成了一个超级流行词。”不同于数十年前初创时的无人问津，现在量子计算领域可谓鲜花着锦，烈火烹油：谷歌，微软，IBM等科技巨头纷纷投入到量子机器学习中，多伦多大学的一家创业孵化公司也致力于此。莫斯科Skolkovo科学与技术学院的量子物理学家JacobBiamonte说：“机器学习正在成为一个流行词，而且当你把它和量子混合在一起时，它就成了一个超级流行词。”
然而，虽然大多数人可能认为量子机器学习系统应该是强大的，但它却不尽完美。由于它是在量子状态，而非人类可读的数据状态下运行，所以这之间缓慢的转换速度足以抵消不少优势。就好比用一个最新的手机上网，却还用着2G网络，结果就是像用旧手机一样慢。
量子神经元
无论是经典神经网络还是量子神经网络，主要工作都是要识别图样。受人脑启发，它被设计为由基本计算单位“神经元”组成的网格。每个神经元都像开关装置一样简单，一个神经元监视多个其他神经元的输出；如果下级有足够多的神经元开启，这个神经元就会开启
通常情况下，神经元是分层排列的。初始层接受输入（如图像像素），中间层创建各种输入组合（表示边缘和几何形状等结构），最后一层产生输出（图像内容的高级描述）。
图
神经网络结构
来源：quantamagazine
重要的是，神经元之间的布局不是预先固定的，而是在一个反复试验的过程中逐渐适应。对于每个图像，神经元之间的连接起初都是随机的，但在之后会不断调整。一个正常的神经网络可能有十亿个连接，而且每个都会经历调整。
在经典的计算机上，所有这些互连都是用数字矩阵表示的，运行网络意味着做矩阵代数。传统上，这些矩阵操作是由专用芯片进行的，这样的运行速度远逊于量子计算机。麻省理工学院物理学家，量子计算先驱塞斯·劳埃德（SethLloyd）表示：“在量子计算机上，大型矩阵的操作速度堪称呈指数级增长。”
对于这个任务，量子计算机能够利用量子系统的指数性质。量子系统信息存储容量的大部分不在于它的单个数据单元——量子位，而在于这些量子位的集体性质。
两个量子位有四个联合状态：全开启，全关闭，开启/关闭，关闭/开启。每个状态都有一定的权重，可以代表一个神经元。如果添加第三个量子位，则可以表示八个神经元；四个量子位，16个神经元。因此,机器的容量是呈指数增长的。当机器在四个量子位的状态下工作时，一次处理16个数字，而经典的计算机将只能逐个处理这些数字。
劳埃德估计，60个量子位就足以对一年内人类产生的所有数据进行编码，个足以存储目前已知宇宙全部的、浩如烟海的信息。（目前最大的量子计算机，由IBM，英特尔和谷歌建造，有50个量子位。）
图
50量子位的IBM量子计算机
当然，目前学界面临的问题就是，量子计算机并不十全十美，存储信息的速度并不快于传统计算机。
如何让问题自然而解
到目前为止，基于量子矩阵代数的自我学习系统只在四量子位计算机上实现过。而且，大部分有关量子机器学习的成功实验其实都采取了不同的方法，比如把量子系统直接作为网络，每个量子位代表一个神经元。这样虽然没有了用状态代表神经元那样的指数爆炸性容量，但是却可以利用量子物理的其他特性。
这里，我们举出D-Wave系统作为例子。该系统的原理是，首先施加一个水平磁场，将量子位初始化为上下层相等的叠加。之后，输入数据，然后让量子位互动。有些位试图沿着相同的方向排列，有些沿着相反的方向排列，在水平领域的影响下，它们又会触发其他量子位翻转。然而，随着时间的推移，所有量子位最终会安顿下来，这时再关闭水平区域，将其锁定下来。
图
D-Wave——世界上第一台商用量子计算机
量子位的最终排列无法确定，这就是特点。这个系统只是自然而然地解决了一个普通的计算机会遇到的问题。发明了D-Wave系统运行原理的东京理工学院的物理学家HidetoshiNishimori解释说：“我们不需要算法。这种方法与传统的编程完全不同，信息转换速度的问题自然而然地迎刃而解。“
去年，由加利福尼亚理工大学的粒子物理学家玛丽亚·斯皮罗波卢（MariaSpiropulu）和USC的物理学家丹尼尔·里达尔（DanielLidar）领导的小组将机器学习算法应用于一个实际的物理问题：将质子碰撞分类为“希格斯玻色子”或“无希格斯玻色子”。他们用基本的粒子理论来预测哪些光子性质可能会在希格斯玻色子上出现，比如超过某个阈值的动量。研究小组预设了8个这样的属性和及其28种组合，并用D-Wave系统找到答案：它确定了其中的三种组合。与标准程序相比量子机器只需要更少的数据，即可准确识别结果。
里达尔说：“如果用于训练的集合很小，那么量子方法确实比传统的高能物理学方法具有更高的精度。”
瓶颈的出现
然而，量子计算中目前还存在着不少悬而未决的问题。如，在矩阵代数算法中，单个操作可以操纵16个数字的矩阵，但是仍然需要16个操作来加载矩阵。
还有，数据一旦被输入，就需要以一种量子系统能够与之交互的方式来存储它，而不会破坏正在进行的计算。研究人员曾提出了一种使用光子的量子RAM，但是这种方法对超导量子位或者捕获离子尚不能起作用。
还有一个问题：如何得到想要的数据？这意味着要测量机器的量子状态，但是量子计算机不但一次只能返回一个数字，而且随机抽取一个数字后，代表它的状态就会消除，这意味着在我们检索之前所有的数据就已经被抹除了。因此，目前只能通过一遍又一遍地运行算法，来提取量子计算中的信息。所有这些，都亟待学界去思考解决的方法。也许这些问题能妥善解决之日，就是量子计算真正走上舞台之时。
量子智能最终能否实现？
抛开之前的话题，我们再来看量子应用的另一方面。微软研究公司的量子计算研究员内森维贝（NathanWiebe）说：“给定一个足够大，足够快的量子计算机，我们可以彻底改变机器学习的许多领域。”
机器学习不仅仅是一堆算法的问题。这是一个复杂的领域，有自己的特定结构。正如许多神经科学家现在认为人类思维的结构反映了身体的要求，机器学习系统也体现了这一点。流经它们的图像，语言等数据都来自物质世界，并反映其本质。同样，量子机器学习也会体现其量子特性。这其中一个广受吸引的领域就是，如何处理已经是量子的数据。当数据不是图像，而是物理或化学实验的产物时，量子计算机取代传统计算机，再也没有输入问题，一切都将大不相同。
图
物理学家玛丽亚·斯皮罗波卢（MariaSpiropulu）利用量子计算机寻找希格斯波色子
神经网络和量子处理器有一个共同点：它们的工作方法煞是神奇。想要训练一个网络听起来像是天方夜谭，大多数人都十分怀疑它的可行性。同样，我们也还不能将量子物理学用于计算，因为目前我们对量子物理学还了解甚少。然而，两者都总还是有希望的。究竟能否凭此衍生出未来的量子智能，达到自主学习的程度，我们且拭目以待吧。
编辑
褚茗帆
审校
Soybean
致敬科技未来
分享才是热爱
TechPower科技力
热爱因科技而发生
