把技术中最时髦的两个术语——机器学习和量子计算机——放在一起，你就会得到量子机器学习。就像《复仇者联盟》的漫画书和电影一样，它们汇集了一批全明星超级英雄来组建一支梦之队，其结果可能会引起很多关注。但在技术方面，就像在小说中一样，想出一个好的情节是很重要的。
如果量子计算机能够在足够大的规模上制造出来，它们有望通过利用亚原子世界的独特特性，比普通数字电子更有效地解决某些问题。多年来，研究人员一直想知道这些问题是否包括机器学习，这是一种人工智能(AI)形式，计算机用于发现数据中的模式，并学习可用于在不熟悉的情况下进行推理的规则。
现在，随着备受瞩目的人工智能系统ChatGPT的发布，以及量子计算机的规模和能力的快速增长，这两项技术都在向前迈进。ChatGPT依靠机器学习，通过推断文本中单词之间的关系，为其诡异的类人对话提供动力。把两者结合起来会有什么用处吗？
许多科技公司，包括谷歌和IBM等老牌公司，以及加利福尼亚州伯克利的Rigetti和马里兰州College Park的IonQ等初创公司，都在研究量子机器学习的潜力。学术科学家也有强烈的兴趣。
位于瑞士日内瓦郊外的欧洲粒子物理实验室CERN已经使用机器学习来寻找大型强子对撞机生成的数据中产生某些亚原子粒子的迹象。那里的科学家是正在进行量子机器学习实验的学者之一。
欧洲核子研究中心量子计算和机器学习研究小组负责人、物理学家Sofia Vallecorsa表示：“我们的想法是使用量子计算机来加快或改进经典的机器学习模型。”。
一个尚未回答的大问题是，在某些情况下，量子机器学习是否比经典机器学习更具优势。理论表明，对于专门的计算任务，如模拟分子或寻找大整数的素数，量子计算机将加快计算速度，否则计算时间可能比宇宙年龄更长。但研究人员仍然缺乏足够的证据证明机器学习也能这样。其他人说，量子机器学习可以发现经典计算机错过的模式——即使它没有更快。
南非德班的物理学家Maria Schuld说，研究人员对量子机器学习的态度在两个极端之间转变。总部位于加拿大多伦多的量子计算公司Xanadu的Schuld表示，人们对这种方法的兴趣很高，但研究人员似乎越来越对短期应用前景的缺乏感到无奈。
一些研究人员开始将重点转移到将量子机器学习算法应用于固有量子现象的想法上。剑桥麻省理工学院的物理学家Aram Harrow表示，在量子机器学习的所有拟议应用中，这是“具有相当明显量子优势的领域”。
在过去的20年里，量子计算研究人员开发了大量量子算法，理论上可以提高机器学习的效率。2008年，Harrow与麻省理工学院物理学家Seth Lloyd和Avinatan Hassidim(现就职于以色列拉马特甘的巴伊兰大学)一起发明了一种量子算法，该算法在求解大型线性方程组方面比经典计算机快数倍，这是机器学习的核心挑战之一。
但在某些情况下，量子算法的前景并没有实现。一个引人注目的例子发生在2018年，当时计算机科学家Ewin Tang找到了一种方法来击败2016年设计的量子机器学习算法。量子算法旨在提供Netflix等互联网购物公司和服务在客户先前选择的基础上向他们提供的建议类型，而且它在提出此类建议方面比任何已知的经典算法都快得多。
Tang当时是得克萨斯大学奥斯汀分校(UT)的一名18岁本科生，他写了一个几乎同样快的算法，但可以在普通计算机上运行。唐的顾问、UT量子计算研究员Scott Aaronson表示，量子推荐是一个罕见的算法例子，它似乎能在实际问题中显著提高速度，因此她的工作“使实际机器学习问题的指数量子加速目标比以前更加遥不可及”。现就读于加州大学伯克利分校的唐表示，她仍然“非常怀疑”任何关于机器学习中量子加速的说法。
一个潜在的更大的问题是，经典数据和量子计算并不总是很好地结合在一起。粗略地说，一个典型的量子计算应用程序有三个主要步骤。首先，量子计算机被初始化，这意味着它的单个存储单元，称为量子比特或量子位，被置于一个纠缠的量子状态。接下来，计算机执行一系列操作，即对经典比特进行逻辑运算的量子模拟。在第三步中，计算机进行读出，例如通过测量携带量子运算结果信息的单个量子位的状态。这可能是机器内给定的电子是顺时针旋转还是逆时针旋转。
Harrow、Hassidim和Lloyd的算法有望加快第二步——量子运算。但在许多应用程序中，第一步和第三步可能非常缓慢，并抵消了这些收益。初始化步骤需要将“经典”数据加载到量子计算机上，并将其转换为量子态，这通常是一个效率低下的过程。由于量子物理本质上是概率性的，因此读数通常具有随机性，在这种情况下，计算机必须多次重复所有三个阶段，并对结果进行平均，才能得到最终答案。
西雅图华盛顿大学量子计算研究员Nathan Wiebe表示，一旦量化数据被处理成最终的量子态，可能也需要很长时间才能得到答案。Wiebe在10月份的一次量子机器学习研讨会上说：“我们只能从最薄的吸管里吸取这些信息。”
Schuld说：“当你问几乎任何研究人员量子计算机将擅长哪些应用时，答案是，‘可能，不是经典数据’。”。“到目前为止，没有真正的理由相信经典数据需要量子效应。”
Vallecorsa和其他人说，速度并不是评判量子算法的唯一标准。还有迹象表明，由机器学习驱动的量子人工智能系统可以学会识别数据中的模式，而经典的人工智能系统会错过这些模式。德国泽森DESY粒子物理实验室的物理学家卡尔·詹森说，这可能是因为量子纠缠建立了量子比特之间的相关性，从而建立了数据点之间的相关性。他说：“希望我们能检测到数据中的相关性，而这些相关性很难用经典算法检测到。”。
但是Aaronson不同意。量子计算机遵循众所周知的物理定律，因此，只要有足够的时间，它们的工作原理和量子算法的结果完全可以由普通计算机预测。Aaronson说：“因此，唯一感兴趣的问题是量子计算机是否比完美的经典模拟更快。”。
另一种可能性是通过对已经是量子的数据使用量子机器学习算法，完全避开翻译经典数据的障碍。
纵观量子物理学的历史，量子现象的测量被定义为使用“生活”在宏观经典世界中的仪器进行数值读数。但有一个新兴的想法涉及一种新兴的技术，称为量子传感，它允许使用纯量子仪器测量系统的量子特性。将这些量子态直接加载到量子计算机的量子位上，然后可以使用量子机器学习来发现模式，而无需与经典系统进行任何接口。
麻省理工学院物理学家、谷歌研究员Xin Yuan Huang表示，在机器学习方面，这可能比将量子测量作为经典数据点收集的系统有很大优势。“我们的世界本质上是量子力学的。如果你想拥有一台可以学习的量子机器，它可能会更强大，”他说。
Huang和他的合作者在谷歌的一台Sycamore量子计算机上进行了原理验证实验4。他们将其中的一些量子位用于模拟一种抽象材料的行为。处理器的另一部分随后从这些量子位中获取信息，并使用量子机器学习进行分析。研究人员发现，这项技术比传统的测量和数据分析要快得多。
Huang说，在量子世界中充分收集和分析数据，可以使物理学家解决经典测量只能间接回答的问题。其中一个问题是，某种材料是否处于特定的量子态，从而使其成为超导体——能够以几乎为零的电阻导电。经典实验要求物理学家间接证明超导性，例如通过测试材料对磁场的反应。
Jensen说，粒子物理学家也在研究使用量子传感来处理未来粒子对撞机产生的数据，比如在LUXE，一个将电子和光子粉碎在一起的DESY实验——尽管这个想法距离实现还有至少十年的时间，他补充道。相距遥远的天文台也可能使用量子传感器收集数据，并通过未来的“量子互联网”将其传输到中央实验室，在量子计算机上进行处理。希望这能使图像以无与伦比的清晰度被捕捉到。
如果这种量子传感应用被证明是成功的，那么量子机器学习就可以在结合这些实验的测量结果和分析由此产生的量子数据方面发挥作用。
最终，量子计算机是否会为机器学习提供优势将由实验决定，而不是通过数学证明其优势——或者缺乏优势。Harrow说：“我们不能指望一切都能像理论计算机科学那样得到证明。”。
“我当然认为量子机器学习仍然值得研究，”Aaronson说，无论最终是否会提高效率。舒尔德对此表示赞同。“我们需要在不受证明加速的限制的情况下进行研究，至少在一段时间内是这样。”
本文译自 nature，由 两个猪头 编辑发布。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
