連接AI和量子計算，英特爾、Mobileye宣佈最新突破科技頭條網

如今，深度學習在很多方面都取得成功，但幾乎沒有理論可以解釋這一現象。正如 Facebook 人工智能團隊的首席科學家 Yann LeCun 所說，深度學習與蒸汽機的發展有些相似，因為蒸汽機也是比熱動力理論超前很多年出現。

2019 年 3 月 13 日的深度學習科學會議（由美國國家科學院舉辦）上，英特爾的高級副總裁及 Mobileye 的董事長兼 CEO Amnon Shashua 報告了他們關於深度學習理論的最新研究。

該報告相關的文章——“深度學習架構中的量子糾纏”於 2019 年 2 月 12 日發表在《Physical Review Letters 》期刊上。該項研究工作證明了深度學習可以解決一些問題，並由此提出了一個有前途的量子計算發展方向。這得益於兩個最成功的神經網絡模型中的冗餘信息，即卷積神經網絡（convolutional neural nets，簡稱CNNs）和循環神經網絡模型（recurrent neural networks，簡稱RNNs）。

Amnon Shashua 是希伯來大學（位於耶路撒冷）計算科學專業的教授，在1999 年與 Ziv Aviram 一起創立了 Mobileye。作為開發高級駕駛輔助系統的全球先行者，Mobileye 在 2018 年被英特爾以 141 億美元的價格收購。

（來源：英特爾、Mobileye ）

與深度學習正相反，量子計算領域有很多計算理論，但是實際應用卻很少。多年以來，Shashua 等研究人員一直思索如何模擬所謂的多體問題的量子計算。物理學家 Richard Mattuck 定義了“多體問題”研究，即研究多個實體間的相互作用對一個多體系統行為的影響。多體系統中還涉及了電子、原子、分子或者其他實體。

Shashua 團隊證明了，CNNs 和 RNNs 比傳統的機器學習方法更好，比如“受限玻爾茲曼機（Restricted Boltzmann Machine，簡稱RBM）”。RBM 是在1986 年提出的一種生成式隨機神經網絡方法，可謂是物理研究中的中流砥柱，尤其在量子理論模擬方面。

Shashua 等在文章中寫道，“CNNs 和 RNNs 中的深度學習架構可以高效地模擬高度糾纏的量子系統。”

糾纏是指量子系統中多體相互作用之間的相關性。目前的量子計算頗具優勢，能夠以驚人的效率計算糾纏。利用傳統的電子計算去模擬這些是非常困難的的，甚至是不可能的。

他們寫道，“我們的研究量化了深度學習的強大功能，能夠以高糾纏波函數進行表示，並且理論上推動了深度學習架構在多體物理研究領域裡的運用。”

研究人員將 CNNs 和 RNNs 應用到他們設計的擴展中，進行研究。他們將此稱之為“ trick” 。結果證明，CNNs 和 RNNs 結構包含了最基本的信息“重複使用”。

比如，利用 CNN 模型時，“內核”，即在圖像上運行的滑動窗口，在每一時刻都會重疊，因此圖像的一部分被多次攝取到 CNN 中。利用 RNN 模型時，神經網絡每一層的信息存在循環利用，類似於重複使用。

這樣的架構特點使得神經網絡表示度產生指數級增長，而計算參數和成本則只是線性增長。換句話說，CNN 和 RNN 通過冗餘的優點，通過堆疊多個層實現，在計算方面可以更有效地進行事物“表示”。

比如說，一個傳統“全連接”神經網絡的計算時間是所需表示的實體數目的平方。RBM 更好，其計算時間與實體數目呈線性關係。不過，CNN 和 RNN 還要好，其計算時間是實體數目的平方根。

這些特性表明，體積定律糾纏標度的建模方面，深度卷積網絡比傳統神經網絡方法更具顯著優勢。實際上，重疊的卷積網絡可以支持任何尺寸為 100×100 的二維繫統的糾纏，而這種糾纏是傳統方法無法實現的。

傳統的Tensor Network（簡稱TN）不支持信息重複利用，因此研究人員不得不用他們的“trick”。他們開發了修改版的 CNN 和 RNN，即CAC（convolutional arithmetic circuit）和 RAC（recurrent arithmetic circuit）。