在經歷了數十年的研究後，量子計算機現在的計算能力已經超越了其他所有計算機。人們常認為，量子計算機的殺手級應用可以對大數進行因數分解——這對現代加密技術至關重要。但是實現這一點至少還要再等十年。不過，當前基本的量子處理器已經可以滿足機器學習的計算需求。量子計算機在一個步驟之內可以處理大量的數據，找出傳統計算機無法識別出的微妙模式，在遇到不完整或不確定數據時也不會卡住。“量子計算和機器學習固有的統計學性質之間存在著一種天然的結合。
你可能能會認為量子機器學習系統應該很強大，但是這種系統實際上卻像是患有某種閉鎖綜合症。量子機器學習系統處理的是量子態，而不是人類可以理解的數據，量子態和數據的相互轉換會使系統原有的優勢消失。就像是，iPhone X原本的參數和性能都很強，但是如果網絡信號太差的話，它就會和老式手機一樣慢。在一些特殊情況中，物理學家可以克服輸入輸出障礙，但是這些情況是否存在於現實機器學習任務中？答案仍然是未知的。
量子神經元
無論是傳統神經網絡，還是量子神經網絡，它們的主要任務都是識別模式。受人類大腦的啟發，神經網絡由基本的計算單元（即“神經元”）構成。每個神經元都可以看作為是一個開關設備。一個神經元可以監測多個其他神經元的輸出，就像是投票選舉一樣，如果足夠多的神經元處於激活狀態，這個神經元就會被激活。通常，神經元的排列呈層狀。初始層導入輸入，中間層生成不同組合形式的輸入，最後一層生成輸出。需要注意的是，神經元之間的連接需要經過反覆試驗進行調整，不是預先確定的。例如，給神經網絡輸入帶有“小貓”或“小狗”標籤的圖像。網絡會給每一張圖像分配一個標籤，檢查是否匹配正確，如果不正確就調整神經元連接。剛開始時網絡的預測是隨機生成的，但是其準確度會越來越高；在經過10000個實例的訓練之後，網絡將能識別圖像中的寵物。正規的神經網絡可能擁有10億個神經元連接，所有連接都需要進行調整。
在進行運算時，量子計算機可以利用量子系統的指數屬性。量子系統的大部分信息儲存能力並不是靠單個數據單元——qubit（對應於傳統計算機中的bit）實現的，而是靠這些qubit的共同屬性實現的。兩個qubit帶有四個連接狀態：開/開、關/關、開/關、關/開。每個連接狀態都分配有一個特定的權重或“幅值”，代表一個神經元。三個qubit可以代表八個神經元。四個qubit可以代表16個神經元。機器的運算能力呈指數增長。實際上，整個系統處處都分佈有神經元。當處理4個qubit的狀態時，計算機一步可以處理16個數字，而傳統的計算機只能一步只能處理一個。
讓系統本身解決問題
目前為止，我們只在4 qubit的計算機上實現了基於量子矩陣代數的機器學習。量子機器學習在實驗上取得的大部分成功都採用了一種不同的方法：量子系統不只是模仿網絡，它本身就是網絡。每個qubit代表一個神經元。雖然這種方法無法讓計算機利用指數屬性所帶來的優勢，但是它可以讓計算機利用量子物理學的其他特性。
在運行量子系統時，必須先施加一個水平的磁場，這個磁場可以將qubit預置為向上和向下的均等疊加——等同於空白狀態。輸入數據的方法有好幾種。在某些情況中，你可以將某一層qubit固定在預期的輸入值；不過多數情況下，應將輸入導入到qubit的相互作用的範圍內。然後讓qubit相互作用。某些qubit朝同一方向排列，某些qubit朝相反方向排列，在水平磁場的作用下，它們會翻轉到它們選擇的方向。通過這樣做，這些qubit可以觸發其他qubit進行翻轉。由於很多qubit都沒對準方向，剛開始時會發生很多翻轉。等到翻轉停止後，你可以關閉水平磁場，將qubit鎖定在固定位置。此時，qubit處於朝上和朝下的疊加狀態，這種狀態可以確保輸出與輸入相對應。
量子智能
許多神經科學家現在認為人類思維的結構反映了身體的要求，實際上機器學習系統也囊括萬千。這些系統所處理的圖像、語言和大多數其他數據都來自於真實世界，這些數據反映了世界的種種特徵。同樣，量子機器學習系統也是包羅萬象的，它所反映的世界要遠遠大於我們的世界。毫無疑問，量子機器學習系統將在處理量子數據上大放光彩。當數據不是圖像，而是物理學或化學實驗的產物時，量子計算機將會大顯神通。如果解決了數據輸入問題，傳統的計算機就將會被完全淘汰。
神經網絡和量子處理器有一個共同點：那就是它們竟然能實現。訓練神經網絡絕不是想當然能做到的，過去幾十年間，大多數人都對是否能做到持質疑態度。同樣，量子物理學是否能被用在計算上也不好說，因為我們對量子物理學獨特的能力還知之甚少。但是神經網絡和量子處理器都已實現，雖然並不是總能實現，但是還是超出了我們的預期。考慮到這一點，量子物理學和神經網絡的結合很可能會在未來擦出不一樣的火花！
閱讀更多 21科學之家 的文章
