未來的量子計算機應(yīng)該能夠進行超快速和可靠的計算。今天，這仍然是一個重大挑戰(zhàn)?，F(xiàn)在，由蘇黎世聯(lián)邦理工學院領(lǐng)導的計算機科學家對可靠的量子機器學習進行了早期探索。

采集蘑菇的人都知道，有毒的和無毒的最好分開。更不用說如果有人吃了有毒的東西會發(fā)生什么。在這樣的“分類問題”中，需要我們區(qū)分某些對象并通過特征將我們正在尋找的對象分配給某些類，計算機已經(jīng)可以為人類提供有用的支持。

智能機器學習方法可以識別模式或?qū)ο蟛⒆詣訌臄?shù)據(jù)集中挑選它們。例如，他們可以從照片數(shù)據(jù)庫中挑選出無毒蘑菇的照片。特別是對于非常龐大和復雜的數(shù)據(jù)集，機器學習可以提供人類無法發(fā)現(xiàn)的有價值的結(jié)果，或者只有更多的時間才能發(fā)現(xiàn)。然而，對于某些計算任務(wù)，即使是當今可用的最快的計算機也達到了它們的極限。這就是量子計算機的偉大前景發(fā)揮作用的地方：有一天它們也將執(zhí)行經(jīng)典計算機在有用的時間內(nèi)無法解決的超快速計算。

這種“量子霸權(quán)”的原因在于物理學：量子計算機通過利用原子或分子內(nèi)或基本粒子之間發(fā)生的某些狀態(tài)和相互作用來計算和處理信息。

量子態(tài)可以疊加和糾纏的事實創(chuàng)造了一個基礎(chǔ)，使量子計算機能夠訪問一組從根本上更豐富的處理邏輯。例如，與經(jīng)典計算機不同的是，量子計算機不是用二進制代碼或比特來計算，它們只將信息處理為 0 或 1，而是用量子比特或量子比特，它們對應(yīng)于粒子的量子態(tài)。關(guān)鍵的區(qū)別在于，量子位不僅可以在每個計算步驟中實現(xiàn)一種狀態(tài)——0 或 1，而且還可以實現(xiàn)兩者疊加的狀態(tài)。這些更通用的信息處理方式反過來又允許在某些問題中大幅提高計算速度。

量子計算的這些速度優(yōu)勢也是機器學習應(yīng)用的機會——畢竟，量子計算機可以計算機器學習方法所需的大量數(shù)據(jù)，以比經(jīng)典計算機更快地提高其結(jié)果的準確性。

然而，要真正發(fā)揮量子計算的潛力，必須使經(jīng)典的機器學習方法適應(yīng)量子計算機的特性。例如，算法，即描述經(jīng)典計算機如何解決某個問題的數(shù)學計算規(guī)則，必須為量子計算機制定不同的公式。為機器學習開發(fā)運行良好的“量子算法”并非易事，因為在此過程中仍有一些障礙需要克服。

一方面，這是由于量子硬件。在蘇黎世聯(lián)邦理工學院，研究人員目前擁有最多可處理 17 個量子位的量子計算機(參見 2021 年 5 月 3 日的“蘇黎世聯(lián)邦理工學院和 PSI 發(fā)現(xiàn)量子計算中心”)。但是，如果有一天量子計算機要充分發(fā)揮其潛力，它們可能需要數(shù)千到數(shù)十萬個量子比特。

量子噪聲和錯誤的必然性

量子計算機面臨的一項挑戰(zhàn)是它們?nèi)菀壮鲥e。今天的量子計算機在非常高的“噪音”水平下運行，因為錯誤或干擾在技術(shù)術(shù)語中是眾所周知的。對于美國物理學會來說，這種噪音是“擴大量子計算機規(guī)模的主要障礙”。不存在用于糾正和減輕錯誤的綜合解決方案。目前還沒有找到生產(chǎn)無差錯量子硬件的方法，50 到 100 個量子比特的量子計算機太小，無法實現(xiàn)校正軟件或算法。

在某種程度上，人們不得不接受這樣一個事實，即原則上量子計算中的錯誤是不可避免的，因為具體計算步驟所基于的量子態(tài)只能用概率來區(qū)分和量化。另一方面，可以實現(xiàn)的是將噪聲和擾動的程度限制到這樣的程度的程序，即計算仍然提供可靠的結(jié)果。計算機科學家將可靠運行的計算方法稱為“穩(wěn)健”，并且在這種情況下也提到了必要的“容錯”。

這正是由 ETH 計算機科學教授兼 ETH AI 中心成員 Ce Zhang 領(lǐng)導的研究小組最近探索的，不知何故，在努力推理經(jīng)典分布的穩(wěn)健性以構(gòu)建更好的機器時，不知何故“偶然”學習系統(tǒng)和平臺。他們與上海交通大學的劉娜娜教授和伊利諾伊大學厄巴納分校的李博教授共同開發(fā)了一種新方法。這使他們能夠證明某些基于量子的機器學習模型的魯棒性條件，保證量子計算可靠且結(jié)果正確。研究人員在科學期刊“npj Quantum Information”上發(fā)表了他們的方法，這是同類方法中的第一種。

防止錯誤和黑客

“當我們意識到量子算法與經(jīng)典算法一樣容易出現(xiàn)錯誤和擾動時，我們問自己如何估計某些機器學習任務(wù)的這些錯誤和擾動的來源，以及我們?nèi)绾伪ＷC所選算法的魯棒性和可靠性方法，”張策課題組的博士后趙志寬說。“如果我們知道這一點，我們就可以相信計算結(jié)果，即使它們很嘈雜。”

研究人員以量子分類算法為例研究了這個問題——畢竟，分類任務(wù)中的錯誤很棘手，因為它們會影響現(xiàn)實世界，例如，如果有毒蘑菇被歸類為無毒。也許最重要的是，使用量子假設(shè)檢驗的理論——受到其他研究人員最近在經(jīng)典環(huán)境中應(yīng)用假設(shè)檢驗的工作的啟發(fā)——允許區(qū)分量子狀態(tài)，ETH 研究人員確定了一個閾值，高于該閾值，量子分類的分配算法保證是正確的，其預(yù)測是穩(wěn)健的。

通過他們的魯棒性方法，研究人員甚至可以驗證錯誤的、有噪聲的輸入的分類是否產(chǎn)生與干凈、無噪聲的輸入相同的結(jié)果。根據(jù)他們的發(fā)現(xiàn)，研究人員還開發(fā)了一種保護方案，可用于指定計算的容錯性，無論錯誤是自然原因還是黑客攻擊操縱的結(jié)果。他們的健壯性概念適用于黑客攻擊和自然錯誤。

“該方法還可以應(yīng)用于更廣泛的量子算法類別，”Ce Zhang 的博士生、該出版物的第一作者 Maurice Weber 說。由于量子計算中誤差的影響隨著系統(tǒng)規(guī)模的增加而增加，他和趙現(xiàn)在正在對這個問題進行研究。“我們樂觀地認為，我們的穩(wěn)健性條件將被證明是有用的，例如，與旨在更好地理解分子電子結(jié)構(gòu)的量子算法結(jié)合使用。”

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！