據(jù)國外媒體報道，美國著名科技媒體《連線》撰文分析了量子計算在機器學(xué)習(xí)系統(tǒng)中應(yīng)用的優(yōu)勢、弊端以及現(xiàn)有范例，表示兩者的結(jié)合或終將修成正果，解決人工智能等諸多問題。

　　早在上世紀(jì)90年代，威奇塔州立大學(xué)的物理學(xué)教授伊麗莎白⋅貝爾曼(Elizabeth Behrman)開始致力于研究量子物理與人工智能的結(jié)合，而其中的神經(jīng)網(wǎng)絡(luò)在當(dāng)時還堪稱是特立獨行的技術(shù)。大多數(shù)人認為她在把油和水進行混合。她回憶說：“我花了很長時間才把論文出版。與神經(jīng)網(wǎng)絡(luò)相關(guān)的期刊會說，’量子力學(xué)是什么?’，物理期刊會說，’神經(jīng)網(wǎng)絡(luò)是什么?’”

　　但到今天，兩者之間的結(jié)合似乎成了世界上最自然的事情。神經(jīng)網(wǎng)絡(luò)和其他機器學(xué)習(xí)系統(tǒng)已成為21世紀(jì)最具破壞性的技術(shù)。它們的能力遠超出人類，不僅在國際象棋和數(shù)據(jù)挖掘等方面表現(xiàn)出眾，而且在人類大腦所擅長的面部識別、語言翻譯等方面進展迅速。通過后臺的強大算力，這些系統(tǒng)的價值不斷凸顯。對于科技公司來說，尋找更大算力的新型計算機不可避免。

　　經(jīng)過數(shù)十年的研究，量子計算機相比于其他類型計算機已經(jīng)具有足夠的優(yōu)勢來執(zhí)行超越地球上任何其他計算機的計算。通常認為其上運行的殺手級應(yīng)用程序能夠解析大數(shù)據(jù)，這也是現(xiàn)代加密技術(shù)的關(guān)鍵問題。

　　但這一技術(shù)要落地依舊還需要十多年的時間。在今天，初級量子處理器完全能夠匹配機器學(xué)習(xí)的需求，這種計算機通過對大量數(shù)據(jù)的操作，解析出傳統(tǒng)計算機無法識別的細微模式，并且不會因數(shù)據(jù)的不完整或不確定性而受到影響。 “量子計算的內(nèi)在統(tǒng)計特性與機器學(xué)習(xí)技術(shù)之間有著天然的耦合性，”位于加利福尼亞州伯克利的量子計算機公司Rigetti Computing物理學(xué)家約翰奧特巴赫(Johannes Otterbach)如是指出。

　　可以說，關(guān)于量子技術(shù)發(fā)展的鐘擺正處于一端的高點。谷歌，微軟，IBM以及其他科技巨頭紛紛投入量子機器學(xué)習(xí)，而多倫多大學(xué)的創(chuàng)業(yè)孵化器也致力于此。 “‘機器學(xué)習(xí)’正在成為業(yè)界的一種流行語，”莫斯科斯科爾科沃科學(xué)與技術(shù)學(xué)院的量子物理學(xué)家雅各伯⋅比亞蒙特(Jacob Biamonte)說，“當(dāng)你把它與‘量子’結(jié)合在一起時，它就成了一個超級流行詞。”

　　然而，“量子”這個詞本身并沒有任何意義。即便你或許會認為量子機器學(xué)習(xí)系統(tǒng)應(yīng)該是強大的，但它卻受到了類似于閉鎖綜合癥的影響。它需要在量子狀態(tài)下運行，而非在人類可讀的數(shù)據(jù)上進行操作，而兩者之間的轉(zhuǎn)換可能會抹殺其最大的優(yōu)勢。就像現(xiàn)有的iPhone X一樣，雖然配置很高，功能很強，但如果網(wǎng)絡(luò)不好的話，也會和舊手機一樣慢。在特定的情況下，物理學(xué)家或許可以克服這種輸入輸出的瓶頸，但是在實際的機器學(xué)習(xí)任務(wù)中如何解決相關(guān)問題我們?nèi)匀皇遣坏枚?“我們還沒有明確的答案，”奧斯汀得克薩斯大學(xué)計算機科學(xué)家斯科特⋅阿倫森(Scott Aaronson)說，其在量子計算方面一直保持著清醒的頭腦， “人們往往并不在乎這些算法是否會加快處理速度。”

　　量子神經(jīng)元

　　無論是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)還是量子神經(jīng)網(wǎng)絡(luò)，其主要工作都是識別模式。這種技術(shù)主要由人類大腦啟發(fā)而來，是由所謂“神經(jīng)元”構(gòu)成的網(wǎng)絡(luò)。每個基本神經(jīng)元像開關(guān)一樣簡單，而一個神經(jīng)元能夠監(jiān)視多個其他神經(jīng)元的輸出，如果有足夠多的神經(jīng)元開啟，它也就會轉(zhuǎn)換狀態(tài)。通常神經(jīng)元排列成層，初始層接受諸如圖像像素等輸入，中間層創(chuàng)建表示圖形邊緣和幾何形狀等結(jié)構(gòu)的各種輸入組合，而最后一層則產(chǎn)生諸如關(guān)于圖像的高級描述等輸出內(nèi)容。

　　圖示：神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

　　至關(guān)重要的是，這種結(jié)構(gòu)并不是事先確定的，而是在反復(fù)試驗的過程中進行相應(yīng)調(diào)整。神經(jīng)網(wǎng)絡(luò)可能會被輸入標(biāo)有“小貓”或“小狗”等定義的圖像。對于每個輸入的圖像，它會分配一個標(biāo)簽，檢查結(jié)構(gòu)是否與圖像匹配，如果不是則調(diào)整神經(jīng)元連接。起初機器等這種“猜測”是隨機的，但會越來越好;比如在處理10000個學(xué)習(xí)樣例后，神經(jīng)網(wǎng)絡(luò)能夠達到更好的效果。一個大型神經(jīng)網(wǎng)絡(luò)可能有十億個互連，所有這些都需要在訓(xùn)練中進行反復(fù)調(diào)整。

　　在經(jīng)典的計算機上，所有這些互連都由一個巨大的數(shù)字矩陣表示，運行神經(jīng)網(wǎng)絡(luò)實際上意味著做矩陣代數(shù)。通常，這些矩陣處理是由諸如圖形處理單元的專用芯片所完成的。但是沒有什么能夠像量子計算機一樣處理矩陣。麻省理工學(xué)院物理學(xué)家、量子計算先驅(qū)賽斯⋅勞埃德(Seth Lloyd)表示：“在量子計算機上處理大型矩陣和大型矢量的速度更快。”

　　量子計算機能夠利用量子系統(tǒng)的指數(shù)性質(zhì)進行矩陣運算。在量子計算機中，與傳統(tǒng)計算機中最小的數(shù)據(jù)存儲單位比特所對應(yīng)的是量子比特，但量子系統(tǒng)的信息存儲容量并不依賴于其單個的數(shù)據(jù)單元 ，而是這些量子比特的表征疊加。兩個量子比特共有四個疊加狀態(tài)：00，01，10，11。每個都代表一定的權(quán)重或“偏振度”，可以代表一個神經(jīng)元。如果有三個量子位，則可以代表八個神經(jīng)元，以此類推，四個量子比特就可以代表16個神經(jīng)元。機器的容量呈指數(shù)級增長。實際上整個神經(jīng)網(wǎng)絡(luò)系統(tǒng)中的神經(jīng)元都處于一種游離態(tài)。結(jié)果就是，當(dāng)量子計算機在四個量子比特的狀態(tài)下工作時，一次能夠處理16個數(shù)字，而一臺傳統(tǒng)計算機則必須逐個處理這些數(shù)字。

　　勞埃德估計，60個量子比特所編碼的數(shù)據(jù)量就可以超過全人類一年所產(chǎn)生的數(shù)據(jù)量，而300個量子比特可以處理全宇宙的所有信息量。目前世界上最大的量子計算機由IBM，英特爾和谷歌聯(lián)合開發(fā)，擁有大約50個量子比特。阿倫森稱，如果假設(shè)一個傳統(tǒng)比特只是一個振幅的話，量子比特的振幅是連續(xù)量。實際中為了合理的實驗精度，一個量子比特可以存儲的位數(shù)多達15位。

　　但量子計算機強大的信息存儲能力并沒有讓它變得更快。你首先需要能夠利用這些量子位。 2008年，麻省理工學(xué)院物理學(xué)家阿蘭姆哈羅(Aram Harrow)和以色列巴伊蘭Bar-Ilan大學(xué)計算機科學(xué)家Avinatan Hassidim展示了如何用量子計算機完成矩陣求逆的關(guān)鍵代數(shù)運算。他們把其分解成可以在量子計算機上執(zhí)行的一系列邏輯運算，兩位科學(xué)家所開發(fā)的算法適用于各種機器學(xué)習(xí)技術(shù)，并不需要像諸如數(shù)據(jù)分解等算法步驟。計算機可以在篩除噪聲之前通過分類任務(wù)進行數(shù)據(jù)壓縮——這也是當(dāng)今技術(shù)的一個主要限制因素——或許會解決運算問題。 IBM托馬斯⋅J⋅沃森(Thomas J. Watson)研究中心的克里斯坦⋅特米(Kristan Temme)表示：“或許在擁有完全通用的容錯量子計算機之前，我們可能利用量子優(yōu)勢。

　　用自然解決問題

　　然而到目前為止，基于量子矩陣代數(shù)的機器學(xué)習(xí)算法僅在僅有四個量子位的機器上得到了驗證。迄今為止有關(guān)量子機器學(xué)習(xí)的大部分實驗成功都采用了不同的方法，其中的量子系統(tǒng)不僅僅模擬神經(jīng)網(wǎng)絡(luò);它本身就是網(wǎng)絡(luò)。每個量子比特代表一個神經(jīng)元。雖然這種設(shè)備還缺乏取冪的強大運算力量，但像其也可以利用量子物理的其他特性。

　　目前最強大的這種設(shè)備有約2000個量子位，它是由位于不列顛哥倫比亞省溫哥華附近的D-Wave Systems公司生產(chǎn)的量子處理器。這并不是大多數(shù)人所認為的那種傳統(tǒng)電腦。傳統(tǒng)電腦輸入數(shù)據(jù)，通過執(zhí)行一系列操作并顯示輸出。相比之下，這種量子處理器通過查找內(nèi)部一致性來工作。它的每個量子比特都是一個超導(dǎo)電子回路，你可以把它看作一個微小的電磁體，能夠朝上，朝下或上下移動，同時顯現(xiàn)出疊加狀態(tài)。不同的量子比特以磁性方式進行交互，從而“連接”在一起。

　　為了運行該系統(tǒng)，首先需要施加一個水平磁場，將量子比特初始化為上下對等的疊加——這相當(dāng)于沒有輸入。目前有幾種輸入數(shù)據(jù)的方法。在某些情況下，您可以將一層量子位排列成所需的輸入值;研究人員更常用的方式是將輸入融入耦合磁場，然后讓量子比特進行互動。在電磁場的作用下，有些量子比特會沿著相同的方向排列，而有些則會沿著相反的方向排列，并且在水平磁場的影響下發(fā)生轉(zhuǎn)向。這樣一來，受影響的量子比特可能會觸發(fā)其他量子比特的翻轉(zhuǎn)。輸入耦合磁場后量子比特會發(fā)生偏移，但隨著時間的推移，它們會逐步穩(wěn)定，你可以關(guān)閉水平磁場以鎖定量子比特的狀態(tài)。此時，量子比特塌縮成01狀態(tài)，從而獲得最終解。

　　關(guān)鍵在于量子比特的最終排列是什么并不確定。該系統(tǒng)只是通過自然的方法去解決一個普通計算機會遇到的問題。 “我們不需要算法，”東京理工學(xué)院物理學(xué)家Hidetoshi Nishimori解釋說，他創(chuàng)造了D-Wave機器運行的原理。 “這與傳統(tǒng)編程完全不同。大自然解決了這個問題。”

　　該量子比特的翻轉(zhuǎn)依賴于量子隧穿效應(yīng)，也就是量子系統(tǒng)必須自行找出最佳配置。當(dāng)然，你完全可以用同樣的原理構(gòu)建一個傳統(tǒng)網(wǎng)絡(luò)，說不準(zhǔn)利用隨機輕搖所獲得得結(jié)果要比量子隧穿效應(yīng)更好。但有趣的是，對于機器學(xué)習(xí)中出現(xiàn)的問題類型，量子網(wǎng)絡(luò)似乎能夠更快地達到最佳狀態(tài)。

　　關(guān)于D-Wave機器也有不少質(zhì)疑者。其結(jié)果包含過多的噪聲，并且在目前的模型下其執(zhí)行的操作相當(dāng)有限。然而機器學(xué)習(xí)算法本質(zhì)上具有抗噪聲能力。它們之所以有用正是因為它們可以理解雜亂的現(xiàn)實，將小貓從小狗的背景中分揀出來。 貝爾曼說：“神經(jīng)網(wǎng)絡(luò)對處理噪聲非常有效。”

　　谷歌計算機科學(xué)家Hartmut Neven曾負責(zé)增強現(xiàn)實技術(shù)研究，他創(chuàng)立了谷歌眼鏡項目。2009年，其領(lǐng)導(dǎo)的一個團隊展示了早期的D-Wave機器如何完成機器學(xué)習(xí)任務(wù)。他們將其用于單層神經(jīng)網(wǎng)絡(luò)，將待處理的圖像分成兩類：“有車”或“無車”，其中包含了20,000個街道場景的圖書館中。該機器只有52個可運行量子比特，對于處理所有圖像來說尚顯乏力。(需要清楚的是：D-Wave機器與2018年上線的具有50個量子比特的量子計算機完全不同)。因此Neven的團隊將D-Wave機器與傳統(tǒng)計算機相結(jié)合，用傳統(tǒng)計算機分析各種統(tǒng)計量并計算這些量對汽車存在的敏感程度 – 通常并不是很高。通過這些量的某些組合可以發(fā)現(xiàn)汽車，但并不明顯。接下來是量子神經(jīng)網(wǎng)絡(luò)的工作，找出答案。

　　團隊為每個數(shù)量分配一個量子比特。如果該量子比特的數(shù)值為1，則標(biāo)記相應(yīng)數(shù)量對汽車存在有影響; 0則表示沒有影響。團隊根據(jù)問題的要求對量子比特的相互磁力作用進行了編碼，例如只保留最具有鑒別性的量，以便盡可能簡化最終選擇，結(jié)果是D-Wave機器可以識別出汽車。

　　去年，由加利福尼亞理工學(xué)院粒子物理學(xué)家瑪麗亞斯皮羅普魯(Maria Spiropulu)和南加利福尼亞大學(xué)(University of Southern California)物理學(xué)家丹尼爾里達(Daniel Lidar)領(lǐng)導(dǎo)的小組將該算法應(yīng)用于解決一個實際物理問題：將在質(zhì)子碰撞中產(chǎn)生的光子分為“希格斯玻色子”或“不是希格斯玻色子” 。“他們將注意力集中在激發(fā)光子的碰撞上，用基本粒子理論來預(yù)測哪些光子屬性可能會表明希格斯玻色子的存在，比如說超過某個動量的閾值。他們考慮了8種粒子屬性和由此產(chǎn)生的28種屬性組合，總共確定了36個候選信號。研究人員讓南加州大學(xué)的D-Wave機器找到最佳選擇。機器確定了16個有用變量，3個最佳變量。相比于標(biāo)準(zhǔn)程序，量子機器執(zhí)行準(zhǔn)確判別所需要的數(shù)據(jù)量更小。 “如果訓(xùn)練集很小，那么量子方法的精確度確實比高能物理學(xué)界慣常使用的傳統(tǒng)方法更高”里達表示。

　　圖示：加州理工學(xué)院粒子物理學(xué)家瑪麗亞斯皮羅普魯(Maria Spiropulu)利用量子機器學(xué)習(xí)系統(tǒng)解決尋找希格斯玻色子的問題。

　　去年12月，Rigetti使用具有19個量子比特的通用量子計算機展示了一種自動對象分類的方法。研究人員為機器提供了一系列城市名稱和它們之間的距離，并要求它將城市分為兩個地理區(qū)域。這個問題的困難在于，一個城市屬于哪個地理區(qū)域完全取決于所有其他城市的分類，因此必須同時解決所有城市的分類問題。

　　Rigetti團隊為每個城市分配了一個有效量子比特，表明其屬于哪個區(qū)域。通過量子比特的相互作用(在Rigetti的系統(tǒng)中量子比特的相互作用是電子而不是磁性)，每對量子比特都要取相反的值，從而讓能量最小化。顯然，對于任何有兩個以上量子比特的系統(tǒng)，有些量子比特之內(nèi)分配到同一個組。相互靠近的城市更容易分配到同一個組，因為他們分配到同一組的能耗要低于距離較遠的城市。

　　為了使系統(tǒng)的能量最低，Rigetti團隊在某種程度上采用了類似于D-Wave量子退火的算法。他們將量子比特初始化為所有可能群集分配的疊加。量子比特能夠短暫地相互作用，使其偏向于假設(shè)相同或相反的值。接著他們模擬了水平磁場，讓量子比特在傾斜時就會發(fā)生翻轉(zhuǎn)，將系統(tǒng)推向最低能量狀態(tài)。他們反復(fù)重復(fù)這個兩步過程——相互作用，然后翻轉(zhuǎn)，直到系統(tǒng)能量最小化，從而將城市分為兩個不同的區(qū)域。

　　這些分類任務(wù)有用且直接。機器學(xué)習(xí)的真正前沿技術(shù)生成模型——不僅僅是可以簡單地識別小狗小貓，而且可以生成新的原型，比如從未存在過的動物，但它們與已有的動物一樣可愛。這種模型甚至可以自行分辨“小貓”和“小狗”的類別，或修復(fù)缺少尾巴或爪子的圖像。 “這些技術(shù)非常強大，在機器學(xué)習(xí)中非常有用，但實現(xiàn)起來非常困難，”D-Wave首席科學(xué)家穆罕默德阿明(Mohammad Amin)指出。如果能夠應(yīng)用于機器學(xué)習(xí)的生成模型，量子計算將會最受歡迎。

　　D-Wave和其他研究團隊已經(jīng)接受了這個挑戰(zhàn)。訓(xùn)練這種模型意味著要調(diào)整量子比特之間的磁或電相互作用，以便于神經(jīng)網(wǎng)絡(luò)可以復(fù)制樣本數(shù)據(jù)。要做到這一點，你需要將神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)電腦結(jié)合起來。神經(jīng)網(wǎng)絡(luò)負責(zé)諸如選定的交互作用對最終網(wǎng)絡(luò)配置的意義等繁重工作，而計算機則使用這些信息來調(diào)整交互作用。在去年發(fā)表的篇論文中，美國航空航天局量子人工智能實驗室研究員Alejandro Perdomo-Ortiz及其團隊用D-Wave系統(tǒng)處理手寫數(shù)字圖像。最終系統(tǒng)識別出10個類別，分別對應(yīng)數(shù)字0到9，并自動生成了一種潦草的手寫體數(shù)字。

　　量子計算的瓶頸

　　聽起來這是個好消息。不好的一點是，如果你無法將數(shù)據(jù)上傳至量子計算機，處理器的性能再好也沒有什么用處。在矩陣代數(shù)算法中，一次簡單運算操作就處理16個數(shù)字的矩陣，但加載矩陣卻需要16次操作。量子計算初創(chuàng)公司Xanadu的研究員瑪利亞斯庫德(Maria Schuld)指出：“量子態(tài)制備工作 ——也即是將傳統(tǒng)數(shù)據(jù)轉(zhuǎn)化為量子態(tài)完全被忽略了，我認為這恰恰是最重要的工作之一。”斯庫德曾獲得了量子機器學(xué)習(xí)博士學(xué)位。事實上，基于物理實體的機器學(xué)習(xí)系統(tǒng)在應(yīng)用量子計算時，常常面臨著如何在量子比特網(wǎng)絡(luò)中嵌入問題以及如何使量子比特相互作用等多重問題。

　　一旦數(shù)據(jù)能夠載入，就需要把數(shù)據(jù)存儲起來，同時確保量子系統(tǒng)與數(shù)據(jù)交互時不會影響正在進行的計算。勞埃德和他的同事們提出了一種使用光子的量子RAM，但目前并沒有諸如超導(dǎo)量子比特或囚禁離子等類的裝置，這是量子計算領(lǐng)域的尖端技術(shù)。 “除開發(fā)量子計算機本身之外，這又是一個難題，”阿倫森表示， “從我和實驗主義者鵝談話得知，他們望而生畏。他們不知道如何開始開發(fā)這樣的技術(shù)。”

　　最后的問題還有你如何導(dǎo)出數(shù)據(jù)?這意味著要檢測機器的量子狀態(tài)，一次檢測不能只返回一個隨機抽取的數(shù)字，因為檢測會導(dǎo)致量子狀態(tài)的塌縮，從而清楚其他所有數(shù)據(jù)。你必須反復(fù)運行算法，來提取出所有信息。

　　然而還有一線希望。解決某些類型的問題完全可以利用量子干涉。也就是說，你可以編排操作過程，讓錯誤的答案自行消失，讓正確答案自我強化;這樣，當(dāng)你去檢測量子態(tài)時，它不會給你任何隨機值，而是你想要的答案。但只有少數(shù)算法(如蠻力搜索)可以很好地利用量子干涉，并且加速效果有限。

　　在某些情況下，研究人員發(fā)現(xiàn)了獲取數(shù)據(jù)的捷徑。 2015年，勞埃德和加拿大滑鐵盧大學(xué)的Silvano Garnerone以及南加利福尼亞大學(xué)的Paolo Zanardi研究表明，對于某些類型的統(tǒng)計分析，并不需要輸入或存儲整個數(shù)據(jù)集。同樣，只要幾個關(guān)鍵值滿足需求時，就不需要讀出所有的數(shù)據(jù)。例如，科技公司根據(jù)消費者的習(xí)慣數(shù)據(jù)，利用機器學(xué)習(xí)的龐大矩陣來推送節(jié)目或商品。 阿倫森稱：“Netflix或亞馬遜實際上并不需要到處生成的矩陣，“真正需要的只是為用戶提供建議。”

　　所有這些都引出了這樣一個問題：如果量子計算機僅在特殊情況下才具有強大功能，那么在這些情況下傳統(tǒng)計算機是否也可以發(fā)揮出強大的作用?這是該領(lǐng)域尚未解決的主要問題。普通電腦畢竟算力有限。而處理大量數(shù)據(jù)集的常用方法，比如隨機抽樣實際上與量子計算機的運行機制非常相似——也就是無論在系統(tǒng)內(nèi)部發(fā)生了什么，都會返回隨機結(jié)果。 斯庫德評論說：“我完成的很多算法都讓我感覺’這很棒，我們可以提升運算速度，’然后我只是為了好玩，也會為傳統(tǒng)計算機編寫一個同樣的抽樣算法，也能夠?qū)崿F(xiàn)相同的效果。”

　　如果回顧迄今為止量子機器學(xué)習(xí)所取得的成功，它們都帶著引號。以D-Wave機器為例，在對汽車圖像和希格斯玻色子進行分類時，它的速度并不比傳統(tǒng)機器快。 “谷歌DeepMind項目計算機科學(xué)家、希格斯玻色子研究小組成員之一的亞歷克斯莫特(Alex Mott)強調(diào)：”本文中我們沒有提到的一件事是量子加速。”諸如Harrow-Hassidim-Lloyd算法等矩陣代數(shù)方法只有在稀疏矩陣的情況下才能夠?qū)崿F(xiàn)量子加速。 “從來沒有人問過，機器學(xué)習(xí)中稀疏數(shù)據(jù)集是否真正有意義?”斯庫德如是指出。

　　量子智能

　　但從另一方面講，現(xiàn)有技術(shù)即便偶有改進，也會讓科技公司非常興奮。 “你最終看到的這些優(yōu)勢都不大;它們不是指數(shù)級的，但至少是二次型的，“微軟研究院量子計算研究員彌敦韋博(Nathan Wiebe)表示。 “如果量子計算機功能足夠強大，計算速度也足夠快，我們可以徹底改變機器學(xué)習(xí)應(yīng)用的許多領(lǐng)域。”在應(yīng)用這些系統(tǒng)的過程中，計算機科學(xué)家或許可以解決理論上的難題，也就是它們能否更快，以及為什么。

　　斯庫德也看到了量子計算在軟件方面的創(chuàng)新空間。機器學(xué)習(xí)并不僅僅是計算問題，其中很多復(fù)雜的問題也有著自己的特定結(jié)構(gòu)。她說：“人們構(gòu)建的算法并沒有使機器學(xué)習(xí)變得有趣和美觀。這就是為什么我開始反過來思考的原因：如果有這樣一臺真正的量子計算機，那么實際上可以使用什么機器學(xué)習(xí)模型?也許這種模型還尚未發(fā)明出來。”如果物理學(xué)家想要打動機器學(xué)習(xí)專家，除了構(gòu)建現(xiàn)有模型的量子版本外，他們需要做的更多。

　　現(xiàn)在許多神經(jīng)科學(xué)家認為人類思維的結(jié)構(gòu)反映了身體的要求，機器學(xué)習(xí)系統(tǒng)同樣也體現(xiàn)了這一點。所處理的圖像，語言和大多數(shù)其他數(shù)據(jù)都源自真實世界，并反映其特征。量子機器學(xué)習(xí)系統(tǒng)也同樣如此，但所反映的世界要更為豐富。毫無疑問其最為擅長的就是處理量子數(shù)據(jù)。當(dāng)數(shù)據(jù)不再是圖像，而是物理或化學(xué)實驗的產(chǎn)物時，量子機器將應(yīng)對自如。如果輸入問題得以解決，傳統(tǒng)計算機將會被塵封在歷史中。

　　在完整的自我參照循環(huán)中，第一批量子機器學(xué)習(xí)系統(tǒng)有助于開發(fā)新一代系統(tǒng)。韋博指出：“我們真正想要的是讓這些系統(tǒng)自行構(gòu)建量子計算機。對于一些調(diào)試任務(wù)，這是我們唯一的方法。”撇開人腦是否是量子計算機這個極具爭議的問題不談 ，也許這種系統(tǒng)甚至可以為我們糾錯。眾所周知，人類的行為取決于情境;特定的選擇決定了我們的偏好，其方式無視邏輯。從這方面看，我們就像量子粒子。 “人類提出問題的方式和次序，都是量子數(shù)據(jù)集中非常典型的特征，”Perdomo-Ortiz如是指出。所以說，量子機器學(xué)習(xí)系統(tǒng)或許是研究人類認知偏差的一種方式。

　　神經(jīng)網(wǎng)絡(luò)和量子處理器還有一個共同點：它們都神話般地實現(xiàn)了。訓(xùn)練神經(jīng)網(wǎng)絡(luò)并非易事，幾十年來大多數(shù)人都懷疑它是否能夠成為現(xiàn)實。同樣，量子物理學(xué)用于計算也未置可否，因為量子物理學(xué)的獨特作用對我們來說依舊是管中窺豹。然而，兩者都已經(jīng)實現(xiàn)了。雖然并沒有成為常態(tài)，但卻超出我們的期待。并非總是如此，而是比我們有權(quán)期待的更多?？紤]到這一點，兩者的結(jié)合或許會修成正果。

特別提醒：本網(wǎng)內(nèi)容轉(zhuǎn)載自其他媒體，目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實，對本文以及其中全部或者部分內(nèi)容、文字的真實性???完整性、及時性本站不作任何保證或承諾，并請自行核實相關(guān)內(nèi)容。本站不承擔(dān)此類作品侵權(quán)行為的直接責(zé)任及連帶責(zé)任。如若本網(wǎng)有任何內(nèi)容侵犯您的權(quán)益，請及時聯(lián)系我們，本站將會在24小時內(nèi)處理完畢。