作者：CHARLES Q. CHOI
來源：IEEE電氣電子工程師

當量子計算機執(zhí)行可能導致下一代電池或新藥的復雜物理和化學模擬時，它可能比任何傳統(tǒng)超級計算機強大得多。然而，可能需要很多年才能實現(xiàn)實用和廣泛的量子計算。

現(xiàn)在，一項新的研究發(fā)現(xiàn)，機器學習現(xiàn)在可以為計算機視覺、語音識別等提供動力，在量子計算機擅長的任務種類上，它也可以證明比普通計算機好得多。這些發(fā)現(xiàn)表明，在量子計算機最終出現(xiàn)之前，機器學習可能有助于解決關鍵的量子問題。

量子計算機理論上可以實現(xiàn)“量子優(yōu)勢”，它們可以找到經(jīng)典計算機無法解決的問題的答案。量子計算機擁有的量子比特越多，其計算能力就可以以指數(shù)形式增長。

“If quantum computers were mature right now, it would definitely be better to use quantum computers.”
—Robert Hsin-Yuan Huang, Caltech

量子計算機的一個主要應用可能是模擬復雜分子和其他系統(tǒng)，其中奇怪的量子效應起著關鍵作用。這些奇怪的現(xiàn)象包括疊加，其中一個物體可能同時存在于兩個或多個位置或狀態(tài)，以及糾纏，其中多個物體可以瞬間相互影響，而不管它們相距多遠。經(jīng)典計算機通常難以模擬量子系統(tǒng)，尤其是涉及多個實體的系統(tǒng)。相比之下，量子計算機本身就是量子系統(tǒng)，因此理論上可以更快地解決這類量子多體問題。然而，量子計算機目前是嘈雜的中等規(guī)模量子（NISQ）平臺，這意味著它們的量子比特數(shù)最多可達幾百。為了證明對實際應用有用，未來的量子計算機可能需要數(shù)千個量子比特來幫助補償錯誤，這個目標可能需要很多年的時間。在這項新的研究中，研究人員調(diào)查了在經(jīng)典計算機上運行的機器學習算法，即通過經(jīng)驗自動改進的算法。他們發(fā)現(xiàn)這些經(jīng)典的機器學習算法可能比經(jīng)典計算機上的任何其他算法更好地解決具有挑戰(zhàn)性的量子問題。他們在9月22日的《科學》雜志上在線詳述了他們的發(fā)現(xiàn)。科學家們分析的一組應用包括發(fā)現(xiàn)分子的基態(tài)，即能量最少的基態(tài)。該研究的主要作者、加州帕薩迪納加州理工學院量子信息理論家Robert Hsin-Yuan Huang表示，疊加和糾纏會使預測分子基態(tài)變得非常困難，特別是當它擁有許多原子時。研究人員調(diào)查了當經(jīng)典機器學習算法獲得分子基態(tài)數(shù)據(jù)時發(fā)生的情況，例如，從分子收集量子數(shù)據(jù)的實驗所提供的信息。他們發(fā)現(xiàn)，這種經(jīng)典的機器學習算法能夠有效、準確地預測其他分子的基態(tài)，這比其他類型的經(jīng)典算法要好得多。Huang說，這種優(yōu)勢來自于“大自然如何機械地操作量子”，所以從量子實驗中收集的數(shù)據(jù)“包含了自然界中量子計算能力的碎片”。這意味著從這些數(shù)據(jù)中學習的經(jīng)典機器學習算法“可以比任何非機器學習算法更準確、更有效地進行預測，”他補充道?？偠灾?，在預測基態(tài)時，經(jīng)典的機器學習算法“在相同的計算時間內(nèi)可以比經(jīng)典的非機器學習算法更準確地預測，”Huang說，“如果我們的目標是實現(xiàn)相同的預測精度，那么經(jīng)典的機器學習可以比經(jīng)典的非機器學習算法更快地運行超多項式?！毖芯咳藛T探索的另一組應用是對物質(zhì)的各種量子相進行分類。熟悉的物質(zhì)狀態(tài)包括冰可能采用的許多晶體結構，而更奇異的物質(zhì)量子相包括拓撲絕緣體中看到的那種，在那里電或光可以流動而不會散射或損失?？茖W家們發(fā)現(xiàn)，當經(jīng)典機器學習算法以量子相位的經(jīng)典數(shù)據(jù)為基礎進行訓練時，它們可以有效地學習如何準確分類訓練中沒有遇到的量子相位。Huang說：“有正式證據(jù)證明，在量子物理的一個重要問題上，用物理實驗數(shù)據(jù)訓練的經(jīng)典機器學習算法可以勝過任何經(jīng)典的非機器學習算法，這個結果是令人興奮的。它真正顯示了經(jīng)典機器學習在解決物理、化學和材料科學中具有挑戰(zhàn)性的問題方面的力量?！盚uang說，未來的研究可以探索經(jīng)典機器學習可以很好解決的其他重要量子問題。他指出，進一步的工作還可以探索如何優(yōu)化經(jīng)典機器學習算法解決量子問題的方式，根據(jù)它們需要多少訓練數(shù)據(jù)和計算時間。最終，有一天，量子計算機在模擬化學和物理實驗方面甚至會勝過經(jīng)典的機器學習。Huang說：“如果量子計算機現(xiàn)在已經(jīng)成熟，那么使用量子計算機肯定會更好?！比欢诹孔佑嬎銠C出現(xiàn)之前，“根據(jù)實驗數(shù)據(jù)訓練的經(jīng)典機器學習模型可以解決化學和材料科學中的實際問題，這些問題很難單獨使用經(jīng)典處理來解決，”Huang說。