量子机器学习的现实

作者：莫顿·斯威默

量子机器学习 (QML) 是人工智能和量子计算这两个热门话题的结合体。忽略人工智能的炒作，让我们来探讨一下量子机器学习的现实性如何。但首先我们需要抛开一件事：在不久的将来，我们不会拥有可以扩展到足够大的尺寸来进行有意义的计算的量子计算机。噪声管理和纠缠足够的量子比特只是我们仍然面临的两个问题。

使用我们现有的小型原型机，我们越来越了解它们的潜力和局限性，但我们仍处于构建量子计算机的阶段，无法了解它们的用途。请记住，量子计算机与经典计算机完全不同。这是利用物理学基础进行计算与使用华丽的计算器进行计算之间的区别。看看我们的上一篇文章有关量子计算的更详细解释。

我们对量子机器学习感兴趣，因为尽管有炒作，但我们确实需要更快、更高效的计算机。摩尔定律已经结束了，机器学习的工作量只会越来越大。就能源和资源需求而言，使用大量 CPU 和 GPU 变得不可持续。从理论上讲，量子计算机非常适合，因为它们的强项是线性代数，这也是许多机器学习的核心。这些操作在量子计算机上的执行速度可能会呈指数级增长。但将量子机器学习付诸实践则更为复杂。

最近，对 QML 的研究不断加强，我们现在拥有许多经典机器学习方法的量子等效物。线性回归是最基本的算法之一（并且仍然非常有用），知道有多种量子计算方法也就不足为奇了。

一种流行的数据聚类方法是支持向量机，它也有量子实现 (QSVM)。使用这些 QSVM，我们可以在量子计算机上实现业界的主力决策树学习。非线性回归最好通过量子神经网络 (QNN) 方法来处理。这种方法利用参数化量子电路（PQC），或更常见的是，变分量子电路（VQA）。（量子电路相当于经典计算机上的可运行代码。）有了 QNN 的基础知识，卷积神经网络、生成对抗网络和其他网络就有了量子等价物。还可以实现在序列分析中有用的隐马尔可夫模型。

图 1. VQA（变分量子算法）的表示，表明存在量子和经典组件

其中许多算法已经在量子计算框架中实现，例如奇斯基特,西尔克， 或者彭尼兰。流行机器学习库的扩展，例如火炬或者张量流在量子计算机的支持下，也可用。有了这些，我们就可以访问量子计算机模拟器甚至真实的原型机来测试我们的算法想法。

尽管目前缺乏强大的量子计算机，量子机器学习算法还面临其他问题。我们无法在量子计算机上原生实现反向传播，因此，正如我们已经提到的，许多算法都依赖于 VQA。但是这些电路使用的参数（参见图 1 中的向量 β）是在使用模板（“Ansatz”）将电路加载到量子计算机中时实现的，并且每次更新参数时都需要执行此操作，这种情况在训练过程中会反复发生。

这些参数也由经典计算机进行优化，这会导致延迟并影响算法的性能。基于 QNN 的机器学习还存在一个称为“贫瘠高原”的问题。如果不采取一些缓解措施，模型将变得无法训练。寻找这个问题的解决方案是一个活跃的研究领域，并且一些解决方案已经存在。不过，QCNN 不会出现这个问题，因此也许需要更多新颖的方法来避免此类陷阱。然而，就目前情况而言，实施像注意力模型（GPT 的基础）这样的东西是不切实际的。

没有足够的篇幅来列举 QML 将会遇到的所有问题，并且研究可能随时会取得缓解这些问题的突破，但需要提及另一个基本问题。将数据加载到量子电路中所需的总时间可能会使量子算法带来的任何加速相形见绌。这是因为数据是电路的固有部分。在经典函数中，计算过程接收外部数据并在另一侧输出结果。这也意味着，按照目前的情况，我们将需要比二次加速更好的方法来证明算法的量子实现的合理性，并且在这个问题得到解决之前，大数据应用程序可能无法实现。

毫无疑问，工程和科学方面都会取得进步，以缓解其中许多问题。但目前，QML 仍停留在理论层面，而非实践层面。未来，我们希望看到对正确利用量子计算机特性的算法进行研究，而不仅仅是试图在量子计算机上复制经典机器学习。

本文仅讨论了 QML 的一种模式：使用量子计算机来解决经典问题，尽管我们谈到了经典机器学习如何帮助调整 VQA 组件的参数。也许量子机器学习的真正未来将围绕着从其他量子过程生成的量子数据中学习模型，也许是药物发现实验中分子相互作用的模拟。为此，我们需要更大的机器来更好地减轻噪音，我们仍在等待这些机器。